Liquid AIは、代表的な意思決定モデルを2つ公開しました。d1-3Bは、より高い計算能力を利用できる環境向けの中規模モデル、d1-omni-600Mは、エッジや低コストでの推論に適した効率的なモデルです。どちらもテキスト生成モデルではなく、意思決定モデルとして学習・提供されています。APIは、ユーザーが定義したラベルセットに対応する校正済み確率ベクトルを返します。設定に応じてテキスト、画像、音声の判断タスクに対応し、デコード処理のパイプラインを介さず、二値分類や多クラス分類のワークフローに直接組み込めるよう設計されています。

自己回帰デコードの代わりに、意思決定モデルは入力を一度にロジットベクトルへ変換し、ソフトマックスによって校正済み確率を生成します。この確率には、しきい値を設定したり、業務ルールと組み合わせたりできます。サンプリング、ビームサーチ、貪欲デコードを、1回の順伝播に置き換える仕組みです。学習中および学習後に適用する校正手法（温度スケーリング、アイソトニック回帰）により、確率分布が実際の精度に近づきます。その結果、信頼度を自動化、人による確認へのエスカレーション、または処理のゲーティングに活用できるようになります。

意思決定モデルはトークン単位のデコードを省くため、大量処理のパイプラインでレイテンシを大幅に削減できます。チケットの振り分けやスパムフィルタリングでは、レイテンシの低下によってSLAへの対応が速まり、ユーザー体験も向上します。コスト面では、1回の順伝播で済むため、全文生成より計算量を抑えられることが多く、確率をそのまま出力することで監査や事後分析のログ記録も簡単になります。校正済みの信頼度をシンプルなルールと組み合わせれば、予測しやすく説明可能な自動化を実現でき、ブラックボックスになりやすいテキスト出力よりも、企業のリスク管理に適合します。

リアルタイムの判定（モバイルでのモデレーション、デバイス上での品質管理）にはd1-omni-600Mをエッジにデプロイし、モデルの処理能力によって精度を高められる場合は、d1-3Bをクラウドまたはハイブリッド環境で利用します。統合時はラベルのスキーマと信頼度のしきい値を中心に設計し、信頼度の低いケースには軽量な棄却またはエスカレーション経路を用意しましょう。最上位のラベルだけでなく確率分布も記録し、データ区分ごとの校正のずれを監視します。また、境界値に近い判定には、レート制限を設けた人による確認プロセスを導入し、自動化への過信や見逃しを防ぎます。

意思決定モデルは、あらゆる用途にそのまま適用できるわけではありません。明確に定義されたラベル空間と、十分な学習データを前提としています。自由度の高いタスク、創作、複数ターンにわたる説明には、引き続き生成モデルが必要です。分布が変化すると校正精度が低下する可能性があるため、セグメントごとの性能を必ず検証し、フォールバックルールを用意してください。セキュリティ面では、確率を偏らせる敵対的入力や、エッジ環境でのデータ漏えいにも注意が必要です。本番導入の前に、堅牢性、敵対的テスト下での校正、人へのエスカレーションとログ記録に関する明確なポリシーを評価・策定しましょう。