一、这个模型和ChatGPT完全不一样
你可能以为Liquid AI又要卷一个聊天模型，但这家MIT孵化的小众公司，走了一条完全不一样的路。
2026年10月7日，Liquid AI正式开源了d1系列决策模型（d1 decision models），包含两款：
- d1-3B（3.12B参数）：接受文本+图像输入
- d1-omni-600M（587M参数）：接受文本+图像，或者文本+音频
最特别的是：它们不输出任何Token。
传统大模型（GPT、Claude、Gemini）是一个字一个字往外蹦”今天”→”天气”→”很”→”晴”，然后让应用代码去解析这段自然语言。d1系列直接给你一个校准后的结构化答案（比如”P(yes)=0.92″、”选A概率0.7″或”打分7分”），一次前向推理就完事。
Liquid AI定义了三种问题类型：
- noul（是非题）：返回P(yes)
- choice（选择题）：返回所有候选标签的完整概率分布
- score（评分题）：2~10级有序打分，返回概率加权评分
一次请求可以在同一个状态上并行问多条问题，所有响应都标注output_tokens: 0。这种范式被称为“Decision Model”（决策模型）——不生成文本，只返回结构化决策。
二、为什么这是AI能力边界的突破
过去两年，大模型的”军备竞赛”全部围绕”更大、更长、更会写”展开。但现实中30-40%的生产LLM调用（来源：techpulse.press）其实是分类、路由、意图识别这类不需要生成文本的任务。
传统LLM做这类任务有三大浪费：
- Token逐个生成导致延迟高（哪怕一个分类也要等几十~几百ms）
- 解析JSON/标签需要额外工程，容易出错
- 大模型回答不可预测，概率未校准难以直接做下游判断
d1系列把这三件事一次性解决：8ms出答案、结构化输出、自带校准概率。
三、实测速度：8ms跑完一道题
Liquid AI联合NVIDIA，在四款硬件上做了端到端延迟测试（数据来源：Liquid AI官方博客+theagentwatch）：
| 设备 | 单题延迟 | 三题延迟 | 384px图像 |
|---|---|---|---|
| NVIDIA RTX 4090（桌面GPU） | 8 ms | 21 ms | 17 ms |
| AMD MI325X | 9 ms | 14 ms | 18 ms |
| Jetson AGX Thor（机器人开发板） | 16 ms | 20 ms | 35 ms |
| Jetson AGX Orin 64GB | 26 ms | 35 ms | 83 ms |
| Jetson Orin Nano（$250小开发板） | 50 ms | 73 ms | 202 ms |
| Apple M5 Pro | 30 ms | — | — |
关键是，三道题同时问只比一道题慢1.3倍（Thor从16ms→20ms）。这意味着实际生产场景里，一条用户消息可以一次性判断”是投诉吗→选billing团队→紧急度评分8分”，全部一次返回。
对比传统LLM：哪怕GPT-6.1 Sol UltraFast tier，单次分类也要150ms+；在$250的Jetson Orin Nano上，d1-3B比云端LLM快至少50倍。
四、基准表现：小模型打败大模型12倍体量
在Decision Index v0.2.1（公开测试集）上：
| 模型 | 参数量 | Decision Index v0.2.1 | 文本基准平均分 |
|---|---|---|---|
| d1-3B | 3.12B | 48.57（第1，10B以下） | 82.9 |
| d1-omni-600M | 0.587B | 15.95 | 78.4 |
| Decider 35B-A3B | 34.7B（3B激活） | 47.11 | — |
| Decider 4B | 4.2B | 40.70 | 81.1 |
| Decider 2B | 2B | — | 77.1 |
| Winnow-12B | 12B | 50.02（唯一比d1-3B高的） | — |
d1-3B以3.12B参数击败了12倍体量的Decider 35B-A3B（34.7B），仅次于12B的Winnow。在文本基准测试（SQuAD 2.0 / Civil Comments / MASSIVE intent / PubMedQA / BoolQ / XNLI / PAWS-X）上，d1-3B平均82.9，是所有对比模型中最高。
注意：Decision Index v0.2.1分数由Liquid AI自己跑官方scorer得到，并非独立提交，dev48的TUN小组呼吁读者保留审视。
五、两款模型的架构区别
d1-3B（3.12B）——基于LFM2.5-VL-3B视觉语言模型改造（仅解码器架构），融合了LFM2.5-2.6B文本主干的权重，再用多种子+多数据混合微调后合并权重。视觉部分搭载400M SigLIP2 NaFlex视觉编码器，上下文窗口32768 Token。
d1-omni-600M（587M）——基于LFM2.5-Encoder-350M双向编码器，加入：
- 94M视觉编码器（LFM2.5-VL-450M）
- 112M音频编码器（17层FastConformer）
