Bản phát hành của Liquid AI có hai mô hình ra quyết định tiêu biểu: d1-3B, mô hình cỡ trung dành cho môi trường có năng lực tính toán cao hơn, và d1-omni-600M, phiên bản hiệu quả dành cho suy luận tại biên hoặc với chi phí thấp hơn. Cả hai được huấn luyện và cung cấp dưới dạng mô hình ra quyết định, không phải mô hình tạo văn bản: API trả về vector xác suất đã hiệu chỉnh, tương ứng với bộ nhãn do bạn xác định. Tùy cấu hình, các mô hình hỗ trợ tác vụ ra quyết định trên văn bản, hình ảnh và âm thanh; chúng được thiết kế để tích hợp trực tiếp vào quy trình phân loại nhị phân hoặc đa lớp mà không cần pipeline giải mã.

Thay vì giải mã tự hồi quy, mô hình ra quyết định ánh xạ đầu vào thành một vector logits chỉ trong một lần; softmax sau đó tạo ra xác suất đã hiệu chỉnh để đặt ngưỡng hoặc kết hợp với quy tắc nghiệp vụ. Quy trình này thay thế lấy mẫu, tìm kiếm chùm tia hoặc giải mã tham lam bằng một lượt truyền xuôi duy nhất. Các kỹ thuật hiệu chỉnh được áp dụng trong quá trình huấn luyện và sau huấn luyện (hiệu chỉnh nhiệt độ, hồi quy đẳng trương) giúp phân phối xác suất bám sát độ chính xác quan sát được, khiến độ tin cậy trở thành tín hiệu hữu ích cho tự động hóa, chuyển cấp cho con người xử lý hoặc kiểm soát điều kiện.

Mô hình ra quyết định giảm đáng kể độ trễ trong các pipeline có khối lượng lớn bằng cách loại bỏ giải mã từng token. Với định tuyến phiếu hỗ trợ và lọc thư rác, độ trễ thấp hơn giúp đáp ứng SLA nhanh hơn và cải thiện trải nghiệm người dùng. Về chi phí, một lượt truyền xuôi thường tiêu tốn ít tài nguyên tính toán hơn so với tạo toàn bộ văn bản; đầu ra xác suất đơn giản cũng giúp ghi nhật ký thuận tiện cho kiểm toán và phân tích hồi cứu. Kết hợp độ tin cậy đã hiệu chỉnh với các quy tắc đơn giản sẽ tạo ra quy trình tự động hóa dễ dự đoán, dễ giải thích và phù hợp với cơ chế kiểm soát rủi ro của doanh nghiệp hơn đầu ra văn bản khó minh bạch.

Triển khai d1-omni-600M tại biên để kiểm soát theo thời gian thực (kiểm duyệt trên thiết bị di động, kiểm soát chất lượng ngay trên thiết bị); dùng d1-3B trong môi trường đám mây hoặc kết hợp khi năng lực mô hình cao hơn giúp tăng độ chính xác. Thiết kế tích hợp dựa trên lược đồ nhãn và ngưỡng độ tin cậy; duy trì một luồng từ chối hoặc chuyển cấp gọn nhẹ cho các trường hợp có độ tin cậy thấp. Theo dõi độ lệch hiệu chỉnh theo từng phân nhóm, ghi lại cả phân phối xác suất chứ không chỉ nhãn có xác suất cao nhất, đồng thời thiết lập quy trình con người rà soát có giới hạn tần suất cho các điểm số sát ngưỡng để tránh thiên kiến tự động hóa và lỗi âm thầm.

Mô hình ra quyết định không thể thay thế trực tiếp mọi giải pháp trong tất cả trường hợp sử dụng. Chúng giả định không gian nhãn được xác định rõ và dữ liệu huấn luyện có độ bao phủ phù hợp; các tác vụ mở, viết sáng tạo hoặc giải thích qua nhiều lượt vẫn cần mô hình tạo sinh. Khả năng hiệu chỉnh có thể suy giảm khi phân phối dữ liệu thay đổi — hãy luôn xác thực hiệu năng theo từng phân khúc và duy trì quy tắc dự phòng. Các vấn đề bảo mật bao gồm đầu vào đối kháng làm lệch xác suất và rò rỉ dữ liệu khi triển khai tại biên. Trước khi đưa vào môi trường sản xuất, hãy đánh giá độ bền vững, khả năng hiệu chỉnh qua các bài kiểm tra đối kháng, đồng thời xác định rõ chính sách chuyển cấp cho con người và ghi nhật ký.