Liquid d1开始看图：判断任务不必逐字生成答案

决策模型 / 多模态 · 8.6/10 · 建议试用验证

Liquid AI 发布 d1 的新版本，给它加上图像输入。d1 接受一段状态描述、一张图和一个或多个问题，直接给出“是/否”、多个选项或分级评分的概率。它不是让聊天模型先写一段解释再解析 JSON，而是一次前向计算完成判断，不逐个生成答案 token。你之前关注 Jev，这次值得看的新增点正是：这类判别模型开始接触相机画面和屏幕截图。

Liquid 展示了产线零件质检、代码仓库搜索、网页操作以及编程 Agent 的上下文压缩。比如质检场景给模型待检零件和同产线合格样本的图像，让它判断有无缺陷；官方在公开 VisA 数据集的四类产品上报告 85%–97% 准确率。若这个方向经独立复测成立，许多“看一眼画面，决定下一步”的小判断就不必每次都唤起大型生成模型。对网页 Agent 或视觉流水线来说，延迟和调用次数可能比把回答写得漂亮更关键。

这些数字还不能直接当通用胜率。六个应用的对照每项只跑一次，部分测试问题在 d1 流程确定后才写，成本又按公开标价计算，均需用自己的任务复核。图像目前通过 Liquid 自家 API 提供；Vercel 和 OpenRouter 的接入暂时只有文本。它公布的是可调用模型，不是开放权重。