Liquid AI는 대표적인 의사결정 모델 두 가지를 공개했습니다. d1-3B는 더 많은 컴퓨팅 자원을 활용하는 환경을 위한 중간 규모 모델이고, d1-omni-600M은 엣지 환경이나 저비용 추론을 위한 효율적인 모델입니다. 두 모델 모두 텍스트 생성기가 아닌 의사결정 모델로 학습되고 제공되며, API는 사용자가 정의한 레이블 집합에 맞춰 보정된 확률 벡터를 반환합니다. 설정에 따라 텍스트, 이미지, 오디오 관련 의사결정 작업을 지원하며, 디코딩 파이프라인 없이 이진 또는 다중 클래스 분류 워크플로에 바로 통합할 수 있도록 설계됐습니다.

자기회귀 방식으로 디코딩하는 대신, 의사결정 모델은 입력을 한 번에 로짓 벡터로 변환합니다. 여기에 소프트맥스를 적용하면 임계값을 설정하거나 비즈니스 규칙과 조합할 수 있는 보정 확률이 산출됩니다. 이 파이프라인은 샘플링, 빔 서치, 탐욕적 디코딩을 한 번의 순전파로 대체합니다. 학습 중 적용하거나 학습 후에 수행하는 보정 기법(온도 스케일링, 아이소토닉 회귀)은 확률 분포가 실제 정확도와 잘 맞도록 합니다. 따라서 신뢰도는 자동화, 사람 검토로의 에스컬레이션, 처리 여부를 결정하는 게이팅에 유용한 신호가 됩니다.

의사결정 모델은 토큰 단위 디코딩을 없애 대량 처리 파이프라인의 지연 시간을 크게 줄입니다. 티켓 라우팅과 스팸 필터링에서는 지연 시간 감소로 SLA를 더 빠르게 준수하고 사용자 경험을 개선할 수 있습니다. 비용 측면에서도 단일 순전파는 전체 텍스트 생성보다 컴퓨팅 자원을 적게 사용하는 경우가 많고, 단순한 확률 출력은 감사와 사후 분석을 위한 기록을 간소화합니다. 보정된 신뢰도와 간단한 규칙을 결합하면 불투명한 텍스트 출력보다 기업의 위험 관리 체계에 잘 부합하는 예측 가능하고 설명 가능한 자동화를 구현할 수 있습니다.

실시간 처리 게이팅(모바일 콘텐츠 검수, 기기 내 품질 관리)에는 d1-omni-600M을 엣지에 배포하고, 모델 용량을 높여 정확도를 개선해야 하는 경우에는 클라우드 또는 하이브리드 환경에서 d1-3B를 활용하세요. 레이블 체계와 신뢰도 임계값을 중심으로 통합을 설계하고, 신뢰도가 낮은 사례를 위한 간단한 거부 또는 에스컬레이션 경로를 마련해야 합니다. 데이터 구간별 보정 성능 저하를 모니터링하고, 최상위 레이블뿐 아니라 확률 분포도 기록하세요. 자동화 편향과 감지되지 않는 실패를 막기 위해 경계 점수에 대한 사람 검토 절차도 처리량을 제한해 운영하세요.

의사결정 모델이 모든 사용 사례에 바로 적용되는 것은 아닙니다. 레이블 공간이 명확하고 학습 데이터가 충분히 다양한 상황을 포괄해야 합니다. 개방형 작업, 창작 글쓰기, 여러 차례 대화를 주고받으며 설명하는 작업에는 여전히 생성형 모델이 필요합니다. 데이터 분포가 바뀌면 보정 성능이 저하될 수 있으므로 구간별 성능을 반드시 검증하고 대체 규칙을 마련하세요. 보안 측면에서는 확률을 왜곡하는 적대적 입력과 엣지 배포 환경의 데이터 유출을 고려해야 합니다. 운영 환경에 적용하기 전에 강건성, 적대적 테스트에서의 보정 성능, 사람에게 명확히 에스컬레이션하는 기준과 로깅 정책을 평가하고 정의하세요.