Liquid AI 发布 d1 决策模型：零输出Token，直接返回校准概率，专为分类、工单路由设计

Liquid AI 正式发布 d1，一款面向结构化选择而非文本生成的决策模型。输入上下文与自定义类型问题，模型在单次API调用内输出校准后的概率，输出token数量为0。目标承接原本交给通用大模型处理的固定选项任务：分类、工单路由、内容审核、打分、重排序、LLM裁判评估等场景。

• 模型页面: https://docs.liquid.ai/lfm/models/decision-models
• 使用指南: https://docs.liquid.ai/guides/decision-model-guide
• GitHub: https://github.com/Liquid4All/cookbook/tree/main/examples/road-decider

d1现已上线托管API，模型标识d1:free；仅支持线上API调用，不提供GGUF、MLX、ONNX权重，无法本地自托管，不支持微调。

10月6日更新：

Liquid AI正式推出带视觉能力的d1决策模型，这是该团队首款决策模型，支持纯文本、图像或者图文混合输入。

d1和传统大语言模型完全不是一类设计：它不逐词生成文本，一次前向传播直接输出判定概率，输出Token数量为0。纯文本类决策任务延迟仅200~300ms，速度极快。

Liquid在六项真实场景任务中将d1和GPT-6.1 Sol、Claude Opus 5.5做对照测试，场景包含工单过滤、电路板质检等；d1在其中四项任务持平或超越GPT-6.1 Sol。成本优势突出，价格比GPT-6.1 Sol、Claude Opus 5.5低19倍至200倍，所有任务响应速度都更快。

核心能力

1. 结构化决策输出

支持三类判定问题：是/否、多选项选择、打分评估，直接返回校准后的概率值，适合工单分流、内容审核、路由判定、模型打分这类任务。

2. 视觉质检

可直接读取摄像头图片完成零部件检测，VisA数据集四类检测任务（电路板、蜡烛、腰果、口香糖）准确率达到85%~97%。无需针对任务做专项微调，只依靠简短任务描述就能识别缺陷。

3. 游戏画面视觉决策

直接读取游戏截图，输出下一步动作：

• 俄罗斯方块：屏幕视觉输入后，消除行数从70提升至81
• Wordle：12局全部通关，平均仅需3.8次猜测；直接读取截图棋盘，不需要额外导出文本棋盘信息

什么是决策模型

决策模型基于给定信息，从调用前预先定义的候选集合中输出类型化判断，不会生成文本，接口返回usage.output_tokens始终为0。

官方迁移指南给出划分原则：答案属于有限已知选项集合，选用决策模型；需要拼接生成全新字符串，继续使用传统生成式LLM。

三大基础原语：Noul、Choice、Score

1. Noul：是非类判断，返回0~1概率值。例如判断消息是否投诉，输出0.999。
2. Choice：从候选列表挑选结果，输出最优选项、完整概率分布与置信度。如账单重复扣费工单，匹配billing分类置信0.9997。
3. Score：在有序评分标尺上打分，返回概率加权分值，索引从0开始。4级紧急度标准范围0~3，生产中断场景可输出2.9995。

单次请求能够混合多种原语，模型在一轮调用并行评估全部问题。

d1 API调用逻辑

请求由模型标识、状态（纯文本/JSON）、问题三部分组成，接口地址：POST [https://api.liquid.ai/decisions/v1/systemone](https://api.liquid.ai/decisions/v1/systemone)
密钥在console.liquid.ai获取，以liquid_开头；配套SDK为TypeSafe AI的typesafe-sdk（Python）与@typesafe-ai/sdk（TypeScript）。

from typesafe_sdk import TypeSafeClient, Noul
client = TypeSafeClient(api_key=os.environ["LIQUID_API_KEY"],
                        base_url="[https://api.liquid.ai](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

相比带结构化输出LLM的核心优势

• 不计输出token费用：传统LLM哪怕仅输出单个标签，也要收取输出token费用；
• 延迟稳定：不存在逐token解码，延迟不会随输出长度增加；
• 无Schema解析错误：输出严格匹配定义类型，消除畸形JSON、重试开销；
• 输出不确定性信息：返回校准概率，不是模型自报的置信数字；
• 减少接口轮次：多个串行分类任务合并单次调用。

概率输出方便设置分层阈值：例如内容审核，0.8以上直接拦截、0.2以下放行，中间区间流转人工复核；工单路由在置信度低于0.5时，降级使用更强的生成大模型兜底。

同时同一输入重复评估结果一致性更高，减少裁决翻转问题。

适用边界：摘要、文案起草、多轮对话、代码生成、复杂长链推理，依然交给生成式LLM。

Demo：Road Decider像素赛车演示

Liquid提供road-decider示例项目，像素风生存赛车游戏。d1通过Choice任务选择左/中/右车道，每帧决策2~5次每秒。基于Node.js18+原生JS，Vite代理保护API密钥。内置对战模式，d1可与TypeSafe Jev 1.13在OpenRouter上竞速。实践发现，传入车道障碍物距离摘要，比原始道路网格图像，决策置信度更高。

竞品横向对比

数据采集时间：2026-09-29，查阅各厂商官网。

核心要点总结

1. d1为决策模型，输出带校准概率，输出token等于0；
2. Noul、Choice、Score三类原语，覆盖绝大多数有限选项判定任务；
3. 当前可使用d1:freeAPI，无模型权重，无法本地部署；
4. 最佳场景：工单路由、内容审核、分类、重排序、替代LLM裁判；
5. 生成写作、聊天、多步复杂推理场景，继续使用生成式大模型。