据MarkTechPost报道，Liquid AI已发布其迄今能力最强的决策模型d1-ultra。该模型可读取文本、图像或两者，以每个可能答案的概率回答带类型的问题，并在一次前向传递中完成，不生成输出token。
d1-ultra目前仅在Liquid API上提供，定价为每百万输入token 0.042美元。Liquid AI未披露其参数规模、上下文长度、骨干细节及可下载权重或量化版本。Liquid AI团队称，d1-ultra基于比d1更大的开放权重骨干，并结合大量Liquid特定定制和决策训练流程，在知识任务上提升最大。该模型面向杂乱场景，Liquid给出的例子包括对照规格检测电路板缺陷，以及对照客户照片核查损坏索赔。
决策模型与语言模型不同之处在于，它不生成自由文本，而是对有界问题给出概率。Liquid的决策模型文档描述了三类问题：Noul是回答是或否并返回0到1之间的概率；Choice从一组标签中选择，并给出每个标签的概率；Score在有序评分表上返回概率加权位置。文档建议将决策模型用于路由、审核、护栏、分诊以及替代LLM-as-judge，而摘要、聊天和代码生成仍建议使用语言模型。
每个请求包含状态即上下文、可选图像以及一个或多个带类型问题。模型在一次调用中对同一输入评估所有问题。d1 API参考显示，响应的output_tokens始终为0。Liquid AI表示，d1-ultra在其112项评估套件中领先全部8个类别。在独立的Artificial Analysis Decision Index上，Liquid报告d1-ultra以65分排名第一。该指数平均四项评估，各占25%：AA-Omniscience-Decision评估知识与幻觉，HLE-MultiChoice评估推理，When2Call评估工具调用，WildGuardTest评估安全分类。
Liquid AI将d1-ultra与自家d1及TypeSafe的Jev 1.14比较，称d1-ultra在相同价格下于所有任务上优于Jev 1.14。Artificial Analysis在10月13日发布文章中将Jev 1.13列在首位，得分为58，GLiDE和Microsoft-Decision-1各以54分紧随其后。Liquid还称d1-ultra在测试中校准误差最低，这对路由阈值有用。目前没有公开的逐项基准细分或参数数量，相关性能主张由厂商报告。
部署方面，d1-ultra通过Liquid API的/decisions/v1/systemone端点运行，模型名称为d1-ultra。Liquid表示，Vercel AI Gateway和OpenRouter支持即将推出。用户可先在d1 Playground中测试。计费只覆盖输入token。根据Liquid的定价说明，图像按每32×32像素补丁1.5个token计费，因此一张1024×1024图像为1536个token。每个问题作为独立提示计费，包含其文本和所有图像，所以三个问题针对一张图像会对该图像计费三次。端点文档将请求限制为最多8张图像和10000个图像补丁，完整JSON主体须低于4.5MB。