# Liquid AI випустила d1: відповідь за 8 мс без генерації токенів

> Liquid AI випустила d1-3B і d1-omni-600M, які повертають ймовірності без генерації токенів і відповідають за 8 мс для роутингу, модерації та гардрейлів агентів.

- Опубліковано: 8 жовтня 2026 р. (2026-10-08T03:36:28.966671+00:00)
- Розділ: Агенти
- На основі публікації: [MarkTechPost](https://www.marktechpost.com/2026/10/07/liquid-ai-releases-open-weight-d1-3b-and-d1-omni-600m-multimodal-decision-models-with-zero-output-tokens/)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=liquid-ai-%D0%B2%D0%B8%D0%BF%D1%83%D1%81%D1%82%D0%B8%D0%BB%D0%B0-d1-%D0%B2%D1%96%D0%B4%D0%BF%D0%BE%D0%B2%D1%96%D0%B4%D1%8C-%D0%B7%D0%B0-8-%D0%BC%D1%81-%D0%B1%D0%B5%D0%B7-%D0%B3%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%86%D1%96%D1%97-%D1%82%D0%BE%D0%BA%D0%B5%D0%BD%D1%96%D0%B2

---

Liquid AI випустила дві відкриті decision-моделі Open d1: d1-3B з 3,12 млрд параметрів і d1-omni-600M з 587 млн параметрів, які повертають відповідь без жодного згенерованого токена.

Це знімає з білдера парсинг тексту й очікування потоку токенів. Один виклик закриває роутинг, модерацію чи оцінку, а цільова платформа охоплює сервери NVIDIA DGX, робочі станції RTX і плати Jetson. [За даними MarkTechPost](https://www.marktechpost.com/2026/10/07/liquid-ai-releases-open-weight-d1-3b-and-d1-omni-600m-multimodal-decision-models-with-zero-output-tokens/) обидва чекпоїнти вже лежать на Hugging Face, завантажуються через Transformers і мають підтримку llama.cpp з дня релізу.

## Чим decision-модель відрізняється від генеративного LLM?

Генеративний LLM пише відповідь токен за токеном, а код потім розбирає текст. Модель Open d1 від Liquid AI приймає стан і набір іменованих запитань, читає їх за один прохід і повертає калібровану типовану відповідь — ймовірність для кожної дозволеної відповіді. У кожній відповіді поле output_tokens дорівнює 0.

Liquid AI описує три типи запитань: noul — питання з відповіддю так чи ні, яка повертається як P(yes); choice — один label з іменованих опцій із повним розподілом ймовірностей; score — ймовірнісно зважена позиція на впорядкованій шкалі від 2 до 10 рівнів.

Кілька запитань можуть спиратися на один стан в одному виклику. Liquid AI радить d1 для роутингу, модерації, класифікації намірів, переранжування, оцінки в стилі LLM-as-a-judge, гардрейлів агентів і візуальної інспекції. Жоден із двох чекпоїнтів не працює як чат-модель.

## Як влаштовані d1-3B і d1-omni-600M?

Модель Liquid AI d1-3B має 3,12 млрд параметрів і стартує з LFM2.5-VL-3B — декодерної візійно-мовної моделі. Команда усереднила ваги LFM2.5-2.6B із текстовим бекбоном цієї моделі, дотренувала кілька чекпоїнтів із різними seed і сумішами даних та знову їх обʼєднала. Візуальний енкодер — SigLIP2 NaFlex на 400 млн параметрів, контекст — 32 768 токенів.

За словами команди, довгі входи, перемішані варіанти відповідей і усунення коротких шляхів у даних дали більше, ніж передові техніки.

Модель Liquid AI d1-omni-600M має 587 млн параметрів і стартує з LFM2.5-Encoder-350M, двонапрямленого енкодера. Спільний стовбур і голова рішень займають 381 млн параметрів, візуальний енкодер — 94 млн, аудіоенкодер — 112 млн. Аудіоенкодер має 17 шарів FastConformer, контекст становить 16 384 токени, а довжина аудіокліпу обмежена 30 секундами.

