LiquidAI 於 2026 年 10 月 7 日發布了兩個開放權重的決策模型：d1-3B 和實驗性的 d1-omni-600M。這些模型屬於 d1 決策模型系列，旨在邊緣裝置上提供快速、結構化的決策能力。
在性能方面，d1-3B 在 Decision Index 0.2.1 基準測試中獲得 48.57 分，成為 10B 參數以下表現最佳的模型，超越了所有 4B 和 9B 模型以及 Decider 35B-A3B（47.11 分）。在涵蓋閱讀理解、毒性檢測、意圖分類、醫療問答和跨語言理解的七個公開數據集基準測試中，d1-3B 的平均得分為 82.9，高於 Decider 4B；d1-omni-600M 的平均得分為 78.4，超越了參數規模為其四倍的 Decider 2B（77.1 分）。
在速度方面，LiquidAI 與 NVIDIA 合作評估了 d1-3B 在多種硬體上的推理速度。d1-3B 在 NVIDIA Jetson AGX Thor 上回答一個問題僅需 16 毫秒，在 Jetson AGX Orin 上為 26 毫秒，在 Jetson Orin Nano 上為 50 毫秒。在所有測試的邊緣裝置上，單個問題的響應時間均低於 50 毫秒。在 GPU 上（如 NVIDIA RTX 4090 和 AMD MI325X），d1-3B 回答問題的時間低於 10 毫秒，處理 384px 圖像的時間低於 18 毫秒。d1-omni-600M 由於處於早期研究發布階段，本次未報告速度數據。
d1-3B 支援文字和圖像輸入，基於 LFM2.5-VL-3B（僅解碼器架構）訓練；d1-omni-600M 支援文字與圖像或文字與音訊輸入，基於 LFM2.5-Encoder-350M（雙向編碼器）訓練，並增加了視覺和音訊編碼器。d1-omni-600M 目前處於早期研究發布階段，正在進一步開發中。開發者可以透過 Hugging Face 下載這些模型，並使用 transformers>=5.14 庫進行加載和使用。
事件背景
這些開放的 d1 決策模型基於 LiquidAI 的 Liquid Foundation Models (LFMs) 構建。與生成式模型不同，決策模型不產生 token，而是透過單次前向傳播（single forward pass）直接給出答案。d1-3B 保留了其後備模型 LFM2.5-VL-3B 的視覺能力，而 d1-omni-600M 能夠處理三種模態。由於 Decision Index v0.3 僅包含私有視覺分割，且音訊決策基準測試目前仍是開放問題，因此未報告視覺或音訊基準測試結果。
