发布
2026 年 10 月 7 日,Liquid AI 在 Hugging Face 发布了两个不寻常模型的权重:d1-3B 和 d1-omni-600M。它们是 "决策模型":不生成文本。您提供一个状态(客服工单、JSON、照片或全部)和若干命名问题,模型直接从其概率分布中读出答案返回。用量计数显示 输出 token 为 0。
三种问题类型
- 是/否: 返回"是"的概率,0 到 1。
- 选择: 从列表中选出一个标签,返回标签、置信度及每个选项的概率。
- 量表: 将状态放到 2 到 10 级的有序量表上。
针对同一状态的多个问题一次前向计算即可回答:据 Liquid 称,三个问题的耗时约为一个问题的 1.3 倍。不生成文本,就不会有损坏的 JSON、循环或编造的格式。
两个模型
- d1-3B(31.2 亿参数):源自 LFM2.5-VL-3B,可读文本和图像,上下文 32,768 token,支持 16 种语言。
- d1-omni-600M(5.87 亿):一个 编码器,用同一套权重读取文本、图像和 最长 30 秒的音频,标注为早期研究版本。
数据(Liquid 自报)
- Decision Index 0.2.1: d1-3B 得分 48.57,在公司公布的表中为 10B 以下第一,并超过一个大 12 倍的决策模型。该分数由 Liquid 自行计算,未提交公开排行榜。
- 延迟: RTX 4090 上 每个问题约 8 毫秒,最小的 Jetson Orin Nano 上 50 毫秒。
- 在演示中,公司在无专门训练的情况下以 85% 至 97% 的准确率分拣生产线上的良品与次品,并声称在 6 项任务中有 4 项与前沿模型持平或更好,成本低 19 至 200 倍。这些都是厂商自选自测的结果,尚无独立复现。
运行环境
支持 llama.cpp、GGUF 与量化版本,以及从数据中心到 Jetson 的 NVIDIA 技术栈。Liquid 也提供 只按输入 token 计费 的托管 API。许可证是 Liquid 自有许可(非 Apache 或 MIT),商用前请阅读条款。
为何重要
企业中很多 AI 任务并不需要文本:工单分类、批准或拒绝、缺陷检测、路由决策。用生成式 LLM 做这些既昂贵又脆弱(JSON 解析、格式不符)。一个只做决策、毫秒级响应的模型,可以在昂贵的 LLM 调用之前充当 廉价过滤器。
如何测试
- 选一个标签清晰的真实分类任务。
- 与当前使用的 LLM 比较准确率、延迟和成本。
- 利用返回的 置信度,只把不确定的案例交给人工或更大的模型。
来源
- Hugging Face, LiquidAI/d1-3B: https://huggingface.co/LiquidAI/d1-3B
- Hugging Face, LiquidAI/d1-omni-600M: https://huggingface.co/LiquidAI/d1-omni-600M
- OrcaRouter 分析(2026 年 10 月 8 日): https://www.orcarouter.ai/blog/liquid-ai-d1-open-weights-release
想以低成本、可靠的方式用 AI 自动化决策与分拣吗?KGA IT 提供免费咨询:kga-it.com