Liquid AI d1-ultra: Революция в принятии решений с нулевыми токенами вывода

В мире искусственного интеллекта мы привыкли к парадигме генеративных моделей: вы задаете вопрос, а нейросеть тратит вычислительные ресурсы на создание длинного, связного ответа. Это мощно, но часто избыточно. Представьте ситуацию, когда вам нужно не написать эссе, а просто классифицировать документ, проверить безопасность контента или маршрутизировать запрос пользователя. В таких сценариях генерация текста — это трата денег и времени. Именно на этот пробел отвечает новая модель Liquid AI d1-ultra, которая меняет правила игры, отказываясь от генерации токенов в пользу чистых вероятностей.

Это не просто еще одна версия языковой модели. Это архитектурный сдвиг. d1-ultra — это «модель принятия решений» (decision model), которая читает текст и изображения, но вместо того чтобы генерировать ответное слово, она вычисляет вероятность каждого возможного исхода за один проход (forward pass). Для разработчиков это означает мгновенные ответы, нулевые затраты на вывод токенов и возможность масштабировать логику маршрутизации и валидации без раздувания счетов за API. В этой статье мы подробно разберем, как работает эта технология, как она сравнивается с конкурентами и как её можно интегрировать в ваши проекты, особенно с учетом доступности из России.

01Что такое модель принятия решений и зачем она нужна?

Чтобы понять ценность d1-ultra, нужно сначала разобраться в концепции «decision model». Традиционные Large Language Models (LLM), такие как GPT-4 или Claude, спроектированы для генерации свободного текста. Они предсказывают следующее слово в последовательности. Однако во многих бизнес-задачах свободный текст не нужен. Нужен четкий, детерминированный ответ: «Да/Нет», «Класс А/Б/В» или «Оценка от 1 до 10».

Модели принятия решений, такие как d1-ultra, решают эту задачу иначе. Они не генерируют выходные токены (output tokens = 0). Вместо этого они возвращают распределение вероятностей для каждого возможного ответа. Liquid AI выделяет три основных типа вопросов, которые поддерживает эта архитектура:

• Noul (Yes/No): Бинарный вопрос, на который модель отвечает вероятностью от 0 до 1. Например, «Является ли этот текст токсичным?». Если вероятность 0.95, система может автоматически заблокировать контент.
• Choice (Выбор): Выбор одной метки из набора. Например, классификация запроса пользователя: «Техподдержка», «Продажи» или «Отдел кадров». Модель возвращает вероятность для каждой категории, позволяя выбрать наиболее вероятную.
• Score (Оценка): Вероятностно взвешенная позиция на упорядоченной шкале. Это полезно для оценки качества контента или соответствия стандартам, где важен не просто факт, а степень соответствия.

Такой подход идеален для маршрутизации (routing), модерации, создания «защитных ограждений» (guardrails) для других LLM и замены тяжелых моделей в роли судьи (LLM-as-judge). Если вам нужно суммировать текст или писать код, LLM все еще лучше. Но если нужно принять решение — d1-ultra делает это быстрее и дешевле.

02Как работает d1-ultra: Архитектура и возможности

Техническая реализация d1-ultra построена на более мощном открытом базовом блоке (open-weight backbone), чем предыдущая версия d1. Liquid AI не раскрывает точное количество параметров, но подчеркивает, что модель прошла специализированное обучение на принятие решений (decision training pipeline). Это позволяет ей демонстрировать наибольший прирост производительности именно на задачах, требующих знаний и точности, а не креативности.

Каждый запрос к модели содержит состояние (контекст), опциональные изображения и один или несколькоtyped-вопросов. Модель оценивает каждый вопрос против одного и того же ввода за один вызов API. Это критически важно для эффективности. Вы не делаете 10 отдельных запросов для 10 разных проверок одного документа — вы делаете один запрос, и модель анализирует все аспекты одновременно.

Особое внимание Liquid AI уделила «грязным» (messy) кейсам. В реальном мире данные редко бывают идеальными. Примеры использования включают:

• Обнаружение дефектов на печатной плате по сравнению с техническим спецификацией (визуальный анализ).
• Проверка страхового случая по фотографии, сделанной клиентом (мультимодальный анализ).

В этих сценариях модель должна быть устойчива к шуму, плохому освещению и нестандартным ракурсам. d1-ultra показывает высокую надежность именно в таких условиях, что делает её пригодной для промышленного использования, а не только для лабораторных тестов.

