Liquid AI 发布 d1 决策模型并新增图像输入能力

今天，我们推出 d1，我们的首个决策模型，现已支持文本和图像。通过上周的实验性发布，d1 成为首个在文本决策上可与 Jev 匹敌的模型，如今它又率先将这些能力扩展到图像。你今天就可以在console.liquid.ai 和 d1 Playground 中试用。

我们在六个真实应用中，将 d1 与 GPT-6.1 Sol 和 Claude Opus 5.5 进行了对比测试，从筛选支持工单到检查电路板。在其中四个应用上，d1 与 GPT-6.1 Sol 持平或更优。它的成本比这两个模型低 19 倍到 200 倍，并且在每项任务上都显著更快。

d1 决策模型如何工作

决策模型针对某个情境，为每个可能答案给出一个概率来回答问题。d1 决策模型接收非结构化数据（例如文本、图像或两者）以及一个或多个问题作为输入，在一次前向传播中读取它们，并返回概率，而不生成任何 token。一次文本决策耗时 200 到 300 毫秒，快到足以用于实时应用。

d1 回答三类问题：

Noul：一个是/否问题，用 0 到 1 之间的概率作答。
Choice：从多个标签中选一个，为每个标签给出一个概率。
Score：在一个量表上的位置，由每个等级的概率加权。

一个请求可以针对同一状态提出多个问题，从而节省输入 token。

d1 实战

当答案是结构化决策时，决策模型可以替代对语言模型的高成本调用。它们还催生了各种新用例，本节展示了其中一些。下面的每个演示都在 d1 Playground 中实时运行。

视觉检测。这个工业应用检查来自四条产线、经过摄像头下方的零件：电路板、蜡烛、腰果和口香糖（公开的 VisA 数据集）。d1 以 85-97% 的准确率分拣良品和缺陷品。最有趣的是，该模型从未为此训练过。得益于其出色的泛化能力，它能从一段简短描述中理解任务。

文本应用。五个应用将 d1 用于每一个决策：

Smart Filter：d1 成为 SQL 查询中的一个函数，WHERE d1(ticket, 'the customer wants to cancel)。它为 150 个支持工单逐一回答是或否。
Code Search：d1 逐层浏览 Hugging Face transformers 仓库（6,511 个文件），一次一个文件夹，直到找到能回答问题的那个函数。
Smart Folders：d1 将每个新文档归入一个文件夹，再归入一个子文件夹。它以同样方式归档搜索问题，因此关键词搜索只需查看一个子文件夹。
Web Agent：d1 根据一句话目标操作一个航班搜索网站。每一步，它都会在页面允许的所有操作中选出下一个动作。
Context Compaction：d1 读取编码智能体会话中的每个工具输出，并为下一个任务保留、裁剪或丢弃它。它移除了 52% 的 token，同时保留了任务所需的每一个输出。

我们改编了其中四个应用，来自以下开源项目： pg-jev、 jevgrep、 jev-ultrafast 和 fast-jev-compaction。

游戏。d1 实时玩八款经典游戏，并选择每一步。视觉在两方面帮助它：

更优的决策：俄罗斯方块完全可以用文字描述，但加入屏幕画面后，d1 的得分从消除 70 行提升到 81 行。
更简单的集成：在 Wordle 中，d1 直接从截图读取棋盘。开发者无需编写游戏的文字版本，而 d1 仍以平均 3.8 次猜测解决了 12 局中的 12 局。

d1 也能处理纯视觉任务。在 Quick, Draw! 中，它能在 62 个词中猜出玩家的涂鸦内容，并能识别 6 幅画中的 5.2 幅（随机猜测为 0.6）。

可用性与定价

立即使用 d1 决策模型开始构建，该模型已在 Liquid AI API 上以 d1 形式提供。在 console.liquid.ai 创建 API 密钥（Dashboard > API Keys）。

要使用视觉功能，您只需在 images 中以 base64 数据 URL 的形式发送图像：

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",
        "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"])

完整的 API 参考文档见决策模型文档。

d1 仅按输入 token 计费，无输出 token。图像按与文本相同的费率计为输入 token：每 32×32 像素块 1.5 个 token，因此一张 1024×1024 的图像消耗 1,536 个 token。每个问题作为独立的提示计费，包括其文本和所有图像。

d1 也可通过 Vercel 和 OpenRouter 使用，目前仅支持文本。视觉功能即将登陆这两个平台。

这是 AI 创造与探索的激动人心的时刻，而 d1 仅仅是开始。我们正在继续开发各种规模的决策模型，带来新功能、更高的决策质量和更低的延迟，并计划很快在 Hugging Face 上发布即将推出的模型的开源权重。

在 Liquid Console 上试用阅读我们的文档

引用

如需引用，请使用以下参考文献或 BibTeX：

Liquid AI，“Introducing d1: The most capable decision model, now with vision”，Liquid AI Blog，2026 年 10 月。

_{方法说明。我们于 2026 年 10 月 5 日使用 d1 Playground 的对比脚本对每个模型运行了每个应用一次。GPT-6.1 Sol 和 Claude Opus 5.5 将每个请求作为一条聊天消息接收并以 JSON 格式回答，采用其默认推理设置。当多个问题共享一个输入时，例如过滤器的工单或文件夹的段落，聊天模型会分批回答。成本使用标价，不含提示缓存折扣。d1 的成本使用每百万输入 token 0.04 美元。时间为每次运行的时间，最多 8 个请求并发。一次 Smart Filter 运行是对 150 个工单的一次查询。一次 Smart Folders 运行归档 105 个段落，其成本按每 1,000 个段落计算。过滤器的质量是其相对于人工标注的 F1 分数，该分数同时计入遗漏和错误的匹配。其他文本应用统计正确处理的目标、问题、段落或所需输出。我们在 d1 的流程设定后编写了 15 个代码问题中的 6 个以及 4 个压缩会话中的 2 个。在视觉检查中，每个模型都会看到来自同一产线的良品部件与待检查部件并排展示。}