Liquid AI 於二零二六年十月七日公開開源權重決策模型 d1-3B 與實驗版 d1-omni-600M：不生成代幣，單次前向傳播即輸出校準答案。d1-3B 在 Decision Index v0.2.1 公開分取得 48.57，高於所有十億參數以下模型，並略勝參數約十二倍的 Decider 35B-A3B（47.11）；NVIDIA Jetson AGX Thor 單題延遲約十六毫秒，RTX 4090 約八毫秒。

不同於聊天模型，d1 面向路由分流、內容審核、代理護欄與視覺檢查等「要答案、不要長文」場景，權重已上架 Hugging Face，並宣稱支援 llama.cpp。來源真實性已驗證。

Liquid AI／官方：開源邊緣決策模型 d1-3B 與 d1-omni-600M——Decision Index 48.57 逼近十二倍參數對手；Jetson Thor 單題約十六毫秒

美國新創 Liquid AI 在二零二六年十月七日官方博客與 Hugging Face 同步發布 open d1 系列：旗艦 d1-3B（約三十一億參數）與實驗級 d1-omni-600M。兩者屬「決策模型」而非生成式語言模型——輸入狀態與一組結構化問題後，於單次前向傳播內回傳是非機率、具名選項或有序評分，輸出代幣數為零。本文交叉核對 Liquid AI 官方說明、Hugging Face 模型卡與同日技術博文，來源真實性已驗證；文中數字均來自官方披露，並標明評估條件。

本文梳理架構差異、基準與延遲數字、企業落地場景，以及對香港／亞洲私有部署與邊緣閘道的啟示。

一、核心事件：開源「決策模型」進入邊緣硬體

技術細節

Liquid AI 指出，生成式 Liquid Foundation Models（LFM）會產出代幣；d1 決策模型則「一次前向、直接作答」。兩款模型骨幹不同：

• d1-3B：由最新視覺語言模型 LFM2.5-VL-3B 後訓練而來（解碼器架構），接受文字與圖像；模型卡列總參數約 3.12B、上下文 32,768 token、視覺編碼器為 SigLIP2 NaFlex（約四億參數）。
• d1-omni-600M：由雙向編碼器 LFM2.5-Encoder-350M 出發，再分期接入視覺與音訊編碼器；同一請求可接受「文字＋圖像」或「文字＋音訊」，屬早期研究發布，官方暫不公布其延遲數字。

問題格式對齊 Decision Index schema，常見三類：noul（是／否機率）、choice（具名選項）、score（二至十級有序評分）。一次呼叫可對同一狀態掛多個具名問題，狀態只讀一遍。官方並展示十個即時鏡頭演示（Hugging Face Space「System One Arcade」），以及與 NVIDIA 合作、於 Isaac Sim 硬體迴路中由 Jetson 託管 d1-3B 導航的示範。

權重已可下載：LiquidAI/d1-3B、LiquidAI/d1-omni-600M。官方強調 open-weight、可微調與部署，並稱對 llama.cpp 有 day-one 支援（含 Apple、AMD、Qualcomm、NVIDIA／NVFP4）。載入需 transformers>=5.14 且 trust_remote_code=True。

二、技術原理深度解析

決策模型把「判斷」從生成流水線拆出：不依賴長鏈思維或逐 token 解碼，而是把狀態編碼後直接映射到校準輸出。對企業系統而言，這對應三類既有痛點：

1. 延遲預算：客服分派、閘道審核、代理護欄往往要求十至數十毫秒級回應；生成式小模型即使量化，仍受解碼步數拖累。
2. 輸出可控：是非／選項／評分比自由文字易接入規則引擎與稽核日誌；模型卡亦寫明回傳結構含 answers 與 usage（output_tokens: 0）。
3. 多模態同一狀態：d1-3B 可把圖像納入狀態；d1-omni-600M 進一步嘗試音訊，惟官方坦言專用音訊決策基準仍屬開放問題，Decision Index v0.3 的視覺分亦不公開，故文中不以未披露數字作宣稱。

基準方面（官方博客表一／模型卡）：d1-3B 在七項公開文字任務平均約 82.9，高於表中 Decider 4B（81.1）；d1-omni-600M 平均約 78.4，參數約為 Decider 2B 的四分之一卻高於其 77.1。Decision Index v0.2.1 公開分：d1-3B 為 48.57，Decider 35B-A3B 為 47.11（官方稱約十二倍參數規模）。視覺面，模型卡指 d1-3B 在十一項公開圖像基準平均 74.1，接近骨幹 LFM2.5-VL-3B 的 73.9；去掉圖像後同分題僅約 45.1，顯示答案依賴視覺輸入。

