智东西(公众号:zhidxcom)
编译 | 孙小雯
编辑 | 程茜
智东西11月17日消息,昨日,麻省理工学院(MIT)孵化的美国AI模型独角兽Liquid AI发布全模态决策模型d1.2和d1.2-ultra,两款模型均可处理文本、图像和音频。其中,d1.2-ultra在第三方评测机构Artificial Analysis(AA)的决策模型评测榜单决策指数v2.1中排名第一。该公司同时透露,未来计划对这两款模型开放权重。
两款模型中,d1.2-ultra侧重更高的决策质量,适合处理较难的任务;d1.2则侧重响应速度与成本的平衡,每百万输入Token的价格不到ultra版的一半。
在AA榜单总榜上,d1.2-ultra得分75,排在该榜第一,领先第二名Drex Max v1.1 3分,同样面向结构化决策的Jev得分66,排名第13;d1.2得分69,排名第9,该得分基于两款模型在AA-Paperclip等六个子项的加权平均得分。在AA榜单的“能力—成本”对比表中,d1.2和d1.2-ultra都位于帕累托前沿上,前者约63美元(约合人民币432元)/百万任务,后者约133美元(约合人民币894元)/百万任务。
相比同样面向结构化决策的Jev,d1.2-ultra以相同的输入价格,增加了音频处理能力,且概率校准误差更低。在Liquid AI内部测试中,包括Jev 1.14、d1.2、d1.2-ultra等在内的五款模型参与测试。校准误差数值越低,代表预测概率与实际正确率越接近。其中,d1.2和d1.2-ultra分别得分0.8、1.2,均低于Jev 1.14的2.7分。

▲AA决策模型综合榜单(上)及能力与成本对比(下)(图源:Artificial Analysis)
API定价方面,两款模型均仅按输入Token计费,定价和上一代d1.1和d1-ultra的价格相同。d1.2每百万输入Token收费0.02美元(约合人民币0.13元)。d1.2-ultra每百万输入Token收费0.042美元(约合人民币0.28元)。同一次请求中的文本和图片只计费一次,追加问题仅收取问题本身的文本输入费用。
此次发布的d1.2和d1.2-ultra通过API新增五类任务,可完成信息读取、文本片段提取、图片物品定位、数值估算,以及多选判断。据Liquid AI内部测试,两款模型读取收据数值的准确率最高达98%,定位图片中指定物体的准确率,两款模型均为94%。

▲两款模型的内部任务测试结果(图源:Liquid AI)
一位外网网友直呼:迫不及待想要开放权重版本了!另一位外网网友称,不用逐个生成输出Token,对信息提取流程来说意义重大。

▲外网网友的评论(图源:X)
Liquid AI由四名具有MIT研究背景的科学家于2023年联合创办,2024年12月曾获AMD领投的2.5亿美元(约合人民币16.8亿元)A轮融资,投后估值约23亿美元(约合人民币154亿元)。
目前,开发者可通过Liquid API调用d1.2和d1.2-ultra,两款模型还将上线OpenRouter和Vercel。
一、新增五项任务,d1.2-ultra校准误差在五款模型中最低
相较前代决策模型d1.1和d1-ultra,d1.2系列新增对以下五类任务的支持:
1、信息读取:两款模型可从输入中读取文本、数字或日期。例如,读取发票中的应付金额,并返回对应的原文字符;若未找到该字段,则返回“未找到”。

▲读取发票中的应付金额(图源:Liquid AI)
2、文本片段提取:它们可找出文本中某一类信息的全部片段。例如,逐项提取笔记中的姓名、电话号码和电子邮件地址,并标明各项信息在原文中的位置。

▲标出笔记中的姓名、电话和邮箱(图源:Liquid AI)
3、图片物体定位:两款模型既支持定位单个目标,也支持查找同类目标的全部实例。例如,用矩形框标出扫描表单上的签名,或为照片中的每一棵树分别返回坐标框及总数。

▲框出画面中的三名女性(图源:Liquid AI)
4、数值估算:估算结果包含预测值和区间。例如,估算照片中的人数,同时给出最可能的数量及范围。

▲估算合影人数,并给出数量区间(图源:Liquid AI)
5、多选判断:两款模型可选出全部适用选项,并分别提供概率。例如,将涉及重复扣款和包裹未送达的客服消息,同时归入“计费”和“配送”两个主题。

