d1 - 单次前向传播输出校准决策的 3B 多模态决策模型

d1 是 LiquidAI 发布的一个 3B 参数多模态决策模型，建立在 LFM2.5-VL-3B 之上。按项目自述，它的使用方式与常见生成式模型不同：你给它一个「状态」（可以是文本、JSON、图像，或几者的混合）以及一组问题，它在一次前向传播中返回带类型、带校准置信度的答案，且输出 token 数为零。也就是说，它不写文字、不做对话，只做判断。

据项目说明，d1-3B 适合任何需要「是/否」「从给定选项中挑一个」或「打分」的流水线环节，例如路由与分流、内容审核、意图与主题分类、抽取结果校验、重排序、LLM-as-a-judge 评分、智能体护栏以及视觉检查。项目明确表示它不是聊天模型，也不会写文本——如果你的场景需要生成自然语言回复，这个模型并不对口。

维护者与状态

该项目由 LiquidAI 维护，托管在 Hugging Face 上，任务类型标注为 image-text-to-text，框架为 transformers。仓库创建于 2026-10-05，最后更新于 2026-10-07。截至 2026-10-09，近 30 天下载量为 5370，点赞数为 192。事实表中未列出正式 release 信息，因此这里不对版本发布情况作额外说明。

主要能力

以下能力描述均来自项目自述（模型卡），并非本站实测结论。

• 单次前向、零输出 token 的决策：据项目说明，模型对同一个状态下的多个命名问题只读取一次状态及其图像，一次调用即可返回全部答案，返回结构中包含 answers 与 usage（其中 output_tokens 为 0）。
• 多模态输入：图像与文本可以出现在同一个状态里。项目自述其在 11 个公开图像基准上的平均得分为 74.1，并称把图像去掉后同样的问题只能得到 45.1 分，以此说明答案来自图像本身。
• 结构化的问答类型：问题遵循 Decision Index 的 schema，包含 type、instructions 与 criteria。项目列出了三种类型：noul（是/否，返回 P(yes)）、choice（从命名选项中选一个，返回选项、置信度与概率分布）、score（2 到 10 个有序等级，返回期望等级、置信度、概率分布与图例）。
• 批量打包：项目提供了 system_one_batch 调用，据其说明可以把多个请求打包在一起处理，且不需要 padding。
• 面向边缘与 GPU 的推理速度：项目自述在 NVIDIA RTX 4090 上单次决策约 8 ms、在 AMD MI325X 上约 9 ms、在 Apple M5 Pro 上约 30 ms，并给出了 Jetson 系列边缘设备的延迟与吞吐数据。这些数字来自项目自述，本站未做验证。
• 模型规格：据模型卡，总参数量 3.12B，视觉编码器为 SigLIP2 NaFlex shape-optimized 400M，上下文长度 32,768 tokens，词表大小 128,000。

使用入口

模型仓库地址：LiquidAI/d1-3B。

据项目说明，使用前需要安装依赖，要求 transformers>=5.14：

pip install "transformers>=5.14" torch torchvision pillow

项目自述该模型自带代码，因此加载时需要设置 trust_remote_code=True。模型卡给出的最小加载示例如下：

import torch
from transformers import AutoModel
from transformers.image_utils import load_image

device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
dtype = torch.float32 if device == "cpu" else torch.bfloat16
model = AutoModel.from_pretrained("LiquidAI/d1-3B", trust_remote_code=True, dtype=dtype).to(device)

调用接口方面，项目列出了两个方法：system_one(state, questions, images=None) 用于对单个状态提出多个命名问题，一次完成；system_one_batch([(state, questions[, images]), ...]) 用于批量请求。据项目说明，状态可以是字符串、任意 JSON 值，当图像本身就是全部状态时也可以传 None。

许可与限制

许可证在事实表中标注为 other，即自定义许可，具体条款以仓库中的 LICENSE 文件为准，本文不对其可否商用等作出判断。

使用边界方面，据项目自述需要注意几点：其一，d1-3B 不是聊天模型，不生成文本，只输出结构化的判断结果，把它当作对话模型使用并不合适；其二，模型自带代码，加载需要开启 trust_remote_code，这意味着运行时会执行仓库提供的代码，部署前应自行评估；其三，项目提到首次遇到新形状的输入时需要付出 kernel 选择或编译的代价，建议对实际服务的形状先做预热；其四，在 NVIDIA GPU 上使用 model.compile(mode="reduce-overhead") 可以把单个问题跑成 CUDA graph，项目称 RTX 4090 上单问题的 8 ms 数据即来自该配置，不启用时约为 16 ms。此外，模型卡中列出的延迟与基准数据均为项目方自述，未经过本站独立验证。