Liquid AI 今天发布了 d1-ultra，一款多模态决策模型，官方称其“为困难决策问题而生”。它在 Artificial Analysis 决策指数上拿下 65 分，排名第一，并在 112 项评估的全部八个类别中领先。


## 决策模型是什么

传统大语言模型（LLM）逐字生成文本，决策模型走的是另一条路：它接收文本、图像或二者兼有，只做一次前向传播，直接输出每个可能答案的概率，不生成任何 token。比如“这张电路板有没有缺陷？”返回 0.98；“这封邮件该转给哪个部门？”返回各分类的概率分布。

d1-ultra 支持三种问题类型：

- **noul**：是/否问题，返回 0 到 1 的概率。

- **choice**：从多个选项里选一个，返回每个标签的概率。

- **score**：按有序量表打分，返回概率加权的位置。

## 关键是校准

Liquid AI 特别强调：大多数决策模型会过度自信。d1-ultra 专门针对概率校准做了训练，官方说法是“当它说 90% 时，实际正确率至少 90%”。这意味着你可以设定一个阈值，比如 0.95 以上自动处理，以下转人工。


## 它如何处理“脏活”

d1-ultra 的目标不是聊天，而是那些“又难又乱”的实际场景。官方放了三个演示视频。

第一个：垃圾分类。模型实时识别传送带上的垃圾，给出塑料、金属、玻璃等类别。

第二个：宝可梦对战。模型观察战局，为每个可用行动分配概率，比如“该派谁上场”选择妙蛙花的概率为 79.6%。

第三个：商品列表审核。模型将商品图片与描述对比，找出“袖子长度不符”这类错误，并标记 100% 的不匹配概率。

## 性能提升在哪

相比上一代 d1，d1-ultra 基于更大的开放权重模型，并做了大量自定义改造。提升最明显的是需要专业知识的任务：判断哪个答案更好、应用专家知识、使用工具和代理、跨 44 种语言工作。


## 价格与可用性

d1-ultra 今天起在 Liquid API 上线，价格是每百万输入 token 0.042 美元。它没有输出 token，费用只按输入计算。图像按 patch 计费：1.5 token/32×32 patch，一张 1024×1024 的图片约 1,536 token。

调用示例：

```python

import base64, os, requests

image = base64.b64encode(open("board.jpg", "rb").read()).decode()

response = requests.post(

"https://api.liquid.ai/decisions/v1/systemone",

headers={"Authorization": f"Bearer {os.environ['LIQUID_API_KEY']}"},

json={

"model": "d1-ultra",

"images": [f"data:image/jpeg;base64,{image}"],

"state": "Camera image of a circuit board on the production line.",

"questions":

{"defect": {

"type": "noul",

"instructions": "Does this circuit board have a defect?"

}

},

},

)

print(response.json()["answers"]["defect"]["noul"])

```

这里用的是 noul 问题类型，返回 0 到 1 的概率。完整 API 参考见[决策模型文档](https://docs.liquid.ai/lfm/models/decision-models)。

d1-ultra 很快还会通过 OpenRouter 和 Vercel 提供。有网友在回复中问是否会开源，官方尚未回应。

想亲手试试的话，可以去 [d1 Playground](http://d1.liquid.ai/)，里面还有用决策模型玩 Pac-Man、Doom、Wordle 的示例。