Liquid AI a lancé d1-ultra, son modèle de décision le plus performant à ce jour. Le modèle de décision Liquid AI d1-ultra lit du texte, des images, ou les deux. Il répond aux questions posées avec une probabilité pour chaque réponse possible. Il le fait en une seule passe forward et ne génère aucun token de sortie. Pour les développeurs, cela signifie des appels de classification, de routage et de scoring sans payer pour du texte généré. Il est désormais disponible sur l'API Liquid au prix de 0,042 $ par million de tokens d'entrée.
TL;DR
- Taille : Paramètres et longueur de contexte non divulgués. Construit sur un backbone open-weight plus grand que d1.
- Fonctionne sur : API Liquid hébergée uniquement. Aucun poids téléchargeable ni variante quantifiée annoncés.
- Performance : En tête des 8 catégories de la suite d'évaluations de Liquid comprenant 112 évaluations, selon Liquid.
- Le meilleur : 65 sur l'Artificial Analysis Decision Index, classé #1 (rapporté par Liquid).
- Le pire : Pas encore de répartition publique par benchmark ni de nombre de paramètres ; les affirmations sont rapportées par le fournisseur.
Qu'est-ce qu'un modèle de décision ?
Un modèle de décision répond à des questions bornées avec des probabilités au lieu de texte libre. La documentation du modèle de décision de Liquid décrit 3 types de questions :
- Noul : une question oui/non qui renvoie une probabilité entre 0 et 1.
- Choice : une étiquette parmi un ensemble, avec une probabilité par étiquette.
- Score : une position pondérée par probabilité sur une échelle ordonnée.
La documentation recommande les modèles de décision pour le routage, la modération, les garde-fous, le tri et le remplacement du LLM-as-judge. Elle recommande un modèle de langage pour la synthèse, le chat et la génération de code.
Comment fonctionne d1-ultra ?
Chaque requête comporte un état (le contexte), des imagesfacultatives, et 1 ou plusieurs questionstypées. Le modèle évalue chaque question par rapport à la même entrée en 1 appel. La référence de l'API d1 montre des réponses avec output_tokens always à 0.
L'équipe de Liquid AI indique que d1-ultra utilise un backbone open-weight plus grand que d1, ainsi que d'importantes personnalisations spécifiques à Liquid. Combiné au pipeline d'entraînement décisionnel de Liquid, les gains sont les plus importants sur les tâches de connaissances.
L'équipe de Liquid AI a construit d1-ultra pour les cas complexes. Ses exemples incluent la détection d'un défaut de carte de circuit par rapport à une spécification. Un autre exemple est la vérification d'une réclamation de dommage par rapport à la photo du client.
Comment d1-ultra se performe-t-il sur les benchmarks ?
Liquid AI a comparé d1-ultra à son prédécesseur d1 et au Jev 1.14 de TypeSafe à travers 112 évaluations. Selon l'annonce de Liquid AI, d1-ultra surpasse Jev 1.14 sur toutes les tâches au même prix.
Sur l'index indépendant Artificial Analysis Decision Index, Liquid rapporte que d1-ultra se classe #1 avec un score de 65. L'index fait la moyenne de 4 évaluations à 25 % chacune :
- AA-Omniscience-Decision : connaissances et hallucination
- HLE-MultiChoice : raisonnement
- When2Call : appel d'outils
- WildGuardTest : classification de sécurité
Pour le contexte, l' article de lancement du 13 octobre d'Artificial Analysis plaçait Jev 1.13 en tête avec 58. GLiDE et Microsoft-Decision-1 suivaient avec 54 chacun.
Comparaison : d1-ultra face à d'autres modèles de décision
| Caractéristique | d1-ultra | d1 | Jev (TypeSafe) | Microsoft-Decision-1 | GLiDE (Fastino) |
|---|---|---|---|---|---|
| Développeur | Liquid AI | Liquid AI | TypeSafe AI | Microsoft | Fastino Labs |
| Paramètres | Non divulgué | Non divulgué | Non divulgué | Non divulgué | Non divulgué |
| Entrée | Texte, images | Texte, images | Texte | Non divulgué | Non divulgué |
| Poids | API uniquement | API uniquement | Fermé | Non divulgué | Non divulgué |
| AA Decision Index | 65 (rapporté par Liquid) | Non divulgué | 58 (v1.13, 13 oct.) | 54 (13 oct.) | 54 (13 oct.) |
| Prix | $0.042 / 1M tokens d'entrée | Non divulgué | $0.042 / 1M tokens d'entrée | $31 / 1M tâches (AA) | $119 / 1M tâches (AA) |
| Tokens de sortie facturés | Non | Non | Non | Non divulgué | Non divulgué |
Comment déployer d1-ultra, et combien coûte-t-il ?
d1-ultra fonctionne sur la Liquid API via le point de terminaison /decisions/v1/systemone avec "model": "d1-ultra". Liquid indique que la prise en charge de Vercel AI Gateway et OpenRouter arrive bientôt. Vous pouvez d'abord le tester dans le d1 Playground.
La facturation couvre uniquement les tokens d'entrée. Selon les notes de tarification de Liquid, les images coûtent 1.5 token par patch de 32×32 pixels. Une image de 1024×1024 coûte donc 1,536 tokens. Chaque question est facturée comme son propre prompt, y compris son texte et toutes les images. Ainsi, 3 questions sur 1 image facturent cette image 3 fois.
La documentation du point de terminaison plafonne les requêtes à 8 images et 10,000 patches d'image. Le corps JSON complet doit rester en dessous de 4.5 Mo.
Points clés à retenir
- d1-ultra renvoie des probabilités pour les décisions textuelles et visuelles avec 0 token de sortie.
- Liquid rapporte un score #1 de 65 sur l'Artificial Analysis Decision Index.
- Il coûte 0,042 $ par million (1M) de tokens d'entrée, le même tarif que Jev de TypeSafe.
- Liquid revendique la plus faible erreur de calibration dans ses tests, ce qui est utile pour les seuils de routage.
- La taille, l'architecture de base et les poids restent non divulguées ; l'accès se fait uniquement via API.
Découvrez le billet de blog officiel, les documents du modèle de décision, et essayez le d1 Playground. Tout le crédit revient au chercheur de ce projet. Par ailleurs, n'hésitez pas à nous suivre sur Twitter et n'oubliez pas de rejoindre notre SubReddit ML de plus de 150k abonnés et de vous abonner à notre Newsletter. Attendez ! Êtes-vous sur Telegram ? vous pouvez maintenant nous rejoindre également sur Telegram.
L'article Liquid AI lance d1-ultra : un modèle de décision multimodal qui obtient un score de 65 sur l'AA Decision Index est apparu en premier sur MarkTechPost.