03Производительность: Сравнение с конкурентами

Liquid AI провела масштабное сравнение d1-ultra со своей предыдущей версией d1 и моделью Jev 1.14 от TypeSafe AI. Тестирование проводилось на наборе из 112 оценок (evaluations). Результаты впечатляющие: d1-ultra превзошла Jev 1.14 во всех задачах при той же цене.

Но самый важный показатель — независимая оценка от Artificial Analysis Decision Index. Согласно отчетам Liquid AI, d1-ultra заняла 1-е место с результатом 65 баллов. Для контекста, на момент запуска Artificial Analysis (13 октября) лидером была Jev 1.13 с результатом 58, а GLiDE и Microsoft-Decision-1 следовали за ней с результатом 54. Таким образом, d1-ultra демонстрирует значительный отрыв от существующих решений.

Индекс Artificial Analysis оценивает модели по четырем ключевым направлениям, каждое из которых составляет 25% от итогового счета:

• AA-Omniscience-Decision: Оценка знаний и склонности к галлюцинациям. Насколько модель точно знает факты и не выдумывает ли их.
• HLE-MultiChoice: Сложное рассуждение (High-Level Reasoning). Способность логически выводить ответ из нескольких вариантов.
• When2Call: Вызов инструментов (Tool Calling). Умение модели определить, когда нужно передать запрос внешнему API или скрипту.
• WildGuardTest: Классификация безопасности. Насколько хорошо модель распознает вредоносный или опасный контент.

Высокий балл по всем четырем категориям говорит о том, что d1-ultra — это универсальный инструмент, а не узкоспециализированная модель. Она хороша и в безопасности, и в логике, и в знаниях.

04Техническая интеграция и стоимость

Для разработчиков, работающих с AI, важна не только точность, но и простота интеграции. d1-ultra доступна через Liquid API. Основной эндпоинт для использования — /decisions/v1/systemone с указанием "model": "d1-ultra". В ближайшее время ожидается поддержка через Vercel AI Gateway и OpenRouter, что упростит интеграцию для тех, кто уже использует эти платформы.

Давайте разберем модель ценообразования, так как она имеет свои нюансы. Liquid AI берет плату только за входные токены (input tokens). Стоимость составляет $0.042 за миллион входных токенов. Это сопоставимо с ценой на модель Jev от TypeSafe AI, но значительно дешевле, чем у Microsoft-Decision-1 ($31 за миллион задач) или GLiDE ($119 за миллион задач) по данным Artificial Analysis.

Однако есть важный нюанс с обработкой изображений. Изображения тарифицируются как 1.5 токена за патч размером 32x32 пикселя. Для изображения размером 1024x1024 пикселей это означает:

# Расчет стоимости для одного изображения 1024x1024
# Размер патча: 32x32
# Количество патчей: (1024/32) * (1024/32) = 32 * 32 = 1024 патча
# Стоимость токенов: 1024 * 1.5 = 1536 токенов

image_tokens = 1536

Каждый вопрос тарифицируется как отдельный промпт, включая весь текст и все изображения. Если вы задаете 3 вопроса к одному и тому же изображению, изображение будет «засчитано» три раза. Это важно учитывать при оптимизации запросов. Максимальное количество изображений в одном запросе — 8, а максимальное количество патчей — 10,000. Общий размер JSON-тела запроса не должен превышать 4.5 МБ.

05Сравнительная таблица: d1-ultra против рынка

Чтобы наглядно увидеть место d1-ultra на рынке, давайте сравним её с основными конкурентами. Ниже приведена таблица, основанная на данных Liquid AI и Artificial Analysis.

Как видно из таблицы, d1-ultra выделяется не только лидерством в бенчмарках, но и поддержкой мультимодальности (текст + изображения) при цене, сопоставимой с текстовыми аналогами. Microsoft и Fastino предлагают решения, которые, судя по всему, ориентированы на более узкие задачи или имеют другую модель ценообразования, делающую их менее выгодными для массового использования.

06Практическое применение: Где использовать d1-ultra?

Давайте переведем технические характеристики в реальные бизнес-кейсы. Где именно разработчикам и компаниям стоит внедрять d1-ultra?