В один запит потрапляє або зображення, або аудіо, але ніколи обидва формати разом. Аудіонавчання охоплювало лише англомовні звернення від мовця до асистента.

## Наскільки точні й швидкі моделі Liquid AI?

На Decision Index v0.2.1 модель Liquid AI d1-3B набирає 48,57 бала — найкращий результат серед моделей до 10 млрд параметрів. Вона обходить Decider 35B-A3B із 47,11 бала, а вище залишається лише Winnow-12B із 50,02 бала. Офіційний скорер проганяв сам Liquid AI, тож оцінки d1 не є заявками в лідерборд. Модель веде в категоріях Tools (74,5) та Arts (36,3), але відстає в Knowledge (23,8).

На семи публічних текстових бенчмарках Liquid AI d1-3B в середньому набирає 82,9 бала проти 81,1 бала в Decider 4B. Модель d1-omni-600M в середньому має 78,4 бала і показує найкращі результати на Civil Comments (95,8) та PAWS-X (79,5). На 11 зображувальних бенчмарках d1-3B дає в середньому 74,1 бала проти 73,9 у своєї базової моделі, а аудіобенчмарки для decision-задач Liquid AI називає відкритою проблемою.

Liquid AI d1-3B відповідає на одне запитання за **8 мс** на RTX 4090 — це наскрізна затримка за вимірювання з одним прогрітим запитом за раз. На AMD MI325X вона становить 9 мс, на Jetson AGX Thor — 16 мс, на Jetson AGX Orin — 26 мс, на Orin Nano — 50 мс. Три запитання над одним станом на Jetson AGX Thor займають 20 мс проти 16 мс для одного. Цифру для RTX 4090 отримано з model.compile(mode="reduce-overhead"), без якого одне запитання займає 16 мс.

Модель d1-3B читає зображення 384 px за 35 мс на Jetson AGX Thor, а простір Open d1 Arcade запускає її покадрово на живому відео з камери для модерації контенту та керування жестами. Для d1-omni-600M опублікованих цифр затримки немає: це ранній дослідницький реліз.

## Що робити зараз

Liquid AI постачає d1 як готові чекпоїнти для роутингу, модерації та гардрейлів агентів на стеку NVIDIA.

- Підніміть Liquid AI d1-3B з Hugging Face через Transformers: потрібні transformers>=5.14 і trust_remote_code=True, для d1-omni-600M — transformers>=5.15. Для одного стану викликайте system_one(state, questions), для пакованих запитів — system_one_batch.
- Протестуйте один виклик на три задачі тріажу: перевірка повернення так чи ні, вибір команди-власника та оцінка терміновості. Для голосу додайте до 30 секунд аудіо в d1-omni-600M й отримуйте намір мовця напряму.
- Перевірте ліцензію LFM Open License v1.0: безкоштовне комерційне використання діє до $10 млн річного доходу. Запускайте d1-omni-600M на GPU у float16, бо bfloat16 змінював частину топових відповідей, і прогоніть десять камерних демо в Open d1 Arcade.

---

Теги: AI, LiquidAI, OpenSource, Агенти, Робототехніка

Джерело: AiiN — https://aiin.news/article?slug=liquid-ai-%D0%B2%D0%B8%D0%BF%D1%83%D1%81%D1%82%D0%B8%D0%BB%D0%B0-d1-%D0%B2%D1%96%D0%B4%D0%BF%D0%BE%D0%B2%D1%96%D0%B4%D1%8C-%D0%B7%D0%B0-8-%D0%BC%D1%81-%D0%B1%D0%B5%D0%B7-%D0%B3%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%86%D1%96%D1%97-%D1%82%D0%BE%D0%BA%D0%B5%D0%BD%D1%96%D0%B2. Цитуючи, посилайтесь на канонічний URL.