Article Intelligence
先看结论
Liquid AI 发布两款开源决策模型 d1-3B 与 d1-omni-600M，基于其 Liquid Foundation Models 构建，采用单次前向传播直接作答而非逐 token 生成。d1-3B 支持文本与图像输入，在 Decision Index 0.2.1 上位列 10B 以下模型第一，并在 NVIDIA 边缘设备上实现 16 至 50 毫秒级推理。
核心指标
评分用于衡量信号强度，判断类指标用于解释方向、热度、后续动作与可信程度。
影响力
衡量事件对技术、产业或生态的外部影响强度。
5.5
该发布并非范式级事件（不属于 ChatGPT 式的行业转折），但在小模型/边缘 AI 这一局部战场具有实质性冲击：一是提出'决策模型'这一区别于生成式 LLM 的独立品类，用单次前向传播替代逐 token 生成，把延迟压到 16–50ms，直击边缘端常驻推理的痛点；二是 3B 参数在 Decision Index 上超过 35B-A3B 的 Decider，参数效率突出；三是完全开源并与 NVIDIA 生态绑定，可能成为端侧'决策层'的默认选项之一。综合看改变了边缘小模型的竞争格局，具备一定破圈潜力，但受众仍集中在边缘/嵌入式 AI 圈层，故定为中高段而非高段。
复合价值
综合新颖性、可执行性与长期观察价值。
6.5
该事件开辟了一个与生成式模型正交的新品类——'决策模型'：不做逐 token 生成，而是单次前向传播直接输出答案，配合 3B/600M 的极小体积与 16–50ms 的端侧延迟，天然契合高并发、低延迟、隐私敏感的决策类场景（内容审核、意图路由、端侧 Agent 判定、医学问答等）。这类能力一旦被生态广泛采用，有望沉淀为'端侧决策层'的细分基础设施，具备稳定的复用价值。但需谨慎定价：其一，模型完全开源，Liquid AI 的直接货币化路径薄弱，更多是借 LFM 生态与 NVIDIA 硬件绑定换取影响力，价值捕获偏向硬件与生态而非模型本身；其二，'决策模型'仍属早期品类，Decision Index 尚不成熟（视觉为私有分片、音频基准缺失），d1-omni-600M 仅为研究预览；其三，Liquid AI 相对基础模型巨头体量偏小，护城河可持续性存疑。综合判断：具备成为细分赛道基础设施的潜力，但需持续验证，故给予中高区间评分。
结构化事实、实体识别与逻辑链
Liquid AI 发布两款开源决策模型 d1-3B 与 d1-omni-600M，基于其 Liquid Foundation Models 构建，采用单次前向传播直接作答而非逐 token 生成。d1-3B 支持文本与图像输入，在 Decision Index 0.2.1 上位列 10B 以下模型第一，并在 NVIDIA 边缘设备上实现 16 至 50 毫秒级推理。
Liquid AI 发布开源决策模型 d1-3B 和 d1-omni-600M。d1-3B 基于解码器架构的 LFM2.5-VL-3B 训练，接受文本与图像输入；d1-omni-600M 基于双向编码器 LFM2.5-Encoder-350M，额外增加视觉与音频编码器，支持文本加图像或文本加音频，目前为早期研究版本。在 Decision Index 0.2.1 上 d1-3B 得分 48.57，领先所有 4B 与 9B 模型以及 Decider 35B-A3B 的 47.11。两款模型在七个公开数据集上的平均得分分别为 82.9 与 78.4。Liquid AI 与 NVIDIA 合作在 RTX 4090 及 Jetson 系列设备上评估 d1-3B，单次问答耗时低于 50 毫秒。
情绪
积极
整体偏利好，可优先看它带来的机会、受益方和后续扩散可能。
Hype
中 hype
有一定叙事包装，阅读时需要同时看亮点和限制。
标题'Best decision model under 10B'带有明显营销色彩，且核心排名依据 Decision Index 0.2.1 属于自建/小众评测口径，存在选择性呈现；同时宣称保留视觉能力却明确不公布任何视觉/音频 benchmark，属难以验证的定性论断。但整体仍以真实参数、表格化数据和分设备延迟数字为主，承认 d1-omni-600M 为早期研究、不报速度数据，未见'颠覆''革命性'等空洞 PR 词——属有数据支撑但存在框架性包装。
行动建议
持续监测
先保持观察，等后续产品、论文或市场反馈再升级判断。
置信度
分别对应影响力、复合价值与 Hype 判断的可信程度。
技术/商业影响、关注焦点与受影响对象
单次前向传播的决策范式与 50ms 以内的端侧推理延迟，能否真正替代生成式 LLM 在边缘的调用
本质突破在于推理范式的分离：用单次前向传播（non-autoregressive decision head）直接输出决策/答案，绕过逐 token 解码，从而在 3B 规模实现边缘端 16–50ms 级响应；同时 d1-omni-600M 从双向编码器 LFM2.5-Encoder-350M 出发叠加视觉与音频编码器，验证了决策模型可跨文本/图像/音频三模态统一建模，而非生成式多模态的拼接式方案。
为边缘/端侧 AI 打开一条'轻量决策层'路径：以极低延迟和成本承担分类、问答、路由、审核等确定性任务，替代将请求上传云端大模型的做法，利于隐私敏感与离线场景。可能重塑端侧 API 与推理服务的定价逻辑，并强化 NOVIDIA Jetson 硬件生态的软件护城河，催生'生成式大模型在云、决策小模型在端'的分层架构商业化模式。
结合机会清单和风险矩阵判断后续关注重点
早期研究版 d1-omni-600M 未公布速度数据，性能与稳定性承诺存在兑现风险，需警惕宣传口径与实际可用性的落差。
开源权重许可条款与商业使用边界未明确，企业落地前需评估许可证对闭源商用与再分发的限制。