d1-ultra: обзор модели, которая возвращает вероятности вместо текста
15 октября Liquid AI представила d1-ultra — мультимодальную модель принятия решений. Её назначение отличается от обычного чат-бота: на вход подаются текст, изображение или их сочетание и вопрос, а на выходе система отдаёт вероятности вариантов, не генерируя развёрнутый ответ токен за токеном. Это делает модель интересной для сортировки, первичного отбора и проверок, где результатом должен быть выбор из заданных категорий.
Компания указывает цену $0,042 за миллион входных токенов и отсутствие оплаты выходных токенов, поскольку ответ представлен оценками классов. Изображения также учитываются как вход: в опубликованном примере изображение 1024×1024 соответствует 1536 токенам. Это сведения поставщика о своей API-модели, а не независимый тест стоимости или качества на любом наборе.
Что значит «решающая» модель
Вместо свободного текста задаётся форма вопроса. Для бинарной задачи это может быть «есть ли видимый дефект?», для выбора — один вариант из набора («царапина», «скол», «загрязнение», «неопределённо»), а для числовой оценки — заранее определённая шкала. Модель возвращает вероятности, которые можно сравнить с порогом или передать следующему этапу процесса.
Ключевая особенность — ограниченный выход. Сервис не должен написать длинное объяснение, но это не означает, что он автоматически объясним. Вероятность 0,91 не раскрывает, на какой участок изображения или фразу модель опиралась, и не доказывает калибровку. Перед использованием выясните, что означает score в выбранном API, как он ведёт себя на новом домене и нужно ли настраивать порог под цену ложного пропуска и ложного срабатывания.
Где такой формат уместен
Пример из промышленного контроля: проверить фотографию платы относительно короткого требования и отправить низкоуверенные случаи человеку. В обработке обращений — определить, относится ли сообщение к одной из нескольких категорий, чтобы сотрудник быстрее нашёл нужную очередь. В документообороте — предварительно отметить, присутствует ли нужное поле на скане, не принимая решение о выплате автоматически.
Во всех этих ситуациях d1-ultra уместна как первый фильтр, а не как окончательный судья. Если система говорит «дефекта нет», оператор должен знать, какая доля пропусков допустима и как выбран порог. На редких событиях среднее качество может скрывать серьёзный провал: например, небольшая трещина встречается редко, но её пропуск дорого обходится.
Как оценить на своём наборе
Соберите размеченные примеры, похожие на реальные входы: разные устройства, освещение, качество скана, языки и случаи с неполными сведениями. Отложите часть примеров до финального теста. Для каждого сохраните эталон и объяснение разметки, чтобы спорные случаи не превращались в произвольную оценку после ответа модели.
Сравните несколько вещей: долю верно найденных положительных случаев, число ложных тревог, качество калибровки вероятностей и долю «не знаю», если API позволяет задать такую категорию. Для задачи обнаружения дефекта отдельно измерьте пропуски. Подберите порог на обучающей выборке, затем проверьте его на отложенной; не подгоняйте порог под весь набор и не называйте результат независимой проверкой.
Запишите цену на один обработанный объект с учётом изображения и всех вопросов. Liquid AI считает каждое отдельное формулирование самостоятельным запросом, так что несколько проверок одной фотографии увеличивают входной объём. Добавьте повторные запросы, логирование, хранение файлов и человеческий контроль. Утверждение «нет выходных токенов» не равно «вся операция бесплатна».
Ограничения внедрения
Доступ к d1-ultra предоставляется через API Liquid AI; локальная установка и возможность использовать произвольный стек не заявлены на странице запуска как универсальный путь. Проверьте доступность сервиса из своей страны, требования к хранению изображений и условия обработки данных. Не передавайте фотографии людей, медицинские документы или коммерческие материалы, пока не согласованы основания и настройки хранения.
Категории и формулировки должны быть точными. Если система выбирает только из трёх классов, ей негде указать неизвестный дефект или неоднозначность. Добавьте вариант «недостаточно данных» либо ручную очередь. Контрольные примеры стоит пересматривать после смены камеры, освещения, формы документа или самого API: прежние оценки не обязательно сохранятся.
Вывод
d1-ultra — нишевый инструмент для классификационного этапа, а не универсальная замена текстовой модели. Её сильная сторона — ответ в форме оценок классов и работа с изображениями; главный вопрос для покупателя — калибровка на собственной задаче и цена полного рабочего маршрута. Если нужен генеративный разбор с объяснением, сравните подход с открытой моделью Beam и нашим гайдом по проверке прав ИИ-агента.
FAQ
d1-ultra пишет текстовые ответы? По описанию запуска — нет, модель выдаёт вероятности вариантов. Нужно ли платить за изображение? Да, оно учитывается во входных токенах; стоимость зависит от размера и числа вопросов. Можно ли автоматически принимать решение по результату? Только после проверки порога и ошибок на независимом наборе, а для важных последствий оставлять человеческую проверку.