10月15日,Liquid AI上线闭源旗舰决策模型d1-ultra。这是d1系列的第二步:10月7日他们开源了端侧d1-3B与d1-omni-600M,八天后再把商用闭源版挂上Liquid API,并预告即将进入Vercel与OpenRouter。时机踩得很准——Jev式决策模型9月爆火之后,OpenAI、微软相继入场,Liquid AI这步棋把「不写长文、只给判定」的赛道又推高了一档。
65分登顶,输入价0.042美元
据Liquid AI官方博客,d1-ultra在Artificial Analysis新设立的Decision Index上拿到65分,领先其余所有决策模型至少8分;中文分析媒体ic.work援引的榜单数据显示,Jev 1.13为58分,微软同类模型54分。官方称在112项评估中d1-ultra全面超过上代d1与Jev 1.14,并专门针对校准做了训练——他们发现多数决策模型过度自信,而d1-ultra输出的概率更可信。定价按输入token计,每百万0.042美元,零输出token。作为参照,开源版d1-3B已在RTX 4090上做到8毫秒应答,闭源版则把决策质量再抬一层。
省钱是卖点,计费是暗坑
零输出token不等于免单。官方计费文档写明:图像按每32×32像素块1.5个token计数,一张1024×1024的图就是1536个token;更关键的是,「每个问题都作为独立prompt计费,包含其携带的全部图像」。ic.work的分析算了笔账:在一张图上挂3个质检问题,这张图的1536个token就会被足额计费3次。单次请求最多8张图、1万个patch——极低单价遇上问题数乘数,复合业务场景里账单可能瞬间反噬。
开源版的成色与泛化雪崩
开源一侧的成绩单更冷静。ic.work指出,d1-3B在11个公开图像基准平均74.1分,只比基座LFM2.5-VL-3B的73.9高0.2;587M的d1-omni-600M在Decision Index仅15.95分,模态互斥,基本是仓促放出的早期检查点。更值得警惕的是「一次前向定生死」的泛化风险:工程实测中,该架构原型域内准确率77.3%,撞上未见过的域外分布直接跌到54.6%,接近抛硬币;同类竞品在Banking77上的校准误差达0.098,面对无信息输入仍自信输出0.9以上。自回归模型写错了还能回头改,单次直出的模型错过就是错过。
所以呢
d1系列的定位其实很清晰:当智能体门口的毫秒级分诊员——工单该给哪个团队、内容有没有风险,一次前向出结果,长上下文推理留给生成式主模型,这个分工成立。但若被0.042美元的价签吸引,直接让单次决策模型接管工业闭环,请记住:它不生成token,也不生成第二次机会。开源背景见Hugging Face博客。