Liquid AI 釋出 d1 決策模型權重，以單次前向推論處理文字與影像分類

Liquid AI 於 10 月 7 日釋出兩款 d1 決策模型權重。d1-3B 接受文字與影像；實驗性的 d1-omni-600M 則接受文字搭配影像或音訊。兩者將輸入狀態與問題一起處理，在單次前向推論中讀出答案機率，不產生輸出 token。這為需要反覆分類、分流或判斷的應用提供了本機部署選項。發布公告

架構上，d1-3B 由 decoder-only 的 LFM2.5-VL-3B 訓練而來；600M 版本採雙向文字編碼器，再接入視覺與音訊編碼器。此次開放權重，讓開發者能自行部署並調整模型，將決策步驟放到邊緣裝置。架構說明

介面提供三種答案：noul 回傳是非機率、choice 選擇具名選項、score 對有序等級評分。多個問題可共用同一份輸入；例如客服工單能同時判斷退款需求、負責部門與緊急程度。工程上的意義是省去文字生成與答案解析，但問題及候選答案仍須事先定義。Jetson 部署指南

速度必須連同輸入條件閱讀。指南引用 Liquid 的暖機測試：Jetson AGX Thor 單題為 16 毫秒，同一輸入的三題為 20 毫秒；Orin Nano 單題為 50 毫秒。模型卡另列 RTX 4090 單題 8 毫秒，採 BF16、20 次測量中位數與 CUDA graphs；未使用該編譯路徑時為 16 毫秒。這些數字不能直接當成完整攝影機管線延遲。部署指南、效能條件

評測方面，d1-3B 的 Decision Index 0.2.1 分數為 48.57，是廠商使用官方評分器所得，並非正式榜單提交。選型時仍需驗證繁體中文資料、類別不平衡與機率校準；部署前也應確認 LFM Open License v1.0 條款。接下來值得觀察的是獨立重現，以及真實輸入長度下的延遲與誤判率。模型卡