据MarkTechPost于2026年10月11日报道，vLLM Semantic Router团队发布Decision 3.0多模态决策模型系列，5种尺寸均以Apache-2.0许可开放，可读取文本、JSON和图像，并直接返回概率化决策结果。
Decision 3.0不生成文本，而是返回校准概率。用户输入文本或JSON状态、可选图像以及命名问题，问题形式包括Choice、Yes/No和Scale评分；模型一次调用回答全部问题，为每个答案给出概率，供路由器与护栏按阈值使用。
该系列包括d3-lite（0.85B）、d3-nano（2.21B）、d3-mini（4.54B）、d3-flash（8.39B）和d3（26.09B），上下文长度未披露，权重为BF16，未列出官方量化版本。所有模型均为Qwen微调，27B的d3基于Qwen3.8-27B，较小4款基于Qwen3.5检查点，参数规模0.8B、2B、4B和9B。每款都带视觉编码器，d3-lite为0.10B，d3-nano与d3-mini为0.33B，d3-flash与d3为0.46B。请求可接受多张PNG、JPEG或WebP图像，每张最高1.6百万像素，每个问题都能看到全部图像，并分别进行一次前向计算。安装目标为transformers==5.17.0，可选flash-linear-attention包加速线性注意力层，加载需trust_remote_code=True。
模型卡显示，研究团队采用Jev Decision Index 0.3.1，该榜单对TypeSafe Jev决策系统的开放复现进行排名，d3数据为团队内部评测。文本方面，d3得64.1，高于Perplexity Decider v1.1的62.8和Jev的60.1；但Torchcast Decision 27B在公开套件上以65.1对64.9略高。视觉榜上，d3得71.6，Perplexity Decider v1.1为70.6。尺寸优势较明显：d3-flash（9B）得59.0，高于Decision 2.0的27B版本55.9；公开套件相对Decision 2.0提升从+8.0（27B）到+15.1（0.8B）。不过类别领先并不统一，d3-mini和d3-flash同时领先各自文本与视觉表，d3-lite文本领先但视觉排第三（41.1，低于JPT-0.8B的42.1），d3-nano视觉领先但文本以35.8低于LiquidAI d1-3B的40.1。公开视觉任务中，d3在InfographicVQA得97.3、Mind2Web得89.9，MMMU-Pro视觉为46.2，Hateful Memes审核为44.6；卡片列出的最佳成绩是KIE文档抽取97.7，最差是R-Bench-M的34.1。
延迟中位数基于单请求、单块AMD Instinct MI325X。d3-nano文本21.7毫秒、带图92.0毫秒；d3-lite为23.5毫秒和60.7毫秒；d3-mini为28.5毫秒和115.0毫秒；d3-flash为29.7毫秒和171.8毫秒；d3为84毫秒和342毫秒。所有模型均在AMD Instinct MI325X GPU上训练。
与其他决策模型相比，Featured3（vLLM SR）参数26.09B，输入文本、JSON和图像，Apache-2.0许可，决策指数64.1，视觉榜71.6，文本延迟84毫秒。Perplexity Decider v1.1参数26B，输入文本和图像，每次决策上下文8192 tokens，榜单得分62.8，视觉榜70.6。Decision 2.0 Vega-27B参数29.37B，输入文本和JSON，上下文32768 tokens，榜单55.9。LiquidAI d1-3B参数3.12B，输入文本、JSON和图像，榜单40.1，延迟9毫秒。