上下文16384 Token，音频片段≤30秒，一次请求可带图像或音频（不能同时含两者）。音频训练只覆盖英语说话人对助手的请求。
两者都内置到Llama.cpp（首日支持）、支持NVFP4量化，覆盖Apple Silicon、AMD、Qualcomm、NVIDIA全栈硬件。
六、6大真实落地场景
Liquid AI官方推荐d1用在这些场景（均为不需要生成文本的任务）：
- 客服工单分流：一条d1-3B调用，同时判断”是否退款申请”（noul）+”归哪个团队”（choice）+”紧急度1-10″（score）
- 边缘实时视觉质检：工厂流水线在Jetson AGX Thor上35ms/帧判读384px图像，质检、零件计数、缺陷识别
- 内容审核护栏：直播、UGC平台实时过毒性、违规、政治敏感内容
- 检索重排（Reranking）：RAG系统里给候选文档打分
- LLM-as-a-Judge打分：评估另一个LLM的输出质量
- AI代理安全护栏：Agent执行前的意图校验、动作授权判断
Liquid AI还做了10个实时Demo放在System One Arcade（Hugging Face Space），包括手势控制游戏、Isaac Sim机器人硬件在环测试、实时内容审核，全部跑在d1-3B上，一帧一次前向推理。
七、5个值得记住的关键事实
- 许可证：LFM Open License v1.0，年收入低于1000万美元的企业免费商用（年收入超1000万需联系授权）
- 下载平台：Hugging Face（d1-3B、d1-omni-600M两个仓库，附GGUF与w8a8量化）
- 依赖要求：transformers≥5.14，PyTorch、torchvision、Pillow，必须用trust_remote_code=True加载
- d1-omni-600M限制：实验性研究版本，无公开延迟数据，音频决策基准是开放问题未解决
- Decision Index v0.2.1分数：48.57（d1-3B）由Liquid AI自跑官方scorer，不是第三方独立验证
八、和传统LLM的5点关键差异
| 维度 | 传统LLM（GPT/Claude） | d1决策模型 |
|---|---|---|
| 输出 | 逐Token生成文本 | 结构化概率分布 |
| 延迟（边缘） | 云端数百ms | 边缘16-50ms |
| 解析工程 | 需要JSON parser、提示词模板 | 零解析，直接读取P值 |
| 概率校准 | 未校准，难做下游判断 | 自带校准，可直接做路由 |
| 典型场景 | 对话、写作、代码 | 分类、路由、审核、打分 |
九、5个常见疑问
Q1：d1-3B能聊天吗？
不能。d1系列不是聊天模型，不输出文本，只能返回结构化决策结果。如果你需要自然语言回答，仍然需要传统LLM。
Q2：和企业级API（GPT-6.1、Claude Sonnet 5.5）比起来怎么样？
d1不与这些模型正面竞争。它定位是边缘端、低延迟、结构化决策，替代的是传统分类器、规则引擎、轻量BERT蒸馏模型。它比传统LLM做分类快50倍以上、成本低到忽略。
Q3：开源协议限制商用吗？
LFM Open License v1.0允许年收入1000万美元以下的企业免费商用，超过则需向Liquid AI申请商业授权。这意味着初创公司和中小企业可以无门槛使用，大企业则需要走商业流程。
Q4：能在笔记本CPU上跑吗？
可以。Llama.cpp首日支持意味着在Apple Silicon（M5 Pro实测30ms）、AMD、Qualcomm、x86 CPU上都能本地部署，不需要GPU服务器。
Q5：会不会取代传统LLM？
不会。两者是互补关系：LLM负责生成自然语言、复杂推理；d1负责分类、路由、护栏等结构化决策。理想架构是“LLM生成 + d1决策”，例如用d1做客服意图路由，复杂问题再交给LLM生成回复。
十、为什么这条值得收藏
如果你在做AI产品，30-40%的LLM调用其实是在烧钱做分类。把这类任务切到d1-3B：
- 延迟降一个数量级（8ms vs 200ms+）
- 成本几乎为零（本地推理，不付API调用费）
- 准确率与12倍体量的大模型持平
- 隐私合规（数据不出本地）
这是2026年下半年边缘AI最值得关注的范式突破——大模型不一定要”更大”，”更小、更专、更快”反而打开了实时控制、机器人、车载、工业质检等过去LLM根本落不了地的场景。
📚 信息来源
- Liquid AI官方博客：Open d1 edge decision models（www.liquid.ai/blog/d1-open）
- Hugging Face模型卡：LiquidAI/d1-3B、d1-omni-600M（含GGUF）
- AICoder深度报道：Liquid AI open-sources Open d1（aicoder.com 2026-10-08）
- Meta AI Labs技术分析：d1 benchmark对比
- HyperAI超神经中文报道：d1系列多模态决策模型（2026-10-09）
本文为编辑独立撰写的AI新闻分析，所有数据点均来自上述公开来源，基准测试分数以官方发布的v0.2.1为准。d1-omni-600M为早期研究版本，模型能力仍在迭代。