@maximelabonne：天哪，文本+视觉的组合能做到的事简直疯狂 > 加入视觉能力可以提升纯文本任务的表现 > OCR 是很简单的任务，完全不需要提示词工程……

X AI KOLs Timeline 模型
multimodal vision-language decision-models liquid-ai open-source efficiency

摘要

Liquid AI 发布了带视觉能力的 d1，使其首个决策模型能够处理图像、文本或两者兼具。基准测试显示，在真实世界应用中，它的表现与 GPT-6.1 Sol 和 Claude Opo 5.5 等前沿模型持平甚至更优，同时保持着快速与低成本的优势。

天哪，文本+视觉的组合能做到的事简直疯狂 > 加入视觉能力可以提升纯文本任务的表现 > OCR 是很简单的任务，完全不需要提示词工程 > 即便增加了视觉输入，它依然保持快速与低成本
查看原文
查看缓存全文

缓存时间: 2026/10/05 19:37

天哪，光靠文本+视觉能做到的事情简直不可思议

加入视觉能力能提升文本类任务的表现 OCR 几乎是开箱即用，完全不需要什么提示词工程 即使额外加入了视觉输入，它依然保持快速与低成本

Liquid AI (@liquidai): 发布支持视觉能力的 d1。👁️👁️ 我们的第一个决策模型现在可以接收图像、文本或图文混合作为输入。我们在六个真实应用场景中测试了 d1——从筛选客服工单到检测电路板——结果 d1 的表现与 GPT-6.1 Sol 持平甚至更胜一筹

相似文章

宣布 d1 获得视觉能力（2 分钟阅读）

TLDR AI

Liquid AI 宣布其决策模型 d1 现在支持图像、文本或两者组合作为输入，声称在 6 项真实世界应用中的 4 项上匹配或超越 GPT-6.1 Sol，同时成本降低 19 到 200 倍，响应速度显著更快。d1 在单次前向传播中直接返回是/否、选项或评分的概率，无需生成任何 token，响应时间在 200–300 毫秒之间。