▲识别客服消息涉及的多个主题(图源:Liquid AI)
此外,两款模型还支持分析音频和接收语音提问。例如,识别录音中的语言,或判断背景中是否有警报声。

▲判断录音中是否有警报声(图源:Liquid AI)
据Liquid AI披露,两款模型在声音识别和覆盖43种语言的语言识别测试中,回答选择题或是非题的正确率为95%至97%。
Liquid AI工程师Aurélien Lac在X上分享了一段案例,d1.2-ultra用矩形框标出道路上的车辆,并为消防车标注类别及概率。模型还对警笛、交通声、喇叭声等声音分别给出概率,展示了图片定位与音频判断的处理效果。

▲d1.2-ultra定位道路车辆,并为警笛、交通声等声音给出判断概率(图源:X)
此外,Liquid AI还公布了两款模型的概率校准测试结果,检验模型对答案的把握是否符合实际表现。例如,模型对一批答案均给出80%的置信度,意味着理想情况下,每100道题中模型应答对80道题。
如果模型给出的置信度能准确反映答题表现,开发者就可以据此安排人工审核。例如,将置信度较低的回答交给人工复核,置信度较高的回答则由系统自动处理。
Liquid AI使用校准误差衡量预测概率与实际正确率之间的差距,数值越低代表两者越接近。该公司在13项基准、五款模型共同作答的22505道问题上进行了测试。
在这组测试中,d1.2-ultra和d1.2的校准误差分别为0.8和1.2,均低于其余三款参评模型。Jev 1.14、Perplexity Decider v1.3和GPT-6 Luna Decisions API的校准误差分别为2.7、3.7和7.2。

▲五款模型的概率校准表现对比(图源:Liquid AI)
在此次更新之前,Liquid AI已推出覆盖多种模态和任务的模型产品。除了d系列决策模型之外,Liquid AI还推出LFM基础模型系列,以及面向特定任务的Liquid Nanos小模型系列。
10月28日,该公司发布并开源新一代模型LFM3系列,包含1.7B、VL-2B、Audio-2B、Omni-2B、d1-2B与d1-Omni-2B六款模型,其中Omni为全模态模型,可同时处理文本、图像和音频。10月24日,该公司发布决策模型d1.1,主打接近d1-ultra的决策质量,且价格不到d1-ultra的一半。
二、四位MIT科学家联合创办,曾获AMD领投16.8亿元融资
Liquid AI成立于2023年,脱胎于MIT计算机科学与人工智能实验室(CSAIL),主要研发高效基础模型。该公司将计算效率、内存占用和本地部署作为产品重点,推动模型在手机、电脑、汽车等设备上运行。
Liquid AI的四名联合创始人均有MIT研究背景,分别是CEO拉明·哈萨尼(Ramin Hasani)、CTO马蒂亚斯·莱希纳(Mathias Lechner)、首席科学官亚历山大·阿米尼(Alexander Amini)及丹妮拉·鲁斯(Daniela Rus)。
哈萨尼长期研究液态神经网络、鲁棒深度学习及复杂动态系统中的决策。他于2020年获得奥地利维也纳工业大学计算机科学博士学位,此后在MIT CSAIL与鲁斯合作开展博士后研究,曾任美国资产管理公司先锋领航集团(Vanguard)首席AI与机器学习科学家。
莱希纳于2022年获得奥地利科学技术研究所(ISTA)博士学位,参与液态神经网络及机器学习系统安全性研究。
阿米尼的计算机科学本科、硕士和博士均毕业于MIT,也是MIT《深度学习导论》课程的主要组织者和讲师。
鲁斯长期从事机器人、移动计算和数据科学研究,拥有康奈尔大学计算机科学博士学位,同时担任MIT CSAIL主任。她是美国国家工程院院士、麦克阿瑟奖获得者。

▲Liquid AI四位联合创始人,左起为莱希纳、阿米尼、鲁斯和哈萨尼(图源:彭博社)
融资方面,Liquid AI于2024年12月完成AMD领投的2.5亿美元(约合人民币16.8亿元)A轮融资。该公司计划利用这笔资金扩充算力基础设施,加快模型研发,并推动端侧及企业本地部署。
结语:低价、高准确率、概率校准,决策模型瞄准企业日常真实需求
此次更新,Liquid AI关注企业处理日常业务时的实际需求。信息读取、文本片段提取和图片物体定位等能力,可用于读取发票金额、查找个人信息和定位表单签名,为企业自动处理文档、图片等材料提供支持。
不过,企业是否采用,仍要看调用费用与人工纠错的总成本。d1.2系列强调低价、任务准确率和概率校准,分别对应降低支出、减少返工和安排人工审核的需求。如果这些优势能在实际业务中兑现,决策模型就有望承接企业目前交给通用大模型处理的部分任务。
来源:Liquid AI