1. Маршрутизация запросов (Routing)

В системах с несколькими агентами или моделями, первый шаг — определить, какой агент должен обработать запрос. d1-ultra может классифицировать запрос пользователя с высокой точностью и низкой задержкой. Например, если пользователь спрашивает о возврате товара, запрос направляется в отдел продаж. Если он жалуется на качество — в службу поддержки. Это экономит ресурсы, так как вы не отправляете каждый запрос через дорогую LLM для первичной фильтрации.

2. Модерация и безопасность (Guardrails)

Перед тем как отправить запрос в основную LLM, его можно проверить на токсичность, промпт-инжекцию или нарушение правил. d1-ultra возвращает вероятность того, что запрос безопасен. Если вероятность ниже порога, запрос блокируется на этапе входа. Это особенно важно для публичных приложений, где безопасность пользователей является приоритетом.

3. Валидация данных и проверка документов

В финтехе и страховании часто нужно проверить соответствие документа стандартам. d1-ultra может проанализировать изображение документа (например, фото чека или паспорта) и сравнить его с текстовым шаблоном. Она вернет вероятность того, что документ подлинный и соответствует требованиям. Это ускоряет процессы KYC (Know Your Customer) и обработки страховых случаев.

4. Оценка качества контента (LLM-as-Judge)

При обучении других моделей или оценке ответов чат-ботов часто требуется «судья». Вместо того чтобы использовать тяжелую LLM для генерации оценки, можно использовать d1-ultra для быстрого присвоения балла. Благодаря низкой ошибке калибровки, вы можете быть уверены, что оценка 0.8 действительно означает высокое качество, а не случайную генерацию.

07Ограничения и что нужно учитывать

Несмотря на впечатляющие характеристики, у d1-ultra есть свои ограничения, о которых нужно знать перед интеграцией.

Во-первых, отсутствие локального запуска. Поскольку веса не опубликованы, вы полностью зависите от API Liquid AI. Это может быть проблемой для компаний с жесткими требованиями к конфиденциальности данных, которые не хотят отправлять свои данные на сторонние серверы. Хотя Liquid AI заявляет о безопасности, некоторые отрасли (госсектор, медицина) могут требовать on-premise решений.

Во-вторых, ценообразование изображений. Как мы видели выше, обработка изображений может быть дорогой, если вы используете большие разрешения. Оптимизация размера изображений перед отправкой в API может существенно снизить затраты. Также важно помнить, что каждый вопрос дублирует стоимость изображения. Если вам нужно задать 10 вопросов к одной картинке, рассмотрите возможность объединения вопросов в один промпт, если архитектура API это позволяет, или переосмыслите логику запросов.

В-третьих, черный ящик. Отсутствие информации о количестве параметров и архитектуре базовой модели затрудняет независимую оценку потенциала модели для специфических задач. Разработчикам придется полагаться на доверие к Liquid AI и результаты бенчмарков.

08Что это значит на практике

Появление d1-ultra знаменует собой переход от эры «генерации всего подряд» к эре «точечного принятия решений». Для разработчиков на русском языке и в РФ это открывает новые возможности. Учитывая доступность API через международные шлюзы (при наличии соответствующих настроек сети), российские стартапы и компании могут использовать d1-ultra для:

• Снижения затрат на модерацию контента в своих приложениях.
• Ускорения обработки заявок в финтехе и страховании за счет быстрого анализа документов.
• Повышения надежности систем маршрутизации запросов в чат-ботах.

Цена в $0.042 за миллион токенов делает эту технологию доступной для широкого круга разработчиков. В сочетании с нулевой стоимостью за вывод токенов, это делает d1-ultra одним из самых экономичных решений на рынке для задач классификации и валидации.

Однако, как и с любой новой технологией, важно проводить собственные тесты. Liquid AI предоставляет d1 Playground, где можно протестировать модель бесплатно. Рекомендуется начать с пилотных проектов: взять один из ваших процессов, где используется LLM для простых решений, и заменить её на d1-ultra. Измерьте задержку, стоимость и точность. Скорее всего, вы увидите значительное улучшение по всем трем параметрам.

В будущем, с ожидаемой поддержкой Vercel AI Gateway и OpenRouter, интеграция станет еще проще. Но уже сегодня d1-ultra предлагает мощный инструмент для тех, кто хочет выйти за рамки простой генерации текста и начать строить умные, эффективные и экономичные AI-системы. Это не просто обновление — это новый стандарт для моделей, которые должны принимать решения, а не просто болтать.

Источник: MarkTechPost ↗