在生成式人工智能（AIGC）的浪潮中，大语言模型（LLM）凭借其强大的文本生成能力占据了舞台中央。然而，并非所有的 AI 应用都需要“写诗”或“写代码”，许多工业场景和决策场景更需要的是“判断”与“概率评估”。近日，新兴 AI 公司 Liquid AI 宣布发布一款名为 d1 的专用模型，它不走文本生成的老路，而是专注于结构化决策与概率输出。这款模型最大的亮点在于“零输出 Token”设计，以及能够提供高度校准的概率评估能力，为 AI 在垂直领域的落地应用提供了全新的技术路径。
d1 的设计初衷是为了解决传统大模型在处理结构化任务时的痛点。与 GPT-4 等擅长自然语言交互和长文本生成的模型不同，d1 旨在处理特定类型的输入（上下文 + 类型化问题）并返回特定的输出（固定结果集的概率）。这种架构上的差异意味着，d1 不需要像传统模型那样逐字“思考”和生成文本，而是通过优化的分类机制直接给出答案的可能性分布。所谓的“零输出 Token”，是指模型在完成推理后，不需要像生成文章那样消耗 token，而是直接输出结果，这不仅大幅降低了计算资源的消耗，还消除了模型生成过程中的随机性和延迟。
“校准概率”是 d1 的核心护城河，也是它区别于传统分类模型的关键所在。在金融风控、医疗诊断或自动驾驶等关键场景中，机器不仅需要给出一个判断（例如：该拒绝这笔贷款 / 该通过 / 需要复核），还需要给出这个判断的置信度。然而，传统大模型往往存在“校准偏差”问题——即模型说有 90% 的把握，实际可能只有 60% 的准确率，这种自信的幻觉在决策系统中是致命的。d1 通过架构优化，确保其输出的概率分布更加贴近真实的客观概率，这意味着当模型输出 80% 的概率时，它在未来 100 次类似情况中确实会有约 80 次是正确的。这种可靠性对于依赖精确数据决策的系统至关重要。
d1 的出现预示着 AI 正在从“通用对话助手”向“垂直领域决策专家”演进。过去，开发者可能需要复杂的提示工程或微调大模型来实现分类功能，而现在 d1 提供了一种更轻量、更高效的原生解决方案。例如，在自动驾驶领域，车辆需要根据路况做出“左转”、“右转”或“停车”的选择，d1 可以实时计算每种动作的安全概率，从而辅助决策；在金融交易中，量化模型可以利用 d1 快速评估不同投资组合的风险等级，并给出风险评分；在物流调度中，系统可以根据天气和交通数据，以毫秒级的速度计算出最优路径的概率。这种“无 Token 输出”的模式，使得模型可以在高并发、低延迟的实时系统中大放异彩。
对于开发者和企业而言，d1 的发布降低了在非文本场景中使用 AI 的门槛。它证明了 AI 技术可以不依赖庞大的参数量和复杂的推理链，仅通过针对性的架构设计就能在特定任务上超越通用大模型。这标志着 AI 技术正在朝着专业化、模块化的方向分化，未来可能会有更多针对特定任务（如数学推理、代码补全、决策规划）的专用模型涌现，以弥补通用大模型的短板。Liquid AI 的 d1 不仅仅是一个新模型，更是 AI 基础设施向“任务导向型”转型的又一有力例证。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/09/29/liquid-ai-releases-d1-a-decision-model-that-returns-calibrated-probabilities-with-zero-output-tokens/
