Liquid AI выпустила d1: нейросеть для решения задач по теории вероятности без единого токена на выходе

Liquid AI 29 сентября 2026 года выпустила d1, модель принятия решений, которая вместо генерации текста возвращает вероятности по заранее заданным вариантам ответа, и это первая нейросеть для решения задач по теории вероятности в таком формате: ноль сгенерированных токенов на выходе, только числа.

Для тех, кто привык решать задачи классификации, маршрутизации обращений или модерации контента через обычные большие языковые модели, d1 предлагает принципиально другой подход. Вы задаёте контекст и набор вопросов с типизированными вариантами, модель отвечает за один вызов откалиброванными вероятностями. Без генерации текста, без ошибок формата, без оплаты выходных токенов.

Новость опубликована Marktechpost на основе документации Liquid AI.

Что умеет d1 и чем отличается от обычной языковой модели?

• Ноль выходных токенов. Обычная языковая модель тарифицирует выходные токены (единицы текста, за которые вы платите) даже ради одного слова-метки. d1 не генерирует текст вообще: поле usage.output_tokens всегда равно нулю.

• Три базовых примитива. Модель работает с тремя типами вопросов:

• Noul (да/нет): возвращает вероятность от 0 до 1. Пример из документации: вопрос «Это жалоба клиента?» получил ответ 0,999.
• Choice (выбор из набора): выбирает один вариант из списка и возвращает распределение вероятностей по всем вариантам плюс значение уверенности. Пример: тикет о двойном списании получил 0,9997 на категорию «биллинг».

• Score (оценка по шкале): оценивает входные данные по упорядованной рубрике и возвращает позицию, взвешенную по вероятности. Пример: производственный сбой набрал 2,9995 по 4-уровневой шкале срочности (от 0 до 3).

• Все три типа вопросов можно смешивать в одном запросе. Модель оценивает каждый вопрос относительно одного и того же состояния за один вызов. Три последовательных запроса к языковой модели для классификации превращаются в один.

• Предсказуемая задержка. Нет цикла декодирования, который растёт с длиной ответа.

• Нет ошибок схемы. Ответы всегда соответствуют типу вопроса: проблема с некорректным JSON и повторными попытками исчезает.

• Откалиброванные вероятности вместо самоуверенных ответов. Обычная языковая модель может заявить «уверен на 95%», но это число ничем не подкреплено. d1 возвращает именно откалиброванные вероятности, что делает пороговые решения практичными. Пример из документации Liquid AI: модерация блокирует при вероятности выше 0,8, пропускает ниже 0,2, а середину отправляет на проверку человеку.

Как попробовать d1 сегодня?

1. Зарегистрируйтесь на console.liquid.ai и получите API-ключ (он начинается с liquid_).

2. Установите клиентскую библиотеку: typesafe-sdk для Python или @typesafe-ai/sdk для TypeScript.

3. Отправьте POST-запрос на https://api.liquid.ai/decisions/v1/systemone с именем модели d1:free, текстовым описанием ситуации (state) и набором вопросов нужных типов (Noul, Choice или Score). Код из документации:

from typesafe_sdk import TypeSafeClient, Noul
client = TypeSafeClient(
    api_key=os.environ["LIQUID_API_KEY"],
    base_url="https://api.liquid.ai"
)
result = client.system_one(
    model="d1:free",
    state="I have been waiting over three weeks for my order...",
    questions={"is_complaint": Noul(
        instructions="Is this message a complaint?")},
)
print(result.answers["is_complaint"].noul)  # 0.999

1. Попробуйте демо Road Decider из документации Liquid AI: это пиксельная гоночная игра на выживание, где d1 принимает решение «лево, центр, право» от 2 до 5 раз в секунду через примитив Choice.

Когда оставить обычную языковую модель?

Liquid AI прямо указывает границы: d1 не заменяет языковую модель для задач генерации текста. Суммаризация, написание черновиков, многошаговый диалог, генерация кода и сложные рассуждения остаются за большими языковыми моделями.

Простое правило из руководства по миграции: если ответ выбирается из N известных вариантов, используйте модель принятия решений. Если модель должна составить новую строку текста, оставайтесь на языковой модели.

Модель доступна только через API, весов для локального запуска (GGUF, MLX, ONNX) нет, и дообучение (fine-tuning, обучение модели на своих примерах под узкую задачу) не поддерживается.

Есть ли аналоги в России?

У YandexGPT и GigaChat нет публичных аналогов d1: обе модели генеративные и не предлагают отдельного API для вероятностной классификации без генерации текста. Российские разработчики, которым нужна нейросеть для решения задач по теории вероятности в формате «вопрос с вариантами, ответ вероятностями», на момент публикации ограничены обращением к API Liquid AI напрямую. Задержка из-за географии серверов возможна, но для задач маршрутизации и модерации, где речь идёт о десятках миллисекунд, это может быть приемлемо.

Что делать с этим прямо сейчас, по ролям

Разработчику в РФ и СНГ. Если вы тратите токены языковой модели на классификацию тикетов, модерацию комментариев или скоринг, d1 даёт конкретную альтернативу: ноль выходных токенов, откалиброванные вероятности, один вызов вместо цепочки. Попробуйте на одной рутинной задаче и сравните стоимость и задержку.

Автору Дзена. Если вы используете языковую модель, чтобы раскладывать обратную связь от подписчиков по категориям (жалоба, вопрос, благодарность), d1 справится точнее и дешевле: вы получите не текстовый ответ «это жалоба», а число 0,999, по которому можно настроить автоматический порог.

Предпринимателю. Модель бесплатна на тарифе d1:free, серверы за рубежом. Для продуктового пилота стоит учесть: весов для локального запуска нет, привязка к внешнему API остаётся.

Частые вопросы

d1 заменяет ChatGPT или другую языковую модель?

Нет. d1 не генерирует текст. Она заменяет только те вызовы, где вы используете языковую модель для выбора из заранее известных вариантов: классификация, маршрутизация, модерация, скоринг. Для написания текстов, диалогов, суммаризации и генерации кода нужна обычная языковая модель.

Можно ли запустить d1 на своём сервере?

На момент публикации нет. Liquid AI предлагает d1 только через облачный API, весов для локального запуска не выпущено, дообучение не поддерживается.

Чем откалиброванная вероятность лучше обычного ответа модели «я уверен на 90%»?

Когда языковая модель пишет «уверен на 90%», это её текстовая самооценка, она не обязана совпадать с реальной точностью. Откалиброванная вероятность (calibrated probability) означает, что если модель выдаёт 0,8 по сотне примеров, примерно в 80 случаях ответ действительно верный. Это позволяет строить надёжные пороги: блокировать, пропускать или отправлять на ручную проверку.