Liquid AI发布开源决策模型d1-3B与d1-omni-600M

开源发布：零token输出的多模态决策模型

Liquid AI近日发布Open d1系列两个开源权重模型——d1-3B与d1-omni-600M，隶属其新型「决策模型」（decision model）产品线。与传统大语言模型不同，二者不生成文本，而是针对预定义问题集，对同一输入状态（state）进行单次前向传播，直接输出带类型标注的校准概率结果，且明确报告`output_tokens: 0`。模型已开放下载，托管于Hugging Face，兼容Transformers库，并提供开箱即用的llama.cpp支持。商业使用受LFM Open License v1.0约束：年营收低于1000万美元的企业可免费使用。

决策模型的本质：从生成到判定

Liquid AI将「决策模型」明确定义为：接收一个状态（如用户消息、截图、语音片段）及一组命名问题（如“是否应退款？”“归属哪个支持团队？”“紧急程度如何？”），一次性读取全部输入，直接返回每个问题对应选项的完整概率分布。其支持三类问题：`noul`（二元判断，输出P(yes)）；`choice`（多选一，输出各选项概率）；`score`（在2–10级有序量表上输出概率加权位置）。多个问题可共享同一输入状态，显著提升推理效率。官方明确指出，d1系列并非聊天模型，不适用于自由对话场景，而专精于路由、内容审核、意图分类、重排序、LLM-as-a-judge打分、智能体安全护栏及视觉检测等确定性任务。

架构设计：轻量化与多模态融合

d1-3B含3.12B参数，基于LFM2.5-VL-3B（纯解码器视觉语言模型）构建：先将LFM2.5-2.6B文本主干权重与该VL模型平均，再经多轮不同种子与数据配比的微调，最终融合得到。其采用400M参数SigLIP2 NaFlex视觉编码器，上下文长度达32,768 token。实验表明，长输入处理、答案选项随机排序及消除数据捷径（data shortcuts）的效果，远超复杂训练技巧。

d1-omni-600M含587M参数，基于LFM2.5-Encoder-350M双向编码器架构，包含381M共享主干与决策头、94M视觉编码器及112M音频编码器（17层FastConformer）。上下文为16,384 token，音频输入上限30秒，且单次请求仅支持图像或音频之一（不可同时）。音频训练数据限定为英语人机交互指令。

性能与部署实测：边缘实时可用

在Decision Index v0.2.1基准中，d1-3B得分为48.57，超越所有10B以下模型，并小幅领先Decider 35B-A3B（47.11），仅次于Winnow-12B（50.02）；在Tools与Arts子项中位列第一。d1-omni-600M在Civil Comments（95.8）与PAWS-X（79.5）上表现最佳。硬件实测显示：在RTX 4090上单问题端到端延迟仅8ms（启用`model.compile(mode="reduce-overhead")`），Jetson AGX Thor为16ms，Orin Nano为50ms；三问题并发仅增加4ms延迟，验证其高吞吐低延迟特性。NVIDIA Jetson AI Lab已同步上线d1-3B部署指南。

应用场景：从客服工单到边缘视觉检测

典型用例包括：支持工单自动分流——单次调用即可同步完成退款判定、责任团队识别与紧急度评分；Jetson AGX Thor上35ms内完成384px图像分析，支持实时摄像头帧级内容审核与手势控制；d1-omni-600M可在资源受限设备上直接解析30秒语音+文本输入，输出用户意图或主题，适用于语音命令路由与智能体执行前的安全校验。

编者观点

对中国AI初创企业与边缘计算厂商而言，d1系列揭示了一条差异化路径：放弃通用生成能力，聚焦垂直场景的「判定即服务」（Decision-as-a-Service），通过结构化输出、零token解析与全栈硬件协同优化，在实时性、可靠性与部署成本间取得新平衡。