Liquid AI пусна d1: модел за вземане на решения, който връща калибрирани вероятности с нула изходни токени

Liquid AI пусна d1 — модел за вземане на решения, създаден за структурирани избори вместо за генериране на текст. Подавате му контекст и набор от типизирани въпроси. Той връща калибрирани вероятности за фиксиран набор от резултати с едно извикване и без генерирани токени. Целта е работата, която много екипи все още възлагат на универсални LLM: класификация, маршрутизиране на заявки, оценяване, модериране, повторно класиране и проверки тип LLM-as-judge.

Може ли да се внедри? Да, още днес, като хостван API. d1 работи в Liquid API под името на модела d1:free. Библиотеката с модели на Liquid го посочва като достъпен само чрез API и нетрениируем, така че няма тегла във формати GGUF, MLX или ONNX за самостоятелно хостване.

Какво представлява моделът за вземане на решения?

Моделът за вземане на решения оценява ситуация и връща типизиран отговор измежду опциите, които сте дефинирали преди извикването. Той не пише текст. Във всеки отговор usage.output_tokens е 0. Ръководството за миграция на Liquid дава просто правило: ако отговорът е една от N известни опции, използвайте модел за вземане на решения. Ако моделът трябва да състави нов низ, запазете своя LLM.

3-те примитива: Noul, Choice и Score

• Noul е въпрос с отговор „да/не“, който връща вероятност между 0 и 1. В примера на Liquid въпросът „Това съобщение оплакване ли е?“ връща 0.999.
• Choice избира една опция от именуван набор. Връща водещия избор, пълното разпределение и стойност confidence. Заявка за двойно таксуване получава 0.9997 за „таксуване“.
• Score оценява входа по подредена скала и връща позиция, претеглена според вероятността. Нивата се индексират от 0, така че скала за спешност с 4 нива обхваща стойностите от 0 до 3. Производствен прекъсване получава 2.9995.

Можете да комбинирате и трите типа в една заявка. Моделът оценява всеки въпрос спрямо едно и също състояние в рамките на едно обменяне на данни.

Как работи извикването на d1 API

Всяка заявка има 3 части: моделът, състоянието (обикновен текст или JSON обект) и въпросите. Извикванията се изпращат към POST https://api.liquid.ai/decisions/v1/systemone. Ключовете се получават от console.liquid.ai и започват с liquid_. Клиентите са typesafe-sdk на TypeSafe AI за Python и @typesafe-ai/sdk за TypeScript.

from typesafe_sdk import TypeSafeClient, Noul

client = TypeSafeClient(api_key=os.environ["LIQUID_API_KEY"],
                        base_url="https://api.liquid.ai")
result = client.system_one(
    model="d1:free",
    state="I have been waiting over three weeks for my order...",
    questions={"is_complaint": Noul(
        instructions="Is this message a complaint from the customer?")},
)
print(result.answers["is_complaint"].noul)  # 0.999

Защо да прехвърлите извикванията за LLM класификация към d1

Ръководството за миграция посочва конкретните разлики спрямо LLM със структурирани изходни данни:

• Без таксувани изходни токени: LLM таксува за изхода дори при еднословен етикет.
• Предвидима латентност: Няма цикъл на декодиране, който да се увеличава с дължината на изхода.
• Без грешки в схемата: Отговорите винаги съответстват на типа на въпроса, така че невалидният JSON и повторните опити отпадат.
• Полезна неопределеност: Получавате калибрирани вероятности вместо самостоятелно докладвано число.
• По-малко обменяния на данни: 3 последователни извиквания за класификация се превръщат в 1.

Вероятностите правят праговете практични. В примера на Liquid за модериране съдържанието се блокира над 0.8, допуска се под 0.2, а междинният диапазон се изпраща за човешка проверка. В примера за маршрутизиране системата преминава към най-мощното ниво на модела, когато увереността на маршрутизатора падне под 0.5. Liquid също посочва, че повторните оценки на един и същ вход са по-последователни, което намалява промяната на присъдите.

Запазете LLM за обобщаване, съставяне на текст, многоходов чат, генериране на код и сложно многостъпково разсъждение.

Демонстрация: Road Decider

Готварската книга road-decider на Liquid представлява пикселна игра за оцеляване и състезания. d1 използва въпрос Choice, за да избира ляво, център или дясно при всяко отчитане на решението — около 2 до 5 пъти в секунда в зависимост от скоростта на играта. Приложението е на vanilla JavaScript за Node.js 18+, с Vite прокси, което запазва API ключа от страната на сървъра. Режимът „Jev срещу d1“ изправя d1 срещу typesafe/jev-1.13 на TypeSafe чрез OpenRouter. Най-полезният урок е свързан с дизайна на състоянието. Обобщенията за всяка лента с разстоянието до първото препятствие водят до по-уверени решения от необработена решетка на пътя.

Интерактивно обяснение: d1 стъпка по стъпка

d1 спрямо най-близките конкуренти

d1 навлиза в малка, но бързо развиваща се категория от негenerативни модели за вземане на решения. Ето как се сравнява с тях по публикувани характеристики.

Данните са проверени на 29 септември 2026 г. спрямо основната страница на всеки доставчик.

Основни изводи

• d1 връща типизирани решения с калибрирани вероятности и 0 изходни токена.
• 3 примитива покриват повечето задачи с ограничен набор от резултати: Noul, Choice и Score.
• Може да се внедри веднага чрез Liquid API като d1:free; няма тегла за самостоятелно хостване.
• Най-подходящ е за маршрутизиране, модериране, първоначално сортиране, повторно класиране и заместване на LLM-as-judge.
• Запазете LLM за генериране, разговори и многостъпково разсъждение.

Разгледайте документацията за моделите за вземане на решения, ръководството за миграция и демонстрацията Road Decider. Всички заслуги са за изследователя на този проект. Също така можете да ни последвате в Twitter и не забравяйте да се присъедините към нашия ML SubReddit с над 150 хил. членове и да се абонирате за нашия бюлетин. Чакайте! В Telegram ли сте? Вече можете да се присъедините към нас и в Telegram.

Имате нужда от партньор за популяризирането на вашето GitHub хранилище, страница в Hugging Face, продуктово представяне, уебинар и т.н.? Свържете се с нас