‏d1-ultra: مدل تصمیم‌گیری جدید Liquid AI

Liquid AI مدل d1-ultra رو منتشر کرده؛ یه decision model چندوجهی، یعنی مدلی که به‌جای تولید متن، به سؤال‌ها با احتمال جواب می‌ده. ورودیش داده‌های بدون‌ساختاره (متن، عکس یا هر دو) به‌همراه یک یا چند سؤال. مدل کل ورودی رو تو یه forward pass می‌خونه و بدون تولید حتی یه توکن، احتمال‌ها رو برمی‌گردونه.

به گفتهٔ تیم Liquid، بیشتر مدل‌های تصمیم‌گیری روی کارهای ساده و رایج خوبن، ولی d1-ultra برای موقعیت‌های سخت‌تر ساخته شده. مثلاً پیدا کردن ایراد یه برد مدار با مقایسه با مشخصاتش، یا چک کردن یه ادعای خسارت با عکسی که مشتری فرستاده. سه نوع سؤال پشتیبانی می‌شه: سؤال بله/خیر با یه احتمال بین ۰ و ۱ (تو API با نوع noul)، انتخاب یه برچسب از بین چندتا با احتمال برای هرکدوم (Choice)، و جایگاه روی یه مقیاس (Score).

d1-ultra روی یه مدل open-weight بزرگ‌تر از d1 ساخته شده و Liquid کلی سفارشی‌سازی خودش رو روش اعمال کرده. به گفتهٔ تیم، این کار مخصوصاً تو تسک‌های دانشی بهبود زیادی آورده. مقایسه با d1 و Jev 1.14 روی ۱۱۲ ارزیابی مختلف انجام شده و d1-ultra با همون قیمت تو همهٔ تسک‌ها از Jev 1.14 بهتر بوده. تو Artificial Analysis Decision Index هم دست‌کم ۸ امتیاز از بقیهٔ مدل‌های تصمیم‌گیری جلوتره.

تیم Liquid می‌گه دقت به‌تنهایی کافی نیست و احتمال‌ها باید calibrated باشن؛ یعنی وقتی مدل می‌گه ۹۰ درصد، واقعاً حدود ۹۰ درصد موارد درست دربیاد. به گفتهٔ نویسنده‌ها، بیشتر مدل‌های تصمیم‌گیری بیش از حد مطمئنن و d1-ultra رو مخصوصاً برای احتمال‌های قابل‌اعتمادتر آموزش دادن.

یه درخواست نمونه این شکلیه؛ عکس به‌صورت base64 فرستاده می‌شه، state موقعیت رو توضیح می‌ده و هر سؤال یه نوع و یه دستور داره:

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?"}},
},

هزینه فقط روی توکن ورودیه: ۰.۰۴۲ دلار برای هر میلیون توکن و خروجی هزینه‌ای نداره. عکس‌ها با همون نرخ حساب می‌شن: ۱.۵ توکن برای هر تیکهٔ ۳۲×۳۲ پیکسلی، یعنی یه عکس ۱۰۲۴×۱۰۲۴ می‌شه ۱٬۵۳۶ توکن. هر سؤال هم جدا حساب می‌شه، با متن خودش و همهٔ عکس‌ها؛ یعنی اگه چند سؤال روی یه عکس بپرسی، هزینهٔ عکس چند بار حساب می‌شه. مدل الان روی Liquid API هست و به‌زودی از طریق Vercel و OpenRouter هم میاد.

نکات کلیدی:

• قیمت: ۰.۰۴۲ دلار برای هر میلیون توکن ورودی، بدون هزینهٔ خروجی
• یه عکس ۱۰۲۴×۱۰۲۴ معادل ۱٬۵۳۶ توکن حساب می‌شه و هزینهٔ هر سؤال جداست
• سه نوع سؤال: بله/خیر، Choice و Score
• دست‌کم ۸ امتیاز جلوتر از بقیه تو Artificial Analysis Decision Index
• به‌زودی روی Vercel و OpenRouter