AREX Feed Article
Liquid AI 为 d1 决策模型加入视觉输入，自称六项应用中四项追平或胜过 GPT-6.1 Sol、成本低至对比模型的 1/19～1/200
Liquid AI 在美东时间 10 月 5 日（北京时间 10 月 6 日凌晨）通过和宣布，其首个决策模型 d1 新增视觉输入：调用时可以传入图片、文本或两者，模型返回带概率的结构化答案。公司称，在六项真实应用的对比测试中（从工单过滤到电路板质检），d1 的质量在其中四项追平或胜过 GPT-6.1 Sol，成本只有 GPT-6.1 Sol 与 Claude Opus 5.5 的 1/19～1/200，一条文本决策耗时 200～300 毫秒，足以支撑实时应用。
上述数字均来自 Liquid 自己的对比测试，属于厂商自述口径：公司公布结果，只说明它作出了这些声明。
从电路板质检到游戏屏幕
Liquid 的演示里有一项工业质检应用：四条产线（电路板、蜡烛、腰果、口香糖，来自公开数据集 VisA）的摄像头画面直接交给 d1 判断良品与缺陷品，Liquid 给出的准确率为 85%～97%。Liquid 特别指出，模型没有为这些任务做过专门训练，只凭一段简短描述就能理解任务。
另一组演示用截图代替文字：d1 读取游戏画面选择下一步动作。Tetris 加入画面后，消除行数从 70 行提高到 81 行；Wordle 直接读棋盘截图，12 局全部解出，平均 3.8 次猜中，开发者不需要再写一份文本版棋盘；在纯视觉任务 Quick, Draw! 里，d1 平均从 6 幅涂鸦中认出 5.2 幅，随机猜测的基线是 0.6 幅。
六项对比里的质量、成本与耗时
Liquid 博客的对比图把六项应用放在一起：视觉质检、工单过滤（Smart Filter，在 SQL 里当作函数逐条判断 150 张客服工单）、代码搜索（Code Search，在 Hugging Face transformers 仓库的 6,511 个文件里定位函数）、网页代理（Web Agent，按一句话目标操作机票搜索页面）、上下文压缩（Context Compaction，为编码代理取舍工具输出、减少 52% 的 token）、智能文件夹（Smart Folders，把新文档逐层归档）。下表按该图整理，单元格内按 d1 / GPT-6.1 Sol / Claude Opus 5.5 的顺序排列：
| 应用 | 质量 | 每千次运行成本 |
|---|---|---|
| 视觉质检 | 91% / 82% / 92% | $0.048 / $2.56 / $6.17 |
| 工单过滤 | 95% / 95% / 98% | $0.85 / $45 / $142 |
| 代码搜索 | 80% / 87% / 100% | $1.25 / $68 / $251 |
| 网页代理 | 100% / 100% / 100% | $0.76 / $30 / $86 |
| 上下文压缩 | 100% / 86% / 100% | $0.31 / $5.89 / $19 |
| 智能文件夹 | 96% / 98% / 100% | $0.025 / $1.44 / $4.54 |
按图内数字，追平或胜过 GPT-6.1 Sol 的四项是：视觉质检（91% 对 82%）、工单过滤（95% 对 95%）、网页代理（100% 对 100%）、上下文压缩（100% 对 86%）；代码搜索（80% 对 87%）和智能文件夹（96% 对 98%）落后。对 Claude Opus 5.5，d1 没有一项质量更高，只有两项打平（网页代理与上下文压缩均为 100%）。
成本差距最大的例子是代码搜索：每千次运行 d1 花 1.25 美元，Claude Opus 5.5 为 251 美元，差距约 200 倍；另一端是上下文压缩，d1 为 0.31 美元，GPT-6.1 Sol 为 5.89 美元，差距约 19 倍。耗时上，d1 每次运行在六项里都比两个对比模型短，例如网页代理为 5.1 秒，GPT-6.1 Sol 与 Claude Opus 5.5 分别是 31.8 秒和 35.0 秒。
一次前向传播，不生成 token
d1 的工作方式与生成式模型不同：它把输入读一遍（一次前向传播），直接给出每个候选答案的概率，全程不生成 token。问题分三类：Noul（是或否，返回 0～1 的概率）、Choice（多选一，返回各选项的概率分布）、Score（在有序量表上打分）。
计费上，d1 只按输入 token（词元）收费，输出 token 始终为 0。图片按与文本相同的费率折算成输入 token：每个 32×32 像素块记 1.5 个 token，一张 1,024×1,024 的图片折 1,536 个 token。同一个请求里的每个问题都会单独计费，并且各自包含问题的文本和请求中的全部图片。
8 张图、4.5 MB、只接受 base64
视觉输入通过 Liquid API 提供，需使用付费版 d1（免费版 d1:free 不接受图片）。接入时，图片和文本使用同一个接口（/decisions/v1/systemone），在请求里加一个 images 数组，问题类型和返回格式不变；API 密钥在 上创建。按，每张图可以是 Base64 data URL，也可以是带 content_type 和 base64 字段的对象。
官方文档给出的限制包括：单次请求最多 8 张图；整个 JSON 请求体不超过 4.5 MB；所有图片合计不超过 10,000 个 32×32 像素块；单张图的长边不超过短边的 100 倍；格式支持 JPEG、PNG、WebP、GIF；不接受远程图片 URL，网上的图片要先下载再编码。此外，官方 SDK 暂不支持传图，文档中的图片示例改用 requests 或 fetch 实现。Liquid 称，博客里的各项演示都能在 里现场运行。
9 月的 d1 之后
d1 于 9 月 29 日发布，Liquid 在中称，它是第一个在 Hugging Face 的 Decision Index 上超过决策模型 Jev 的模型。在 Vercel 和 OpenRouter 上，d1 目前只支持文本，Liquid 称视觉版「很快」会登陆这两个平台； 的 d1 页面列出的公开价格是每百万输入 token 0.04 美元、输出 0 美元，上下文窗口 66K，对应的是当前的文本版。
博客最后提到，Liquid 会继续推进不同规模的决策模型、更高的决策质量和更低的延迟，并计划在 Hugging Face 发布后续模型的开放权重。对开放权重，以及 Vercel 与 OpenRouter 的视觉版，Liquid 都只说了「很快」，没有给出日期。