Liquid AI 发布 d1-ultra 决策模型：不生成 token 直接输出校准概率，Artificial Analysis Decision Index 以 65 分居首，输入 $0.042/百万 token

核心背景与行业痛点

在工单路由、内容审核、缺陷检测、智能体护栏这类场景里，开发者通常让大模型“生成一段文字再解析”，既慢又贵，而且模型给出的置信度往往过度自信、无法拿来做自动化阈值。Liquid AI 本月初开源了 d1-3B 等小型决策模型，10 月 15 日又发布托管旗舰 d1-ultra，专攻“对着规格书找电路板缺陷”“用客户照片核验理赔”这类更难的判断。

架构亮点与底层机制

d1-ultra 读入文本、图像或两者，一次前向传播直接输出概率，不生成 token。支持三种问题：noul（是/否概率）、choice（多标签各自概率）、score（有序等级）。一次请求可同时问多个问题。它基于一个更大的开源权重模型加上 Liquid 的定制训练，并专门针对校准做了训练：官方称它说 90% 时至少 90% 正确，便于设阈值自动放行、其余转人工。

权威 Benchmark 与实测跑分对比

独立机构 Artificial Analysis 的 Decision Index v1.0 中，d1-ultra 以 65 分第一，领先至少 8 分；AA-Omniscience-Decision 非幻觉率 85%，第二名 Microsoft-Decision-1 为 40%。代价是更常弃答，准确率 32%，低于 d1 的 41%。厂商口径另称其在 112 项评测中全面超过 Jev 1.14。

开发者实战落地与开箱指南

文档显示，可调用 Liquid API 的 /decisions/v1/systemone 并设 model: "d1-ultra"，也可在 Vercel AI Gateway 与 OpenRouter 用 liquid/d1-ultra。上下文 32,768 token，输入 $0.042/百万 token、输出免费，每个问题单独计费。适合用作智能体路由器、模型级联的分流闸门或审核护栏。