延遲（暖機、單請求、官方與 NVIDIA 合作量測）：d1-3B 單題約 8 ms（RTX 4090）、9 ms（AMD MI325X）、16 ms（Jetson AGX Thor）、26 ms（Jetson AGX Orin 64 GB）、30 ms（Apple M5 Pro）、50 ms（Jetson Orin Nano）。三題同狀態在 Thor 上由 16 ms 僅升至約 20 ms（約 1.3 倍）。384 像素圖像在 RTX 4090／MI325X 均低於約 18 ms。打包 64 個狀態時，RTX 4090 吞吐約 475／秒、MI325X 約 1,106／秒、Thor 約 262／秒。d1-omni-600M 在同一 Decision Index 公開分為 15.95，定位為體積優先的實驗檢查點。

須留意：不同頁面個別文字基準小數位略有出入（例如博文與模型卡部分列），本文以 Liquid 官方博客與 d1-3B 模型卡為準；Decision Index 列為官方以正式 scorer 自評，並非提交排行榜的聲明。

三、日常應用場景

1. 開發者與技術團隊

適合把「LLM-as-a-judge、重排、抽取核對、意圖分類」從生成路徑改為單次決策呼叫，降低成本與抖動。示例流程：客服工單一次問退款意圖、負責團隊與緊急度；或對鏡頭幀做手勢／內容標籤。批次 API（system_one_batch）可無 padding 打包多請求，利於閘道服務。

2. 企業與隱私敏感行業

銀行、保險、醫療與法律場景常要「可審計的結構化判斷」而非散文建議。開源權重意味可在專有網路或本機推論，配合零資料出站政策。代理（agent）護欄——例如是否允許呼叫外部工具、是否涉及敏感個資——亦可放在生成模型之前，形成廉價、低延遲的第一道關。

3. 一般用戶與產品團隊

Arcade 演示顯示即時審核與互動遊戲可跑在消費級／邊緣硬體；對新創而言，可用較小參數換取可預測延遲，把大模型留給真正需要生成的步驟。

4. 香港與亞洲市場視角

香港金融、零售與物流大量使用邊緣閘道、門市鏡頭與客服中台。毫秒級決策模型可部署於分行／倉儲的 Jetson 或工作站 GPU，減少把原始音視訊送上公有雲的合規摩擦。粵語／多語客服若仍倚賴大型生成模型，可用 d1 做前級分流與升級策略；阿拉伯語 ASR 等其他開源發布可並行評估，但與本則 d1 無直接替代關係。對須數據留港的機構，開源權重＋本地閘道比純 API 決策服務更易通過內部資安審查。

四、專業評價與潛在考量

優勢

• 公開硬數字：Decision Index、多平台延遲與吞吐表完整，利於採購比較。
• 真正開源權重，可私有微調與離線部署；與僅雲端評分 API 形成差異。
• 與生成式堆疊互補：適合護欄、分流、審核，而非取代聊天／寫作模型。
• 邊緣友好：Orin Nano 單題約 50 ms，覆蓋「即時足夠」門檻。

需要留意的地方

• d1-omni-600M 仍屬實驗發布，音訊決策基準未成熟，不宜直接當生產 SLA 依據。
• 需 trust_remote_code，上線前應審視隨模型分發的自訂程式碼供應鏈風險。
• 決策模型「不作長文」：產品文案、調查報告、複雜推理仍要生成模型或人類。
• 與微軟 Foundry 上的 Microsoft-Decision-1 等雲端決策評分屬不同產品線——後者走託管／計費；d1 走開源邊緣。勿把基準分數跨廠商直接等同。

結語

Liquid AI 把「決策」從生成式 AI 中拆出，並以可下載權重加上 Jetson／RTX 級延遲證明，邊緣與本機閘道已能承載結構化判斷。對香港企業而言，這條路徑有助於在代理自動化加速之際，先把高頻、低延遲、可稽核的關卡放在私有環境。若團隊正評估本機 Hugging Face 模型閘道或企業私有 AI 流水線，可參考 YSK Limited 的企業私有 LLM 全託管（https://ysk.hk/services/ai-automation），以及本機 HF 模型閘道 YSK Omni v1.0.2（https://ysk.hk/products/ysk-omni）。

參考來源

1. Liquid AI 官方：Open d1: Edge decision models for text, vision, and audio（2026-10-07）— https://www.liquid.ai/blog/d1-open
2. Hugging Face 模型卡：LiquidAI/d1-3B — https://huggingface.co/LiquidAI/d1-3B
3. Hugging Face 模型卡：LiquidAI/d1-omni-600M — https://huggingface.co/LiquidAI/d1-omni-600M
4. Hugging Face Blog（發現來源）：Multimodal open d1 decision models for the edge — https://huggingface.co/blog/LiquidAI/open-d1
5. Hugging Face RSS（發現來源）：https://huggingface.co/blog/feed.xml