北京
Liquid AI在2026年10月15日发布了新的意思決定モデル「d1-ultra」。官方账号当天给出的定位很直接：为困难的决策问题而生，多模态，支持44种语言，在Artificial Analysis Decision Index上拿到65分排第一，并在自家112项评估套件的全部8个类别中领先。
意思決定モデル和普通大语言模型走的不是一条路。LLM靠生成文章来回答问题，意思決定モデル则直接输出每个选项正确的概率。省掉生成文本这一步，判断就能跑得更快、成本也更低。2026年9月「Jev」登场后带火了这条赛道，Liquid AI随后用d1应战，10月又给d1加上了图像输入。
d1-ultra是在d1基础上改的。Liquid AI的说法是，实际业务里需要读懂复杂信息，所以这次换用比d1更大规模的开放权重模型做底座，再加自己的改良，在特别吃知识的任务上提升明显。输入支持文本和图像，问题形式沿用d1的三种：是/否、多选、数值评分。
举个官方给的例子：把一块电路板的图片喂进去，问「缺陷是什么」，模型会对「缺件」「多余元件」「划痕」分别给出概率——缺件0.80、多余元件0.11、划痕0.10。
性能对比上，Liquid AI拿d1、Jev 1.14等意思決定モデル跑了112种评估。d1-ultra平均分76.7，比Jev 1.14的69.4高出7.3分。分项里，判断回答好坏的能力从53.3升到65.5，知识和推理从47.8升到56.0。对其他竞品，它在全部8个领域都拿到最高分。
第三方评估机构Artificial Analysis的意思決定モデル指标「Artificial Analysis Decision Index」上，d1-ultra拿到65分，Jev 1.14是57分，差8分。
概率的可信度是这次强调的另一件事。理想状态下，AI说「90%概率正确」的回答，实际就该有约90%是对的。但以往的意思決定モデル倾向于输出比真实正确率更高的概率。官方给出的偏差对比里，d1-ultra的误差为1.5个百分点，低于Jev 1.14的2.7个百分点。
用法和价格：d1-ultra通过Liquid AI的API提供，输入每100万token收0.042美元，输出token不计费。图像按输入token算，一张1024×1024像素的图算1536个token。如果一次输入多个问题，每个问题都会把包含图像在内的整段输入计入计费。
想先试再买的话，d1 Playground上有demo可跑。Liquid AI表示后续还会通过Vercel和OpenRouter提供d1-ultra，并会继续给不同规模的意思決定モデル加新功能、提精度、压响应时间，定期公布新进展。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
