Компания Liquid AI выпустила новый класс моделей — decision models, созданные не для генерации текста, а для структурных решений. Первая модель семейства называется d1 и доступна по API бесплатно как d1:free: она принимает состояние задачи в виде обычного текста или JSON и за один вызов возвращает вероятности по заранее заданным вариантам ответа, не порождая ни одного выходного токена. Разработчики позиционируют d1 как замену генеративным LLM там, где ответ заведомо выбирается из известного набора — в классификации, маршрутизации и скоринге.
Что произошло
Модель d1 открыта на эндпоинте https://api.liquid.ai/decisions/v1/systemone. По контракту API на вход подаётся состояние задачи (state), а в ответе содержатся только заявленные как откалиброванные вероятности по заранее заданным вариантам; при этом поле usage.output_tokens всегда равно нулю. Поддерживаются три примитива вопросов: Noul — да или нет с вероятностью от 0 до 1, Choice — выбор одного варианта с полным распределением вероятностей и полем confidence, Score — оценка на упорядоченной шкале, вычисляемая как взвешенная по вероятностям позиция. Несколько вопросов можно смешивать и выполнять в одном запросе, поэтому три последовательных классификационных вызова сливаются в один. Ответ всегда соответствует типу вопроса — эта гарантия тоже зафиксирована в контракте, поэтому ошибок схемы разбора не бывает.
Контекст
Сегодня классификация, маршрутизация обращений, скоринг и модерация обычно выполняются генеративными LLM: модель тратит платную генерацию токенов, чтобы произнести ярлык из заранее известного набора вариантов, после чего вывод нужно разбирать, а при ошибке формата — переспрашивать. d1 решает ту же задачу в дискриминативной постановке: гарантия нуля выходных токенов указывает на вероятностную голову поверх модели вместо авторегрессионной генерации, хотя конкретная архитектура и метод обучения в открытых источниках не раскрыты. Параллельно рынок структурных решений оформляется как отдельный сегмент рядом с текстовыми LLM: с теми же примитивами работают TypeSafe Jev 1.13, доступная через OpenRouter, Convai Laya с открытыми весами под лицензией Apache 2.0 и AutoTrust JEV-27B.
Почему это важно для индустрии
Для индустрии d1 — это новый API-примитив, а не просто ещё одна модель: классификация, маршрутизация тикетов, скоринг и модерация переезжают из генерации токенов с разбором JSON в один детерминированный вызов. Стоимость запроса сводится к входным токенам, задержка становится предсказуемо низкой, а целый класс отказов на разборе ответа исчезает вместе с ретраями, потому что ответ по контракту всегда соответствует запрошенной схеме. Поле confidence даёт готовый шаблон эскалации: спорные случаи передаются большой модели или человеку, остальные решает дешёвая модель. Тем самым d1 становится прямым конкурентом ниш LLM-роутера и LLM-as-judge и паттерна из нескольких последовательных классификационных вызовов, а если независимые проверки подтвердят калибровку, в агентских стеках вероятно появление отдельного decision-слоя с каскадом decision model — LLM — человек для роутинга намерений и триажа.
Почему это важно для пользователей
Попробовать d1 можно бесплатно и без подготовки: модель d1:free доступна по ключу из console.liquid.ai, есть SDK typesafe-sdk для Python и @typesafe-ai/sdk для TypeScript, официальная документация, гайд по миграции и демо road-decider на Node.js 18+, где d1 выбирает полосу движения от двух до пяти раз в секунду. Правило миграции из официальных материалов простое: если ответ — один из N заранее известных вариантов, берите decision model; если нужно сочинить новый текст, оставляйте LLM. Как рабочий шаблон предлагается эскалация по вероятности: при значении выше 0,8 действие блокируется, ниже 0,2 — пропускается, а середина спектра уходит на проверку человеку. Отдельный урок демо road-decider: формат состояния важнее ожиданий — короткие сводки по каждому варианту дают модели больше уверенности.
Что пока неизвестно / ограничения
В открытых источниках нет опубликованных метрик калибровки — например, ECE или Brier score на внешнем наборе данных, поэтому доверие порогам 0,8 и 0,2 без собственной валидации на исторических примерах означает перенос заявления вендора в продакшен без проверки. Сравнений с LLM, использующими structured output или constrained decoding, на одинаковых задачах также нет, так что преимущество по цене, задержке и ошибкам схемы пока не измерено третьей стороной. Архитектура и метод обучения d1 не раскрыты, из-за чего оценить реальную научную новизну нельзя. Заявление вендора о калибровке и лидерстве на Decision Index от Hugging Face независимыми замерами пока не подтверждено; модель доступна только через API, а признаков открытых весов от Liquid AI в источниках нет.
Источники
- Decision Models — Liquid Docs (официальная документация)
- Liquid AI on X: Announcing d1, our first decision model
- MarkTechPost: Liquid AI Releases d1 — A Decision Model That Returns Calibrated Probabilities With Zero Output Tokens
Автор
Look at AI, редакция