d1-ultra：全球最强决策模型发布（3分钟阅读）

# d1-ultra：发布全球最强决策模型 来源：https://www.liquid.ai/blog/d1-ultra 今天，我们发布 **d1-ultra**，这是我们的新一代多模态决策模型，具备业界顶尖性能。大多数决策模型在简单、常见的任务上表现良好，而 d1-ultra 专为更复杂、更贴近真实世界的场景而构建，例如根据规格书检测电路板上的缺陷，或根据客户提交的照片核验损伤索赔。 d1-ultra 现已在 [Liquid API](https://console.liquid.ai/) 上线，输入令牌价格为每百万个 $0.042。 在 Liquid Console 上试用 (https://console.liquid.ai/) ｜ 在 d1 Playground 上试用 (https://d1.liquid.ai/) ## d1-ultra 的能力 决策模型会针对某一情境中的问题给出答案及其对应的概率。d1-ultra 以非结构化数据（文本、图像，或两者兼有）和一个或多个问题作为输入，通过一次前向传播完成读取，并直接返回概率结果，**不生成任何文本令牌**。 d1-ultra 回答的问题类型与 d1 相同，共有三种： - **noul**：是非题，以 0 到 1 之间的概率作答。 - **Choice**：从多个标签中选择一个，每个标签对应一个概率。 - **Score**：在某个量表上给出一个分值。 ## 结果 与 d1 相比，d1-ultra 基于一个更大的开源权重模型构建，并经过一系列 Liquid 专属的深度定制。结合我们的训练管线后，它带来了显著的性能提升，在知识类任务上尤为突出。 我们在 112 项独立评测中将它与上一代模型 d1 以及 Jev 1.14 进行了对比。 仅有准确率是不够的：决策模型还需要输出经过正确校准的概率。我们发现大多数决策模型在回答时存在过度自信的问题。因此，我们专门针对 d1-ultra 进行了训练，使其输出更加可靠的概率。 在所有任务上，d1-ultra 均优于 Jev 1.14，以相同的价格提供校准更优、准确率更高的回答。想了解实际运行效果，可以在 [d1 Playground](http://d1.liquid.ai/) 中查看更多基于 d1-ultra 的演示。 d1-ultra 还在 [Artificial Analysis Decision Index](https://artificialanalysis.ai/evaluations/artificial-analysis-decision-index) 上以至少 8 分的优势超过所有其他决策模型。 ## 可用性与定价 d1-ultra 已在 [Liquid AI API](http://console.liquid.ai/) 上可用。创建 API 密钥即可开始构建。d1-ultra 也即将通过 [Vercel](https://vercel.com/ai-gateway/models/d1) 和 [OpenRouter](https://openrouter.ai/liquid/d1) 提供。 该模型支持文本、图像，或两者同时输入，示例如下： ```python import base64, os, requests image = base64.b64encode(open("board.jpg", "rb").read()).decode() response = requests.post( "https://api.liquid.ai/decisions/v1/systemone", headers={"Authorization": f"Bearer {os.environ['LIQUID_API_KEY']}"}, json={ "model": "d1-ultra", "images": [f"data:image/jpeg;base64,{image}"], "state": "Camera image of a circuit board on the production line.", "questions": {"defect": { "type": "noul", "instructions": "Does this circuit board have a defect?" } }, }, ) print(response.json()["answers"]["defect"]["noul"]) ``` 完整的 API 参考文档请参阅[决策模型文档](https://docs.liquid.ai/lfm/models/decision-models)。 d1-ultra 仅按输入令牌计费，不产生输出令牌费用。图像与文本按相同费率折算为输入令牌：每 32×32 像素的块计为 1.5 个令牌，因此一张 1024×1024 的图像计为 1,536 个令牌。每个问题作为独立的提示词计费，包括其文本内容及所有关联图像。 d1-ultra 是我们迄今最强大的决策模型。我们将持续致力于多尺寸决策模型的研发，带来新功能、更高的决策质量和更低的延迟，并计划定期发布更新。 在 Liquid Console 上试用 (https://console.liquid.ai/) ｜ [阅读文档](https://docs.liquid.ai/lfm/models/decision-models) ## **引用** 如需引用，请使用以下参考文献或 BibTeX： Liquid AI, "d1-ultra: State-of-the-Art Decision Model", Liquid AI Blog, Oct 2026.