Liquid AI发布d1决策模型：零token输出结构化决策

Liquid AI 发布了 d1，一个专为结构化决策而非文本生成而构建的决策模型。你给它上下文和一组带类型的问题，它在单次调用中返回一个固定结果集上的校准概率，生成 token 数为零。其目标是许多团队仍在交给通用 LLM 的工作：分类、工单路由、评分、内容审核、重排序以及 LLM-as-judge 检查。

它可以部署吗？

可以，今天就可以通过托管 API 部署。d1 运行在 Liquid API 上，模型名称为 d1:free。Liquid 的模型库将其列为仅 API 访问、不可训练，因此没有 GGUF、MLX 或 ONNX 权重可供自托管。

什么是决策模型？

决策模型评估一个场景并返回你在调用前定义的可选类型答案。它不写文本。在每次响应中，usage.output_tokens 为 0。Liquid AI 的迁移指南给出了一个简单规则：如果答案是 N 个已知选项之一，使用决策模型；如果模型需要组成一个新字符串，保留你的 LLM。

三种原语：Noul、Choice 和 Score

Noul 是一个是/否问题，返回 0 到 1 之间的概率。在 Liquid 的示例中，"这条消息是投诉吗？"返回了 0.999。

Choice 从一个命名集合中选择一个选项。它返回最优选择、完整分布和一个置信度值。一个双重扣费工单在"账单"上得了 0.9997 分。

Score 按有序评分标准对输入进行评级，并返回概率加权位置。等级从 0 开始索引，因此 4 级紧急度评分标准跨越 0 到 3。一次生产故障得了 2.9995 分。

你可以在一次请求中混合使用这三种类型。模型在一次往返中对相同状态评估每个问题。

d1 API 调用如何工作

每个请求有三个部分：模型、状态（纯文本或 JSON 对象）和问题。调用发送到 POST https://api.liquid.ai/decisions/v1/systemone。密钥来自 console.liquid.ai，以 liquid_ 开头。客户端是 TypeSafe AI 的 typesafe-sdk（Python 版）和 @typesafe-ai/sdk（TypeScript 版）。

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

为什么要将 LLM 分类调用迁移到 d1

迁移指南列出了与带结构化输出的 LLM 的具体差异：

• 无计费输出 token：LLM 即使对一个单词标签也会计收输出费用。
• 可预测的延迟：没有随输出长度增长的解码循环。
• 无格式错误：答案始终符合问题类型，因此格式错误的 JSON 和重试消失了。
• 可用的不确定性：你得到的是校准概率，而非自报告数字。
• 更少的往返次数：3 个顺序分类调用变成 1 个。

概率使阈值变得实用。Liquid 的内容审核示例在高于 0.8 时阻止，低于 0.2 时放行，将中间地带发送给人工审核。其路由示例在路由器置信度低于 0.5 时回退到能力最强的模型层级。Liquid 还表示，对相同输入的重复评估更加一致，这减少了判决翻转。

保留 LLM 用于摘要撰写、起草、多轮对话、代码生成和复杂多步推理。

实践案例：像素风生存赛车

Liquid 的road-decider cookbook 是一个像素艺术生存赛车游戏。d1 在每个决策时刻使用一个 Choice 问题来选择左、中或右，根据游戏速度大约每秒 2 到 5 次。该应用是基于 Node.js 18+ 的原生 JavaScript，带有保持 API 密钥在服务器端的 Vite 代理。一个"Jev vs d1"模式让 d1 与通过 OpenRouter 的 TypeSafe 的 typesafe/jev-1.13 竞速。最有用的教训是关于状态设计。每车道的摘要加上到第一个障碍物的距离，产生了比原始道路网格更自信的决策。

交互式解析：d1 逐步解析

d1 与最接近的竞品

d1 进入了一个小型但快速发展的非生成式决策模型类别。以下是其在已发布功能上的对比。

功能	Liquid AI d1	TypeSafe Jev 1.13	Convai Laya	AutoTrust JEV-27B
访问方式	仅 Liquid API	OpenRouter API	开源权重	开源权重
原语	Noul, Choice, Score	Noul, Choice, Score	Noul, Choice, Score	True/false, Choice (2 到 16), Score (0 到 5)
输出 token	0	0（输出按 $0 计费）	0 用于决策；也可生成文本	0
上下文窗口	未公布	32K tokens	512（英语）、1,024（多语言）	4,096 tokens
模型大小	未披露	未披露	421M（英语）、322M（多语言）	27B 主干，108.9M 可训练
定价	d1:free 层级；付费费率未公布	每百万输入 token $0.042	自托管	自托管
许可	托管 API	托管 API	Apache 2.0	Apache 2.0
微调	不可训练	未记录	支持	支持（LoRA 适配器）
SDK	TypeSafe SDK（Python, TS）	TypeSafe SDK, OpenRouter SDKs	Hugging Face	Hugging Face

数据截至 2026 年 9 月 29 日，来源为各厂商主站。

总结

• d1 以校准概率和 0 个输出 token 返回类型化决策。
• 三种原语覆盖大多数有界任务：Noul、Choice 和 Score。
• 可通过 Liquid API 作为 d1:free 现已部署；无可自托管权重。
• 最佳适用场景：路由、内容审核、分诊、重排序和 LLM-as-judge 替代。
• 保留 LLM 用于生成、对话和多步推理。

查看 Decision Models 文档、迁移指南和 Road Decider 演示。 所有荣誉归于该项目的研究者。此外， 敬请关注我们的 Twitter， 别忘了加入我们的 15 万+ ML SubReddit 并订阅我们的Newsletter。等一下！你在用 telegram 吗？现在你也可以加入我们了。

需要与我们合作推广你的 GitHub 仓库 或 Hugging Face 页面 或产品发布 或网络研讨会等？联系我们

Asif Razzaq 是 Marktechpost AI Media Inc. 的 CEO。作为一位有远见的企业家和工程师，Asif 致力于利用人工智能的潜力为社会公益服务。他最近的举措是推出了一个人工智能媒体平台 Marktechpost，该平台以其对机器学习和深度学习新闻的深入报道而著称，内容既技术严谨又通俗易懂。该平台每月浏览量超过 200 万次，展示了其在受众中的受欢迎程度。