Liquid AI випустила d1: модель ухвалення рішень, що повертає калібровані ймовірності з нульовою кількістю вихідних токенів

Liquid AI випустила d1 — модель прийняття рішень, створену для структурованого вибору, а не генерації тексту. Ви надаєте їй контекст і набір типізованих запитань. Вона повертає калібровані ймовірності для фіксованого набору результатів за один виклик, без жодного згенерованого токена. Мета — завдання, які багато команд досі доручають універсальним LLM: класифікація, маршрутизація заявок, оцінювання, модерація, повторне ранжування та перевірки LLM-as-judge.

Чи придатна вона до розгортання? Так, уже сьогодні — як розміщений API. d1 працює в Liquid API під назвою моделі d1:free. У бібліотеці моделей Liquid зазначено, що вона доступна лише через API і не підлягає навчанню, тож ваг GGUF, MLX або ONNX для самостійного розміщення немає.

Що таке модель прийняття рішень?

Модель прийняття рішень оцінює ситуацію та повертає типізовану відповідь із варіантів, визначених вами до виклику. Вона не пише текст. У кожній відповіді usage.output_tokens дорівнює 0. У посібнику з міграції Liquid наведено просте правило: якщо відповідь є одним із N відомих варіантів, використовуйте модель прийняття рішень. Якщо модель має сформувати новий рядок, залишайтеся з LLM.

3 примітиви: Noul, Choice і Score

• Noul — це запитання «так/ні», яке повертає ймовірність від 0 до 1. У прикладі Liquid запитання «Чи є це повідомлення скаргою?» повернуло 0.999.
• Choice обирає один варіант із названого набору. Вона повертає найкращий варіант, повний розподіл і значення confidence. Заявка про подвійне списання отримала 0.9997 для варіанта «платіжні питання».
• Score оцінює вхідні дані за впорядкованою шкалою та повертає позицію, зважену за ймовірністю. Рівні індексуються від 0, тому 4-рівнева шкала терміновості охоплює значення від 0 до 3. Виробничий збій отримав 2.9995.

Ви можете поєднати всі 3 типи в одному запиті. Модель оцінює кожне запитання щодо одного й того самого стану за один обмін даними.

Як працює виклик API d1

Кожен запит має 3 частини: модель, стан (звичайний текст або об’єкт JSON) і запитання. Виклики надсилаються на POST https://api.liquid.ai/decisions/v1/systemone. Ключі отримують на console.liquid.ai; вони починаються з liquid_. Клієнти — це typesafe-sdk від TypeSafe AI для Python і @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

Навіщо переносити виклики класифікації LLM до d1

У посібнику з міграції наведено конкретні відмінності порівняно з LLM зі структурованим виведенням:

• Вихідні токени не оплачуються: LLM стягує плату за вихідні дані навіть для однослівної мітки.
• Передбачувана затримка: немає циклу декодування, який збільшується разом із довжиною вихідних даних.
• Відсутність помилок схеми: відповіді завжди відповідають типу запитання, тому некоректний JSON і повторні спроби зникають.
• Корисна невизначеність: ви отримуєте калібровані ймовірності замість числа, названого самою моделлю.
• Менше обмінів даними: 3 послідовні виклики класифікації перетворюються на 1.

Ймовірності роблять порогові значення практичними. У прикладі модерації Liquid блокує значення понад 0.8, дозволяє значення нижче 0.2, а проміжний діапазон передає на перевірку людині. У прикладі маршрутизації, якщо впевненість маршрутизатора падає нижче 0.5, система переходить до найпотужнішого рівня моделей. Liquid також зазначає, що повторні оцінювання одного й того самого вхідного сигналу є більш узгодженими, що зменшує кількість змін вердикту.

Залишайте LLM для підсумовування, підготовки чернеток, багатотурового чату, генерації коду та складних багатокрокових міркувань.

Демонстрація: Road Decider

Кулінарна книга Road Decider від Liquid — це піксельний survival-рейсер. d1 використовує запитання Choice, щоб на кожному такті прийняття рішення обирати ліворуч, по центру або праворуч — приблизно від 2 до 5 разів на секунду залежно від швидкості гри. Застосунок написаний на ванільному JavaScript для Node.js 18+, а проксі Vite зберігає ключ API на стороні сервера. У режимі «Jev проти d1» d1 змагається з typesafe/jev-1.13 від TypeSafe через OpenRouter. Найкорисніший урок стосується структури стану. Підсумки для кожної смуги із зазначенням відстані до першої перешкоди забезпечили впевненіші рішення, ніж необроблена сітка дороги.

Інтерактивне пояснення: d1 крок за кроком

d1 проти найближчих конкурентів

d1 входить до невеликої, але швидкозростаючої категорії негenerative моделей прийняття рішень. Ось як вона порівнюється за опублікованими характеристиками.

Дані перевірено 29 вересня 2026 року на основі основної сторінки кожного постачальника.

Основні висновки

• d1 повертає типізовані рішення з каліброваними ймовірностями та 0 вихідних токенів.
• 3 примітиви охоплюють більшість завдань із обмеженим набором варіантів: Noul, Choice і Score.
• Розгортання вже доступне через Liquid API як d1:free; ваг для самостійного розміщення немає.
• Найкраще підходить для маршрутизації, модерації, первинного розподілу, повторного ранжування та заміни LLM-as-judge.
• Залишайте LLM для генерації, спілкування та багатокрокових міркувань.

Ознайомтеся з документацією Decision Models, посібником із міграції та демонстрацією Road Decider. Уся подяка належить досліднику цього проєкту. Також підписуйтеся на нас у Twitter і не забудьте приєднатися до нашого субредиту про машинне навчання зі 150 тисячами+ учасників та підписатися на нашу розсилку. Зачекайте! Ви є в Telegram? тепер ви також можете приєднатися до нас у Telegram.

Потрібно стати нашим партнером для просування вашого репозиторію GitHub, сторінки Hugging Face, випуску продукту, вебінару тощо? Зв’яжіться з нами