据 MarkTechPost 报道，Liquid AI 发布决策模型 d1，该模型面向结构化选择而非文本生成，用户给出上下文和一组带类型的问题后，它在一次调用中针对预先定义的固定结果集返回校准概率，生成 token 数为零，目前已作为托管 API 上线。
d1 以 d1:free 的名称运行在 Liquid API 上，模型库标注为仅 API、不可训练，没有 GGUF、MLX 或 ONNX 权重可供自托管。它针对的是许多团队仍交给通用大模型的工作，包括分类、工单路由、打分、内容审核、重排序和 LLM-as-judge 检查。迁移指南给出的规则是，若答案是 N 个已知选项之一就用决策模型，若模型必须生成新字符串则继续使用大语言模型。
模型提供三种原语。Noul 是是/否问题，返回 0 到 1 之间的概率，「这条消息是否是投诉」的示例返回 0.999。Choice 从命名选项集中选出一个，返回首选结果、完整分布和置信度，一个重复扣费工单在「账单」上的得分为 0.9997。Score 按有序评分标准评级并返回概率加权位置，等级从 0 开始索引，因此四级紧迫度标准的范围为 0 到 3，一次生产中断的得分为 2.9995。三类问题可在同一个请求中混用。
每次请求由模型、状态和问题三部分组成，状态可以是纯文本或 JSON 对象，调用发往 POST https://api.liquid.ai/decisions/v1/systemone，密钥从 console.liquid.ai 获取并以 liquid_ 开头。客户端为 TypeSafe AI 的 Python 与 TypeScript SDK。
迁移指南列出的差别包括：输出 token 不计费，而大模型即使只输出一个词标签也会计费；延迟可预测，不存在随输出长度增长的解码循环；答案始终匹配问题类型，格式错误的 JSON 和重试随之消失；给出的是校准概率而非模型自报的数值；三次串行分类调用合并为一次。
概率使阈值设定变得可行。审核示例中高于 0.8 阻断、低于 0.2 放行、中间区间交由人工复核；路由置信度低于 0.5 时回退到能力最强的模型层。Liquid 还称对同一输入的重复评估更一致，可减少判定翻转。摘要、起草、多轮对话、代码生成和复杂多步推理仍需保留大语言模型。
road-decider 示例是一个像素风生存赛车游戏，d1 用 Choice 问题在每个决策节拍选择左、中、右，视游戏速度每秒决策约 2 至 5 次；应用基于 Node.js 18+ 的 vanilla JavaScript，用 Vite 代理把 API 密钥留在服务端，「Jev vs d1」模式通过 OpenRouter 让 d1 与 TypeSafe 的 typesafe/jev-1.13 对战。该示例给出的经验是，按车道提供摘要并注明到第一个障碍物的距离，比给出道路原始网格能得到更自信的决策。
同类产品中，TypeSafe Jev 1.13 通过 OpenRouter API 提供，上下文窗口 32K token，每百万输入 token 收费 0.042 美元；Convai Laya 与 AutoTrust JEV-27B 均为开放权重、Apache 2.0 许可，前者英文版 421M、多语言版 322M，上下文分别为 512 和 1,024 token，后者为 27B 主干加 108.9M 可训练参数、4,096 token 上下文，可用 LoRA 适配器微调。d1 的上下文窗口、模型规模和付费费率尚未公布，且不可微调。上述数据于 2026 年 9 月 29 日核对。