Liquid AI d1 决策模型：零输出 Token 跑分类/路由/评分 · 干货攻略

链接:https://x.com/maximelabonne/status/2107209555931525257
分类:x-tips
来源:X @maximelabonne
作者:Jay
更新:2026-10-08
仓库:无（主产品为 Liquid AI 托管 API，非开源权重）

这是什么

d1 是 Liquid AI 于 2026 年 9 月 29 日发布的决策模型（Decision Model），2026 年 10 月 5 日追加视觉支持后正式对外。

核心设计思路与语言模型相反：不给文字答案，而是对同一个输入直接输出概率分布——每道题一次前向传播，零 Token 生成。

d1 的官方定位是替代那些「本不需要 LLM 做的事情」：分类、路由、打分、内容审核、工具调用审批、Agent 记忆压缩、LLM-as-Judge 等。

官方提供了两个开源参考实现（pg-jev、jevgrep），但 d1 本身是托管 API，开源权重尚未发布（博客预告即将在 Hugging Face 公开）。

为什么值得关注

@maximelabonne 分享的核心 demo 是 d1 同时跑 8 款经典游戏（视频 Demo），包括 Tetris、Wordle、Quick, Draw! 等，并配文称「这对游戏行业的意义远超文本生成」。

这个 demo 背后折射出 d1 的两个设计优势：

视觉输入简化集成：Wordle 无需构建文字版游戏状态，d1 直接读截图做决策；Tetris 加了屏幕画面后从 70 行提升到 81 行（均来自官方数据）。

零输出 Token 带来极致性价比：官方基准测试中 d1 匹配或击败 GPT-6.1 Sol 四项中的四项，成本低 19x–200x，延迟在所有任务上均低于对标模型（200–300ms/次决策）。

谁在用：官方 Demo 覆盖支持工单分类、代码搜索、智能文件夹、Web Agent、上下文压缩（52% Token 削减但保留所有有效输出）、电路板视觉质检（85–97% 准确率）。

核验过程

官方来源（已读） - Liquid AI 官方博客：https://www.liquid.ai/blog/d1-decision-model（含架构说明、六项基准完整数据、定价公式、API 示例） - Liquid AI 官方文档（决策模型）：https://docs.liquid.ai/lfm/models/decision-models（含三种 Primitives 定义、d1-3B/d1-omni-600M 模型列表） - Liquid AI X 公告（@liquidai，2026-10-05）：https://x.com/liquidai/status/2107161990808674404（追加视觉能力、性能对比声明）

交叉验证 - MarkTechPost 报道（2026-09-29）确认 d1 发布于 9 月 29 日，定价 $0.04/M input tokens，与官方博客数据一致。 - OpenRouter 页面（openrouter.ai/liquid）确认 d1 的 context window 为 33K tokens，API 接口路径 /v1/systemone。 - Artificial Analysis 基准对比页面确认 GPT-6.1 Sol 与 Claude Opus 5.5 的 list price 分别为 $2/$10 和 $4/$20 每百万 tokens，可推算 d1 的相对成本优势幅度与官方描述吻合。

原帖 vs 官方分歧处理 - 原帖提到 Flappy Bird、Wordle、SSB 三款游戏并行 Demo，以及「文字模态优于图像模态」。官方博客 Demo 列表为 Tetris、Wordle、Quick, Draw!，SSB 未出现在官方 Demo 中，Flappy Bird 同样未出现。原帖提及 SSB、Flappy Bird 为未核验信息，攻略正文以官方确认的 Demo 为准。 - 文字模态 vs 图像模态：官方数据仅显示 Tetris 加入视觉后分数提升（70→81 行），未声称纯文字模态整体优于图像模态，原帖这一概括性描述超出官方数据范围，攻略不引此说法。

上手步骤

1. 获取 API Key

在 https://console.liquid.ai/ 注册，Dashboard → API Keys 创建密钥。

2. Python 调用（纯文本）

import os, requests

response = requests.post(
    "https://api.liquid.ai/decisions/v1/systemone",
    headers={"Authorization": f"Bearer {os.environ["LIQUID_API_KEY"]}"},
    json={
        "model": "d1",
        "state": "Customer wants to cancel their subscription",
        "questions": {
            "intent": {
                "type": "choice",
                "instructions": "Route this ticket to the correct department",
                "options": ["billing", "technical", "general"],
            }
        },
    },
)

print(response.json()["answers"]["intent"])
# {'choice': 'billing', 'probabilities': {'billing': 0.87, 'technical': 0.10, 'general': 0.03}}

3. Python 调用（带图像）

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"])
# 0.23  ← 23% 概率有缺陷

4. API 关键参数

参数	说明
`model`	固定填 `"d1"`
`state`	当前情境描述（文字或图像说明）
`questions`	一个或多个问题，类型为 `noul`（二值）、`choice`（多选）或 `score`（评分）
`images`	图像以 `data:image/{type};base64,{data}` 格式传入；1024×1024 图 ≈ 1536 tokens
端点	https://api.liquid.ai/decisions/v1/systemone

5. 第三方集成

Vercel AI Gateway：https://vercel.com/ai-gateway/models/d1（目前仅文本，视觉即将支持）
OpenRouter：https://openrouter.ai/liquid/d1（目前仅文本，视觉即将支持）
d1 Playground（免登录体验）：https://d1.liquid.ai/

6. 本地模型（开源权重即将发布）

官方博客预告将在 Hugging Face 发布 d1 系列开放权重。当前页面可见 d1-3B（3.1B 参数，基于 LFM2.5-VL-3B）和 d1-omni-600M（587M 参数）两个本地版本文档，待权重公开后可使用 llama.cpp / MLX / ONNX / CoreML 运行。

坑与适用边界

只适合结构化答案：d1 无法生成自由文本、无法做开放式问答、无法做复杂多步推理。这是设计边界，不是缺陷。如果答案是一个新字符串（如写代码、摘要），请继续用 LLM。
输出不是 Token，是概率数字：返回的是 JSON 结构而非文字，调用方需要相应改造解析逻辑。
付费定价未完全公开：官方博客明确 $0.04/M input tokens（无 output 费用），但免费 Tier 上限、付费超量价格尚未披露；对比数据（19x–200x 低于 GPT-6.1 Sol / Claude Opus 5.5）来自官方博客 Methodology 章节，但未公开完整原始价格表。
视觉功能尚未上线第三方：Vercel 和 OpenRouter 目前只支持文本输入，视觉版需使用 Liquid 官方 API。
模型尺寸未公开：d1 托管版的参数量未披露；文档页面提及 d1-3B（3.1B）和 d1-omni-600M（587M）是独立本地版本，与托管版 d1 的关系未明确说明。
SSB / Flappy Bird 未获官方确认：原帖 Demo 视频含这两款游戏，官方博客仅列出 Tetris、Wordle、Quick, Draw!；攻略以官方文档为准。

一句话结论

d1 用「零 Token 生成 + 纯输入计费」重新定义分类/路由/评分类任务：比调 LLM 快且便宜 1–2 个数量级，适合所有答案可选集固定的决策场景；开放式生成任务仍需 LLM，d1 不是替代品而是补充工具。

核验来源：Liquid AI 官方博客 (liquid.ai/blog/d1-decision-model)、Liquid AI 决策模型文档 (docs.liquid.ai/lfm/models/decision-models)、Liquid AI @liquidai X 公告、MarkTechPost 报道、Artificial Analysis 基准对比页面。