Liquid AI d1: Классификация без токенов генерации

Рынок ИИ-инфраструктуры начинает смещаться от универсальных генеративных моделей к специализированным «решателям» (decision models). Liquid AI представила d1 — модель, которая не генерирует текст, а возвращает структурированные вероятности для заданных вариантов ответа. Это решение нацелено на задачи, где LLM часто избыточны: маршрутизация тикетов, модерация контента, скоринг и ранжирование (reranking).

01Архитектура: Три примитива d1

В отличие от LLM, d1 не использует авторегрессионное декодирование. Модель оценивает контекст (state) и возвращает ответ в одном запросе. Ключевая метрика — usage.output_tokens всегда равна 0. Архитектура опирается на три базовых типа вопросов:

• Noul (Yes/No): Возвращает вероятность от 0 до 1. Например, для вопроса «Это жалоба?» модель вернет 0.999, если текст явно выражает недовольство.
• Choice (Выбор): Выбор одного варианта из набора. Возвращает топ-выбор, полное распределение вероятностей и значение confidence. Идеально для категоризации (например, билинг, техподдержка).
• Score (Оценка): Присвоение балла по упорядоченной шкале. Индексы начинаются с 0. Для шкалы срочности от 0 до 3 результат 2.9995 означает высокую критичность.

02Деплой и доступность

На момент релиза d1 доступна только как хостинг API через Liquid API. Самостоятельный хостинг (GGUF, ONNX, MLX) невозможен, так как веса не опубликованы. Модель доступна в бесплатном тарифе d1:free.

Для интеграции используются SDK от TypeSafe AI. Запросы отправляются на POST https://api.liquid.ai/decisions/v1/systemone. Ключи API начинаются с liquid_ и генерируются в консоли разработчика.

03Сравнение с LLM и конкурентами

Перенос задач классификации с LLM на d1 дает конкретные технические преимущества:

1. Нулевая стоимость за вывод: LLM тарифицирует выходные токены, даже если это одно слово. d1 обходится в $0 за output.
2. Предсказуемая латентность: Отсутствие цикла декодирования исключает зависимость времени ответа от длины вывода.
3. Отсутствие ошибок схемы: Ответы всегда соответствуют типу вопроса, что исключает проблемы с невалидным JSON и необходимость повторных запросов (retries).
4. Снижение round-trips: Три последовательных запроса на классификацию можно объединить в один.

Сравнение с ближайшими аналогами (на основе данных от 29.09.2026):

04Пример кода: Интеграция на Python

Для работы требуется пакет typesafe-sdk. Ниже приведен пример использования примитива Noul для определения тональности сообщения.

Установка SDK:

pip install typesafe-sdk

Пример вызова API для классификации жалобы:

from typesafe_sdk import TypeSafeClient
import os

# Инициализация клиента
client = TypeSafeClient(
    api_key=os.environ["LIQUID_API_KEY"],
    base_url="https://api.liquid.ai"
)

# Вызов модели d1
result = client.system_one(
    model="d1:free",
    state="I have been waiting over three weeks for my order...",
    questions={
        "is_complaint": TypeSafeClient.Noul(
            instructions="Is this message a complaint from the customer?"
        )
    }
)

# Вывод результата
print(result.answers["is_complaint"].noul)
# Ожидаемый вывод: 0.999

05Кому подойдёт / что запустится

Идеальные сценарии использования d1:

• Маршрутизация тикетов: Быстрое распределение обращений в отделы (Биллинг, Техподдержка, Продажи) с высокой точностью.
• Модерация контента: Фильтрация спама, токсичности или запрещенных тем с возможностью настройки «зоны неопределенности» для ручной проверки.
• LLM-as-a-Judge: Оценка качества ответов других моделей по заданным критериям (безопасность, полезность, точность) без генерации текстового объяснения.
• Скоринг лидов: Присвоение баллов потенциальным клиентам на основе анкетных данных.

Что оставить LLM:

Для суммаризации, написания кода, многошагового рассуждения (multi-step reasoning) и генерации нового текста d1 не предназначена. Используйте её как «шлюз» или «фильтр» перед вызовом тяжелых генеративных моделей, чтобы снизить затраты и нагрузку.

Источник: MarkTechPost ↗