Liquid AI推出d1.2决策模型:校准误差0.8,低于Jev与GPT-6 Luna
AMD领投16.8亿融资,四位MIT科学家加持。
和前代d1.1、d1-ultra相比,d1.2系列这次多支持了五类任务。
第一类是信息读取。两款模型能从输入里取出文本、数字或日期,比如把发票上的应付金额读出来,按原文字符返回;要是没找到这个字段,就回“未找到”。

▲读取发票中的应付金额(图源:
Liquid AI)
第二类是文本片段提取。模型可以把文本中某一类信息的片段全部找出来。拿笔记来说,姓名、电话号码、电子邮件地址可以逐项提取,同时标明每项信息在原文里的位置。

▲标出笔记中的姓名、电话和邮箱(图源:Liquid AI)
第三类是图片物体定位。单个目标能定位,同类目标的全部实例也能找。扫描表单上的签名可以用矩形框标出;照片里每一棵树,模型会分别给出坐标框和总数。

▲框出画面中的三名女性(图源:Liquid AI)
第四类是数值估算,结果里有预测值,也有区间。比如估算照片中的人数,最可能的数量是多少、范围有多大,会一起给出。

▲估算合影人数,并给出数量区间(图源:Liquid AI)
第五类是多选判断。两款模型能把全部适用选项选出来,并分别给出概率。客服消息里同时涉及重复扣款和包裹未送达时,可以一并归入“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)
音频分析和语音提问这两款模型也支持。识别录音中的语言、判断背景里有没有警报声,都属于这类能力。

▲判断录音中是否有警报声(图源:Liquid AI)
Liquid AI披露,在声音识别和覆盖43种语言的语言识别测试中,两款模型回答选择题或是非题的正确率是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,给消防车标注类别及概率;对警笛、交通声、喇叭声等声音,模型也分别给出了概率。图片定位和音频判断的处理效果在这段案例里都有体现。

▲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)
两款模型的概率校准测试结果也由Liquid AI公布了。这项测试检验的是模型对答案的把握和实际表现是否相符。打个比方,一批答案模型都给了80%的置信度,理想情况下每100道题应能答对80道。
置信度如果真能反映答题表现,开发者就能拿它安排人工审核:置信度低的回答交给人复核,置信度高的交给系统自动处理。
预测概率和实际正确率差多少,Liquid AI用校准误差来衡量,数值越低说明两者越接近。测试覆盖13项基准、五款模型共同作答的22505道问题。
结果里,d1.2-ultra和d1.2的校准误差分别是0.8和1.2,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)
这次更新之前,Liquid AI的产品已经覆盖多种模态和任务。d系列决策模型之外,还有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,LFM3系列发布并开源,共六款模型:1.7B、VL-2B、Audio-2B、Omni-2B、d1-2B与d1-Omni-2B。其中Omni是全模态模型,文本、图像和音频能同时处理。再往前,10月24日发布的决策模型d1.1主打接近d1-ultra的决策质量,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 2023年成立,出自MIT计算机科学与人工智能实验室(CSAIL),主攻高效基础模型。计算效率、内存占用和本地部署是这家公司的产品重心,目标是让模型跑在手机、电脑、汽车等设备上。四位联合创始人都有MIT研究背景: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),以及丹妮拉·鲁斯(Daniela Rus)。
哈萨尼的研究方向是液态神经网络、鲁棒深度学习和复杂动态系统中的决策。2020年,他在奥地利维也纳工业大学拿到计算机科学博士学位,之后到MIT CSAIL与鲁斯做博士后,还担任过美国资产管理公司先锋领航集团(Vanguard)的首席AI与机器学习科学家。
莱希纳2022年在奥地利科学技术研究所(ISTA)获得博士学位,研究涉及液态神经网络和机器学习系统的安全性。阿米尼的计算机科学本科、硕士、博士都在MIT读完,他还是MIT《深度学习导论》课程的主要组织者和讲师。
鲁斯拥有康奈尔大学计算机科学博士学位,长期做机器人、移动计算和数据科学方向的研究,同时是MIT CSAIL主任、美国国家工程院院士,也是麦克阿瑟奖得主。

▲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)
融资上,Liquid AI在2024年12月完成了AMD领投的2.5亿美元(约合人民币16.8亿元)A轮融资。这笔钱将用于扩充算力基础设施、加快模型研发,以及推动端侧和企业本地部署。
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
这次更新,Liquid AI盯的是企业处理日常业务时的实际需求。信息读取、文本片段提取、图片物体定位这些能力,能用来读发票金额、查个人信息、找表单签名,帮企业自动处理文档、图片等材料。
但企业用不用,最终还得算调用费用加上人工纠错的总账。d1.2系列主打低价、任务准确率和概率校准,对应的是压低支出、减少返工、安排人工审核这三件事。这些优势要是在实际业务里真能兑现,决策模型就有机会接走企业现在交给通用大模型的那部分活。