Liquid AI开源d1决策模型 支持图像输入

驱动中国10月9日消息，Liquid AI于10月7日发布博文，宣布推出d1系列两款开放权重决策模型。该系列包含d1-3B与d1-omni-600M，前者以31.2亿参数支持文本与图像判断，后者以5.87亿参数支持文本、图像及语音输入，两款模型已在Hugging Face公开，用户可下载、微调并部署。

在Jev模型于9月推出并引发关注后，OpenAI等公司相继推出类似决策模型，Liquid AI由此加入这一领域。本次发布的d1-3B基于视觉语言模型LFM2.5-VL-3B训练，支持文本与图像输入；该模型在Decision Index v0.2.1公开测试集上获得48.57分，Liquid AI称其领先所有10B以下模型。

d1-omni-600M基于双向编码器LFM2.5-Encoder-350M训练，支持文本与图像，或文本与语音的组合输入。该模型被描述为Liquid AI首个实验性多模态决策模型检查点。

推理速度方面，d1-3B在NVIDIA RTX 4090上回答单个问题耗时8毫秒，处理384像素图像耗时102毫秒；在Jetson AGX Thor上单问耗时16毫秒，在Jetson Orin Nano上为50毫秒。用户测试显示，该模型在12GB显存的GeForce RTX 3060上单次判断耗时25毫秒，处理640×480像素图像耗时146毫秒，峰值显存占用约6GB。另有用户报告称，d1-3B在RTX 3090上单次判断耗时8毫秒。