Liquid AI выпустила d1: модель принятия решений, возвращающую калиброванные вероятности с нулевым количеством выходных токенов

Liquid AI выпустила d1 — модель принятия решений, созданную для структурированного выбора, а не генерации текста. Вы передаёте ей контекст и набор типизированных вопросов. В одном вызове она возвращает откалиброванные вероятности для фиксированного набора результатов, не генерируя ни одного токена. Модель предназначена для задач, которые многие команды по-прежнему поручают универсальным LLM: классификации, маршрутизации тикетов, выставления оценок, модерации, переранжирования и проверок в формате LLM-as-judge.

Можно ли её развернуть? Да, уже сегодня — в виде размещённого API. d1 работает в Liquid API под именем модели d1:free. В библиотеке моделей Liquid указано, что она доступна только через API и не подлежит обучению, поэтому весов GGUF, MLX или ONNX для самостоятельного размещения нет.

Что такое модель принятия решений?

Модель принятия решений оценивает ситуацию и возвращает типизированный ответ из вариантов, заданных до вызова. Она не пишет текст. В каждом ответе значение usage.output_tokens равно 0. В руководстве по миграции Liquid сформулировано простое правило: если ответ — один из N известных вариантов, используйте модель принятия решений. Если модель должна составить новую строку, оставьте LLM.

3 примитива: Noul, Choice и Score

• Noul — это вопрос с ответом «да/нет», который возвращает вероятность от 0 до 1. В примере Liquid на вопрос «Является ли это сообщение жалобой?» был получен результат 0.999.
• Choice выбирает один вариант из именованного набора. Он возвращает лучший вариант, полное распределение и значение confidence. Для тикета о двойном списании была получена оценка 0.9997 по варианту «биллинг».
• Score оценивает входные данные по упорядоченной шкале и возвращает взвешенную вероятностями позицию. Уровни индексируются начиная с 0, поэтому шкала срочности из 4 уровней охватывает значения от 0 до 3. Авария в рабочей системе получила оценку 2.9995.

В одном запросе можно сочетать все 3 типа. Модель оценивает каждый вопрос относительно одного и того же состояния за один обмен данными.

Как работает вызов API d1

Каждый запрос состоит из 3 частей: модели, состояния (обычного текста или объекта JSON) и вопросов. Вызовы отправляются на POST https://api.liquid.ai/decisions/v1/systemone. Ключи можно получить на сайте console.liquid.ai; они начинаются с liquid_. Клиентские библиотеки — это typesafe-sdk от TypeSafe AI для Python и @typesafe-ai/sdk для 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

Зачем переносить вызовы LLM для классификации на d1

В руководстве по миграции перечислены конкретные отличия от LLM со структурированным выводом:

• Нет оплачиваемых выходных токенов: LLM взимает плату за вывод даже при получении метки из одного слова.
• Предсказуемая задержка: отсутствует цикл декодирования, который увеличивается вместе с длиной вывода.
• Нет ошибок схемы: ответы всегда соответствуют типу вопроса, поэтому некорректный JSON и повторные попытки не нужны.
• Полезная оценка неопределённости: вы получаете откалиброванные вероятности, а не самостоятельно названное моделью число.
• Меньше обменов данными: 3 последовательных вызова классификации превращаются в 1.

Вероятности делают пороговые значения практичными. В примере модерации Liquid блокирует результаты выше 0.8, разрешает результаты ниже 0.2, а промежуточный диапазон отправляет на проверку человеку. В примере маршрутизации при снижении уверенности маршрутизатора ниже 0.5 используется наиболее мощный уровень модели. Liquid также сообщает, что повторные оценки одних и тех же входных данных более согласованы между собой, что уменьшает количество смен вердикта.

Сохраняйте LLM для суммирования, подготовки черновиков, многораундового чата, генерации кода и сложных многошаговых рассуждений.

Демонстрация: Road Decider

Кулинарная книга Liquid с примером road-decider — это пиксельная гоночная игра на выживание. d1 использует вопрос Choice, чтобы на каждом такте принятия решения выбирать левую, центральную или правую полосу — примерно от 2 до 5 раз в секунду в зависимости от скорости игры. Приложение написано на ванильном JavaScript для Node.js 18+, а прокси Vite обеспечивает хранение ключа API на стороне сервера. В режиме «Jev vs d1» d1 соревнуется с typesafe/jev-1.13 от TypeSafe через OpenRouter. Самый полезный вывод касается проектирования состояния. Сводки по каждой полосе с указанием расстояния до первого препятствия обеспечили более уверенные решения, чем необработанная сетка дороги.

Интерактивное объяснение: d1 шаг за шагом

d1 и ближайшие конкуренты

d1 выходит на небольшой, но быстро развивающийся рынок негenerative моделей принятия решений. Ниже приведено сравнение опубликованных характеристик.

Данные проверены 29 сентября 2026 года по основным страницам каждого поставщика.

Главные выводы

• d1 возвращает типизированные решения с откалиброванными вероятностями и 0 выходных токенов.
• 3 примитива охватывают большинство задач с ограниченным набором вариантов: Noul, Choice и Score.
• Модель уже доступна через Liquid API как d1:free; весов для самостоятельного размещения нет.
• Лучше всего подходит для маршрутизации, модерации, первичной сортировки, переранжирования и замены LLM-as-judge.
• LLM следует сохранять для генерации, диалогов и многошаговых рассуждений.

Ознакомьтесь с документацией по моделям принятия решений, руководством по миграции и демонстрацией Road Decider. Все заслуги принадлежат исследователю этого проекта. Также подписывайтесь на нас в Twitter и не забудьте присоединиться к нашему сабреддиту о машинном обучении с более чем 150 тысячами участников и подписаться на нашу рассылку. Постойте! Вы пользуетесь Telegram? теперь к нам можно присоединиться и в Telegram.

Хотите сотрудничать с нами для продвижения своего репозитория GitHub, страницы на Hugging Face, релиза продукта, вебинара и т. д.? Свяжитесь с нами