Ifølge MarkTechPost har Liquid AI lanceret d1, en beslutningsmodel bygget til strukturerede valg frem for tekstgenerering. Pointen er enkel: man giver modellen kontekst og et sæt typede spørgsmål, og får kalibrerede sandsynligheder tilbage for et fast sæt udfald i ét kald. MarkTechPost skriver også, at modellens svar ikke genererer tekst, og at feltet usage.output_tokens er 0 i hvert svar.
MarkTechPost placerer målgruppen for d1 i det arbejde, mange teams stadig sender til generelle LLM’er: klassifikation, ticket-routing, scoring, moderation, reranking og LLM-as-judge i eval-kæder. Det er opgaver, hvor svaret forventes at være én af N kendte muligheder. I den sammenhæng beskrives d1 som deployerbar i dag som et hosted API, under modelnavnet d1:free, ifølge samme kilde.
Hvad der ifølge MarkTechPost lanceres
MarkTechPost beskriver d1 som en model, der evaluerer en tilstand og returnerer et typet svar fra på forhånd definerede muligheder. Artiklen fremhæver tre primitive spørgsmålstyper: Noul (ja\/nej med en sandsynlighed mellem 0 og 1), Choice (valg fra et navngivet sæt, med både topvalg, fuld fordeling og en confidence-værdi) og Score (en placering på en ordnet skala, med en sandsynlighedsvægtet position). Ifølge artiklen kan man blande de tre typer i samme request, og modellen vurderer alle spørgsmål mod samme state i én rundtur.
Artiklen giver også konkrete eksempler: Et Noul-spørgsmål “Er denne besked en klage?” returnerede 0,999; en Choice-vurdering af en “double-charge ticket” scorede 0,9997 på “billing”; og en Score på en 0–3-urgency-rubrik gav 2,9995 for et produktionsnedbrud. Eksemplerne gengives fra MarkTechPost.
API-kald ifølge MarkTechPost
MarkTechPost skriver, at hvert d1-kald har tre dele: model, state (almindelig tekst eller et JSON-objekt) og questions. Ifølge artiklen går kald til POST https:\/\/api.liquid.ai\/decisions\/v1\/systemone, nøgler hentes fra console.liquid.ai og starter med “liquid_”, og klienter leveres af TypeSafe AI til Python (typesafe-sdk) og TypeScript (@typesafe-ai\/sdk). Disse detaljer er refereret fra MarkTechPost og er ikke uafhængigt verificeret her.
MarkTechPost angiver desuden, at d1 er opført i Liquids modelliste som API-only og ikke-trainable, og at der derfor ikke er tilgængelige vægte til selvhosting (GGUF, MLX eller ONNX). Dette er ligeledes gengivet fra artiklen.
Hvad der er dokumenteret i kilden, og hvad der ikke er
Understøttet af MarkTechPost: at d1 er en beslutningsmodel frem for en tekstgenerator, at usage.output_tokens er 0, at modellen er målrettet klassiske N-klasseopgaver (klassifikation, routing, scoring, moderation, reranking og LLM-as-judge), at tre spørgsmålstyper (Noul, Choice, Score) beskrives, at de kan blandes i ét kald, samt at d1 omtales som tilgængelig som hosted API under navnet d1:free og opført som API-only uden træningsmulighed eller offentlige vægte.
Ikke verificeret i officielle dokumenter her: det præcise endpoint, adgangsflowet i console.liquid.ai, SDK-navne og versionsnumre, pris, SLA, latensmål og detaljer om kalibreringsmetode. De punkter fremgår alene af MarkTechPost i det materiale, der er gennemgået i denne artikel, og bør derfor dobbelttjekkes i officielle kilder, hvis man vil bygge en integration.
Anvendelser og arbejdsform ifølge MarkTechPost
MarkTechPost rammesætter d1 som et alternativ til at bruge generative LLM’er til små afgørelser. I stedet for at generere tekst, defineres svarmulighederne før kaldet, og modellen returnerer en fordeling, der kan bruges direkte i beslutningslogik. Artiklen fremhæver, at man kan stille flere spørgsmålstyper samtidig mod samme state, så klassifikation, ja\/nej-filtre og en rubric-score kan komme retur i ét svar.
Artiklens påstand om nul output-tokens indikerer ifølge kilden en anden omkostnings- og latensprofil end fritekstmodeller, men der gives ikke offentlige priseksempler eller uafhængige latenstal i den gengivne kilde. Det gør sammenligninger med generative modeller foreløbige, indtil officielle eller tredjepartsdata foreligger.
Hvad læsere bør verificere
Før eventuel integration anbefaler MarkTechPost i praksis en migrationslogik, hvor beslutningsmodeller bruges til kendte udfald, mens tekstgenerering forbliver hos LLM’er. For at operationalisere det kræves dog oplysninger, som ikke er verificeret her: endpoint, nøgler og klient-SDK’er, dokumenteret kalibrering (fx reliability-diagrammer, ECE eller Brier score), samt pris og SLA. De bør søges i officielle materialer eller hos udbyderen, da de ikke fremgår af andre gennemgåede kilder end MarkTechPost-artiklen.
MarkTechPost’s eksempler på brugsscenarier – klassifikation, routing, scoring, moderation, reranking og LLM-as-judge – er gengivet ordret i denne artikel som kildens angivelser. Der præsenteres ikke uafhængige benchmarks i den kilde, som er gennemgået her.
Afgrænsning af viden nu
Der er, i det gennemgåede materiale fra MarkTechPost, ikke henvist til uafhængige kalibreringstests eller tredjepartsbenchmarks. Der er heller ikke officielt dokumenterede priseksempler eller SLA-garantier i de kilder, der ligger til grund for denne tekst. Derfor bør centrale integrationsdetaljer og driftsforhold verificeres hos Liquid AI eller i officiel dokumentation, før der træffes beslutninger om implementering.
Konklusionen på det foreliggende er snæver: Ifølge MarkTechPost er d1 en beslutningsmodel, der leverer kalibrerede sandsynligheder over faste udfald, uden genererede output-tokens, og målretter kendte N-klasseopgaver. Resten – de praktiske driftsforudsætninger og tredjepartsverifikation – er endnu uafklaret i offentligt tilgængelige, uafhængige kilder.
