Liquid AI udostępnia d1. Model podejmuje decyzje zamiast generować tekst

Liquid AI udostępniło model d1, zaprojektowany do podejmowania ustrukturyzowanych decyzji zamiast tworzenia tekstu. Narzędzie analizuje przekazany kontekst i zwraca wynik w zdefiniowanym formacie, nie generując przy tym tokenów wyjściowych. W zamyśle producenta ma stanowić alternatywę dla dużych modeli językowych w powtarzalnych zadaniach o zamkniętym zbiorze odpowiedzi.

Model został przygotowany do obsługi procesów takich jak klasyfikacja, routing zgłoszeń, moderacja, scoring, zmiana kolejności wyników czy automatyczna ocena odpowiedzi. Usługa pojawiła się w ofercie Liquid AI pod nazwą d1:free jako hostowane API — dokumentacja nie przewiduje możliwości pobrania wag do samodzielnego uruchomienia ani opcji dostrajania modelu na własnych danych.

Trzy typy zapytań

Wywołanie d1 składa się z kontekstu (w postaci tekstu lub obiektu JSON) oraz zdefiniowanych pytań. Pojedyncze żądanie może zawierać kilka pytań odnoszących się do tego samego materiału wejściowego. System obsługuje trzy formaty:

• Noul — odpowiada na pytanie rozstrzygające (tak/nie) i zwraca prawdopodobieństwo w przedziale od 0 do 1.
• Choice — wybiera jedną opcję z zamkniętej listy, dołączając rozkład prawdopodobieństw dla wszystkich wariantów oraz wskaźnik pewności wyboru. Na przykład zgłoszenie dotyczące podwójnego obciążenia karty może zostać przypisane do kategorii „rozliczenia” wraz z konkretną wartością pewności.
• Score — przypisuje dane do pozycji na uporządkowanej skali, obliczając wynik ważony prawdopodobieństwami.

Zwracanie ustrukturyzowanych danych bezpośrednio z modelu eliminuje konieczność parsowania tekstu czy wymuszania formatu JSON promptem. Liquid wskazuje również, że brak etapu generowania tokenów tekstowych powinien zapewniać bardziej przewidywalny czas odpowiedzi oraz obniżać koszty wywołań. Są to jednak deklaracje producenta — w udostępnionych materiałach brakuje niezależnych testów wydajności i precyzyjnych pomiarów opóźnień.

Rola prawdopodobieństw i ograniczenia wdrożeniowe

Zwracane rozkłady prawdopodobieństw mają ułatwiać budowanie logiki progowej. Liquid podaje przykład systemu moderacji, w którym treści o prawdopodobieństwie naruszenia powyżej ustalonego progu są od razu blokowane, te o niskim wyniku — akceptowane, a przypadki pośrednie trafiają do weryfikacji przez człowieka. Podobnie w routingu niska pewność klasyfikacji może decydować o przekazaniu zapytania do bardziej złożonego modelu generatywnego.

Istotnym czynnikiem przy projektowaniu takich przepływów pozostaje sposób przygotowania danych wejściowych. W zaprezentowanej przez Liquid demonstracji Road Decider model osiągał znacznie większą pewność decyzji, gdy kontekst zawierał przetworzone streszczenie sytuacji i odległości od przeszkód, a nie surowy opis otoczenia. Choć demonstracja nie stanowi uniwersalnego testu jakości, uwidacznia zależność wyników od struktury dostarczanych informacji.

Wdrożenie d1 wiąże się z konkretnymi ograniczeniami operacyjnymi. Model działa wyłącznie jako usługa w chmurze Liquid AI, co wyklucza instalację w środowiskach bez dostępu do zewnętrznej sieci. Producent nie ujawnia rozmiaru modelu, wielkości okna kontekstu ani cennika dla zastosowań wykraczających poza darmowy wariant d1:free.

Zastosowanie d1 ma sens w zadaniach, gdzie odpowiedź sprowadza się do wyboru z określonej puli etykiet lub przypisania wartości liczbowej. Wszelkie operacje wymagające redagowania treści, podsumowań, prowadzenia dialogu, pisania kodu czy wieloetapowego wnioskowania w języku naturalnym nadal wymagają użycia tradycyjnych modeli generatywnych.