Liquid AI 推出 d1，明確展現從自回歸 token 生成轉向結構化決策模型的方向：模型只需一次前向傳播，就能針對離散標籤輸出經校準的機率分布。不同於逐個 token 組織答案的大型語言模型（LLM），這類決策模型會評估輸入內容，並回傳精簡的信心度向量。這項轉變在 API 層面看似細微，對需要確定、快速且可稽核結果，而非對話文字的系統而言，卻有重大影響。
實際來說，d1-3B 和 d1-omni-600M 適用於重視處理量與可解釋性、更勝生成流暢度的情境。工單分流、垃圾訊息過濾、內容審核、製造業品質管控分流及工業分類，都能受惠於單步決策：它能縮短請求路徑、消除解碼造成的變異，並產生可設定閾值、校準、記錄的機率，直接交由下游規則引擎或自動化流程使用，無須額外解析，也能降低幻覺風險。
對工程師與產品負責人而言，這項改變帶來實質的營運效益：確定性的輸出讓監控更簡單、減少因 tokenization 細節而觸發的重試，也因省去自回歸解碼迴圈而降低運算成本。在合規與稽核追蹤方面，記錄機率向量及模型版本，也比記錄自由格式文字更容易管理與檢視。不過，採用決策模型也需要新的評估方式：必須驗證模型在不同生產資料切片上的校準表現，並為分布外案例設計務實的備援處理機制。
本文將說明這項技術帶來的改變、如何衡量單步決策輸出的價值、邊緣端與雲端部署模式、整合時容易遇到的問題，以及一份簡明的營運檢查清單，協助團隊在正式工作流程中以經校準的決策模型取代 token 生成方案。