Liquid AI 新模型直接输出决策概率
Liquid AI 发布 d1.2 和 d1.2-ultra,可接收文本、图像和音频,并以零输出 token 的方式返回校准概率。据报道,d1.2-ultra 在 Artificial Analysis Decision Index v2.1 中得分为 75。
AI 深度解读
Liquid AI 发布的 d1.2 和 d1.2-ultra,适合处理「识别、提取、分类、判断」这类有明确答案结构的任务。它们接收文本、图片和音频,返回选项概率或指定类型的结果,生成的输出 token 为 0,只对输入计费。
这次更新的看点有两个:新增 5 类答案,以及 d1.2-ultra 在 AA Decision Index v2.1 上拿到 75 分。不过,榜单成绩、厂商自测和实际业务效果需要分开看,尤其不能把低校准误差直接理解成高准确率。
决策模型适合接进哪类业务流程
普通生成模型通常先写出一段内容,再由程序解析。决策模型把答案结构提前限定好,例如选择标签、提取日期、定位对象,让服务端直接消费结果。
d1.2 新增的 5 类任务,把用途从选答案扩展到了结构化提取:
| 任务类型 | 返回什么 |
|---|---|
读取值 text、number、date |
值及其对应的原文字符;找不到时返回「not found」 |
查找片段 spans |
所有匹配内容及位置,例如姓名、邮箱 |
定位对象 box、boxes |
单个矩形框,或每个实例的框与数量 |
数值估计 number with range |
最佳估计与范围,例如估计 12,范围 10 到 14 |
多选 choice with multiple |
每个匹配标签及各自的概率 |
这里有个容易忽略的区别:读取票据金额,应当定位已有数值;估计物体数量,则允许给出区间。接 API 前,要先确定业务需要哪一种答案。
两个模型共用请求格式和端点,模型 ID 为默认的 d1.2 与 d1.2-ultra。原文称前者更快,价格不到后者一半;后者面向更难的决策。旧版 d1、d1.1、d1-ultra 已弃用,不支持音频和新增任务。
75 分之外,更该看概率是否可信
AA Decision Index v2.1 包含 6 项评测:AA-Paperclip 占 30%;EvalSafe-O*NET-AA、AA-Omniscience-Decision v1.1、HLE-MultiChoice v1.1、AA-Symmetry v1.1 各占 15%;When2Call 占 10%。评分会惩罚高置信度的错误答案。
按 Liquid AI 分享的榜单,d1.2-ultra 得到 75 分,Drex Max v1.1、SubQ Snap 1.2、GLiDE v1.2 均为 73 分。d1.2 得到 69 分,比已弃用的 d1-ultra 的 71 分低 2 分。因此,「新版本」并不代表综合分数一定更高。
概率校准(calibration)回答的是另一个问题:模型反复给出 80% 的把握时,实际是否约有 80% 答对。它决定了置信度能否用来设置人工复核门槛。
校准误差低,不等于错误率低。
Liquid AI 在 13 个基准、22,505 道问题上报告:d1.2-ultra 的校准误差为 0.8 个百分点,d1.2 为 1.2;Perplexity Decider v1.3 为 3.7,GPT-6 Luna(Decisions API)为 7.2,TypeSafe Jev 1.14 为 2.7。这组数据来自厂商自测,不能直接当作独立验证。
新增任务同样使用公共数据集的留出集评测,原文称目前还没有对应的公共基准:
| 任务与数据集 | d1.2-ultra | d1.2 |
|---|---|---|
| 票据取值,CORD、SROIE | 98% | 96% |
| 个人信息识别,Nemotron PII,精确率/召回率 | 94%/93% | 92%/88% |
| 对象定位,RefCOCO、RefCOCO+、RefCOCOg | 94% | 94% |
| 对象计数,COCO,误差不超过 1 | 93% | 92% |
| 多标签选择,COCO | 87% | 90% |
多标签任务里,便宜的 d1.2 反而领先。选型应该看具体任务,不能只看型号后缀。
音频既能作为判断对象,也能承载口述问题。API 接收 16-bit PCM WAV,每秒按 10 tokens 计算。在 ESC-50 和覆盖 43 种语言的 FLEURS 留出录音上,两款模型的答题正确率为 95% 到 97%;原文没有进一步给出分语言结果。
价格很低,但请求限制要先算清
d1.2 每百万输入 tokens 收费 $0.02,d1.2-ultra 为 $0.042,输出费用均为 $0。新组织可在 Liquid Console 获得 $2 免费额度。
图片每个 32×32 patch 按 1.5 tokens 计算,一张 1024×1024 图片为 1,536 tokens。同一调用里的共享状态和媒体只计费一次,新增问题只增加自身的 tokens,适合围绕同一份材料批量提问。
端点是 https://api.liquid.ai/decisions/v1/systemone,限制包括:
- 每个问题最多输入 65,536 tokens,每次调用最多 128 个问题,请求体最多 4.5 MB。
- 每次最多 8 张图片,但使用
box、boxes时必须恰好提供 1 张。 - 每次最多 8 段音频,总时长最多 300 秒。
价格也不是唯一差别。原文对照中,Drex Max v1.1 每百万输入 tokens 为 $0.03,Decider v1.3 为 $0.02,Jev 1.14 为 $0.042;它们的 AA 指数分别为 73、70、66。Drex 和 Decider 的输入上限均为 262,144,Jev 为 65.5K。三者输出费用也都为 $0。
部署约束更直接:d1.2 系列目前只能使用托管 Liquid API,参数量未披露,没有公开权重,也没有延迟数据。Liquid AI 表示未来会开放权重,但没有日期。相比之下,原文列出的 Decider v1.3 基座为 Qwen3.8-27B,权重采用 Apache 2.0;Drex v1.1 权重未发布,Jev 为专有权重。
我的判断
我认可它把「答案结构」和「概率可信度」放到产品中心。对于票据提取、内容分类、个人信息定位,业务真正需要的是可处理的结果,以及何时该转人工。
但榜单第一有明确范围:这是原文所引榜单中的决策模型排名。新增任务和校准数据来自 Liquid AI 自测,缺少独立对照;「同价位没有更高分模型」也是厂商主张。
与通用模型的结构化输出相比,这类 API 的吸引力在于明确的任务类型、概率和计费方式。原文没有给出两者在真实业务中的成本、延迟和失败率对照,因此还不足以证明替换收益。对需要本地部署的团队,当前没有权重就是实际限制。
能拿来做什么
- 在 Node 服务里挑一条已有的分类或提取流程试接,使用真实业务样本核对准确率、缺失值和格式异常,再决定是否替换。
- 为低置信度结果设置人工复核入口,并用自己的标注数据检查概率是否可信,别直接照搬厂商的校准结论。
- 对同一张票据或同一段音频合并多个问题,利用媒体只计费一次的规则,同时检查请求体、图片数量和音频时长限制。
- 分别测试 d1.2 与 d1.2-ultra,按任务效果和实际响应时间选型;多标签任务尤其值得先试价格更低的 d1.2。