LiquidAI: d1.1 API
LiquidAI 推出的決策模型，直接回傳機率而非生成文字，適合分類、路由與評分。
d1.1 是 LiquidAI 的決策模型，運作方式與一般生成式模型不同：它不產生文字，而是針對是／否問題回傳 0 到 1 之間的機率，針對選擇題為每個標籤回傳機率，針對評分題則依序加權有序等級並回傳預期位置。同一個請求中可以一次詢問多個關於同一狀態的問題，所有選項的機率會在單次前向傳遞中計算完成，輸出 token 數為零。
它建立在一個較大的開放權重模型上，並加上 Liquid 專屬客製化。文字決策約需 200 至 300 毫秒，足以支援即時應用；當需要的是結構化決策時，可取代對大型語言模型的昂貴呼叫。它在 6 個實際應用中有 4 個的表現等於或優於 GPT-6.1 Sol 與 Claude Opus 5.5，且在所有任務上的回應速度都明顯更快。
適合的任務包括軟體中的快速結構化決策、分類、路由、評分、客服工單分流、內容審核、回應評估、影像檢查，以及代理流程中的關卡判斷。影像與文字同價計入輸入 token，每 32x32 像素區塊為 1.5 個 token，一張 1024x1024 影像計為 1,536 個 token。
更新時間:
模型 ID
d1.1- 上下文
- 65.536K
- 最大輸出
- 58.982K
- 輸入
- text / image
- 輸出
- decisions
核心要點
- 直接回傳機率，不生成文字
- 單次前向傳遞算完所有選項機率
- 文字決策約 200 至 300 毫秒
- 可一次詢問同一狀態的多個問題
- 支援文字與影像輸入
- 對提示注入具高抵抗力
供應商
比較不同供應商的呼叫價格，點擊供應商可查看完整費用和適用條件。
| $0.02 | $0 | $0.02 |
基準測試
- 48.57
Decision Index 0.2.1
d1-3B 的成績，在 10B 以下的決策模型中最高
- 47.11
Decider 35B-A3B
d1-3B 超越的參考分數
- 74.1
影像基準平均
d1-3B 在 11 項公開影像基準上的平均
- 73.9
LFM2.5-VL-3B 影像平均
基礎模型，略低於 d1-3B
- 82.9
文字基準平均
d1-3B 在 7 項公開文字基準上的平均
- 81.1
Decider 4B 文字平均
d1-3B 超越的參考分數
分數來自模型廠商公布的資料，未經獨立驗證。
決策快速開始
把狀態與明確的型別化問題送到 /api/v1/decisions，每個問題讀回一個答案：noul 回傳 0 到 1 的機率，choice 回傳選中的選項及其分布，score 回傳有序標準的數值評分。這個入口與 Chat Completions、Messages、Responses 三套介面彼此獨立。
curl https://openapi.felo.ai/api/v1/decisions \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "d1.1",
"state": "Help! My payouts have been failing for 3 days.",
"questions": {
"is_urgent": {
"type": "noul",
"instructions": "Does this message convey urgency?",
"criteria": {"true": "Time-sensitive", "false": "No urgency"}
},
"department": {
"type": "choice",
"instructions": "Which team should handle this?",
"criteria": {
"billing": "Payments, invoicing, refunds",
"technical": "Bugs, outages, integrations",
"sales": "Pricing, upgrades, new accounts"
}
},
"frustration": {
"type": "score",
"instructions": "How frustrated is the customer?",
"criteria": ["Calm", "Frustrated", "Very angry"]
}
}
}'常見問題
什麼是 LiquidAI: d1.1?
d1.1 是 LiquidAI 的決策模型，運作方式與一般生成式模型不同：它不產生文字，而是針對是／否問題回傳 0 到 1 之間的機率，針對選擇題為每個標籤回傳機率，針對評分題則依序加權有序等級並回傳預期位置。同一個請求中可以一次詢問多個關於同一狀態的問題，所有選項的機率會在單次前向傳遞中計算完成，輸出 token 數為零。 它建立在一個較大的開放權重模型上，並加上 Liquid 專屬客製化。文字決策約需 200 至 300 毫秒，足以支援即時應用；當需要的是結構化決策時，可取代對大型語言模型的昂貴呼叫。它在 6 個實際應用中有 4 個的表現等於或優於 GPT-6.1 Sol 與 Claude Opus 5.5，且在所有任務上的回應速度都明顯更快。 適合的任務包括軟體中的快速結構化決策、分類、路由、評分、客服工單分流、內容審核、回應評估、影像檢查，以及代理流程中的關卡判斷。影像與文字同價計入輸入 token，每 32x32 像素區塊為 1.5 個 token，一張 1024x1024 影像計為 1,536 個 token。
如何計算呼叫費用？
費用取決於你使用的供應商、對應價格和實際用量。長文字輸入等情況可能適用不同價格，詳見計費明細。
d1.1 支援哪些輸入與輸出？
支援文字與影像輸入，輸出為文字。不過它的核心行為是回傳機率而非生成文字，是／否題會得到 0 到 1 的機率，選擇題則為每個標籤回傳機率。
d1.1 適合哪些任務？
適合快速結構化決策，例如分類、路由、評分、客服工單分流、內容審核、回應評估、影像檢查，以及代理流程中的關卡判斷。
d1.1 與同系列模型有什麼差別？
d1.1 在 Liquid Docs 中被列為能力最強的決策模型，支援文字與影像，預設為託管服務。系列中另有 d1-3B、d1-omni-600M 與 d1-ultra 等不同規模的選擇。
d1.1 的輸入如何計費？
只計算輸入 token，沒有輸出 token。影像與文字同價計入，每 32x32 像素區塊為 1.5 個 token，一張 1024x1024 影像計為 1,536 個 token；每個問題各自計為一則提示。
d1.1 的決策速度如何？
文字決策約需 200 至 300 毫秒，足以支援即時應用，并且在所有任務上的回應速度都明顯快於 GPT-6.1 Sol 與 Claude Opus 5.5。