Liquid AI发布d1决策模型：零输出Token、返回校准概率

专注结构化决策的新型AI范式

Liquid AI近日发布d1，一款明确区别于传统大语言模型（LLM）的「决策模型」（Decision Model）。它不生成文本，而是针对预定义的结构化问题集，在单次API调用中直接返回经校准的概率分布，且全程不产生任何输出token（usage.output_tokens = 0）。其目标场景直指当前被泛化LLM低效承接的高频任务：分类、工单路由、风险评分、内容审核、结果重排序，以及作为「LLM裁判」进行一致性判断。

三大核心原语：Noul、Choice与Score

d1通过三种标准化问题类型处理不同决策需求：

• Noul：二元判断，输出[0,1]区间内校准概率。例如对消息“Is this message a complaint?”返回0.999；
• Choice：从命名选项集中选出最优项，并同步返回完整概率分布与置信度。如双收费工单在“billing”类别上得分为0.9997；
• Score：依据有序量表（如0–3级紧急程度）输出概率加权位置值。一次生产中断事件评分为2.9995。

三类问题可混合提交，模型基于同一输入状态一次性完成全部评估，无需多次往返。

API调用方式与可用性

d1目前仅通过Liquid AI托管API提供，模型标识为`d1:free`，接入地址为`POST https://api.liquid.ai/decisions/v1/systemone`。API密钥需在console.liquid.ai获取（前缀为`liquid_`）。官方推荐使用TypeSafe AI提供的SDK：Python端为`typesafe-sdk`，TypeScript端为`@typesafe-ai/sdk`。示例代码显示，仅需传入文本状态与Noul问题，即可获得精确到千分位的概率值。

值得注意的是，d1被明确标注为「API only & not trainable」——Liquid AI未发布GGUF、MLX或ONNX格式权重，用户无法本地部署或微调。

迁移至d1的五大实际优势

Liquid AI在迁移指南中对比了d1与LLM执行同类结构化任务的差异：

• 零输出计费：LLM即使只输出单字标签也产生token费用，d1完全规避；
• 确定性延迟：无自回归解码循环，响应时间不随输出长度增长；
• 零Schema错误：答案严格匹配预设类型，彻底消除JSON解析失败与重试开销；
• 可信不确定性：提供统计校准后的概率，而非LLM自我宣称的置信度；
• 减少交互次数：3个串行分类请求可压缩为1次并行调用；

此外，概率输出使阈值策略切实可行：例如审核场景中>0.8自动拦截、<0.2放行、中间段交人工；路由场景中若置信度跌破0.5，则降级至更高能力模型处理。Liquid AI还指出，d1对同一输入的重复评估结果一致性显著优于LLM，有效降低「判决翻转」（verdict flips）。

实战演示与竞品对比

Liquid AI提供了「Road Decider」像素风赛车Demo：d1每秒2–5次以Choice原语实时选择左/中/右车道，状态设计强调语义摘要（如各车道距障碍物距离）而非原始像素网格，显著提升决策置信度。该应用采用纯JavaScript + Node.js 18+构建，Vite代理确保API密钥安全驻留服务端。

在竞品横向对比中，d1与TypeSafe Jev 1.13、Convai Laya、AutoTrust JEV-27B同属新兴「非生成式决策模型」赛道。关键差异在于：d1与Jev均仅提供API访问，而Laya与JEV-27B开源权重；d1与Jev均支持全部三类原语，Laya仅支持Choice（2–16选项）与Score（0–5级），JEV-27B则兼具决策与文本生成能力；d1上下文窗口长度未公开，而Jev为32K token，Laya为512/1024 token（英/多语），JEV-27B达4096 token。