LiquidAI 開源 d1 小模型 單向作答贏過 35B

LiquidAI 開源 d1 決策模型

LiquidAI 於 2026 年 10 月 7 日喺 Hugging Face 發布兩個開放權重（open-weight）d1 決策模型：d1-3B（30 億參數）同 d1-omni-600M（6 億參數），均支援邊緣端（edge）部署。呢兩個模型建基於 LiquidAI 嘅 Liquid Foundation Models（LFMs），最大分別係決策模型唔逐個 token 生成（generative），而係喺單次前向傳播（single forward pass）直接輸出結構化答案。

d1-3B 由最新 VLM（視覺語言模型）LFM2.5-VL-3B（decoder-only 架構）訓練而來，接受文字同圖片輸入。d1-omni-600M 則由雙向編碼器（bidirectional encoder）LFM2.5-Encoder-350M 訓練，附加視覺同音訊編碼器，接受文字加圖片或文字加音訊。廠商指出 d1-omni-600M 係早期研究版本，仍在進一步開發中。

跑分點嚟

LiquidAI 喺七個公開數據集上測試，涵蓋閲讀理解、毒性檢測、意圖分類、醫療問答同跨語言理解。廠商聲稱 d1-3B 平均 82.9 分（表內最高），d1-omni-600M 78.4 分，後者僅以四分之一參數勝過 Decider 2B（77.1）。喺 Decision Index 0.2.1 上，d1-3B 得 48.57 分，高於所有 4B 及 9B 模型，以及 35B-A3B 嘅 Decider（47.11）。

速度方面，LiquidAI 聲稱喺與 NVIDIA 合作下於多款硬件測試 d1-3B：Jetson AGX Thor 上單問答 16ms、AGX Orin 26ms、Orin Nano 50ms；RTX 4090 GPU 上低於 10ms，處理 384px 圖片低於 18ms。三問同一文本只需 1.3 倍時間。d1-omni-600M 因屬早期研究版本，廠商無公佈速度數據。

值得留意，廠商未有公佈任何視覺或音訊基準測試數字，理由係 Decision Index v0.3 嘅視覺部分為私人數據集（private split），而音訊決策評測「目前係開放問題」。所有跑分均由廠商提供，本站未獨立重現或測試。

模姐驗嚇貨：廠商自評跑分同獨立驗證係兩回事。七個數據集嘅測試設計、樣本量同提示詞細節，原文只列範疇未披露。決策模型唔逐字生成而係單向作答呢個架構取向值得關注，但「快」唔代表「準」，82.9 平均分背後每個數據集嘅表現分佈，原文同樣未逐一交代。

點樣用

模型隨附自有代碼，需 transformers>=5.14，以 trust_remote_code=True 載入。d1-3B 預設 float32（CPU）或 bfloat16（GPU/MPS）。