d1-3B

d1-3B 的问题类型包括 noul（返回 P(yes)）、choice（返回被选中的选项、置信度以及每个选项的概率）、score（在 2–10 级序数量表上返回期望等级、置信度和概率分布）。

d1-3B 在文本任务上：SQuAD 2.0 85.3，Civil Comments 93.0，MASSIVE intent 87.3，PubMedQA 66.0，BoolQ 86.7，XNLI 85.0，PAWS-X 76.9，七项平均 82.9。

d1-3B 适用的任务类型包括意图分类、工具路由、内容闸门、状态判断。

d1-3B 的定位是不追求通用对话全面性，而是在笔记本等低功耗硬件上，用极低延迟完成分类、路由、判断这类高频小决策任务。

选型时建议先用规则引擎跑基线，若规则能覆盖 80% 的情况，剩余长尾交给 d1-3B 处理。

d1-3B在Jetson AGX Thor上回答一个问题需16毫秒，三个问题20毫秒；在Jetson AGX Orin 64GB上为26毫秒和35毫秒；在Jetson Orin Nano上为50毫秒和73毫秒。

d1-3B在七个公开文本基准上平均得分82.9，在Decision Index v0.2.1公开划分上得分48.57，这些是厂商数据，需独立评测验证。

d1-3B模型约31亿参数，基于LFM2.5-VL-3B视觉语言骨干训练，支持文本和图像输入。

据Hugging Face发布帖中Liquid提供的数据，d1-3B在NVIDIA RTX 4090上回答一个问题需8毫秒，三个问题21毫秒。

在 Liquid AI 的 Decision Index 0.2.1 上，d1-omni-600M 得分 15.95，d1-3B 得分 48.57，Decider 2B 得分 28.97。

Liquid 官方表示不报告 d1-omni-600M 的推理速度数据，博客中提到的亚 50ms 延迟仅适用于 d1-3B。

已公布的延迟：RTX 4090（bf16）单问题 8 ms、384px 图像 17 ms，打包吞吐 475 states/s；Apple M5 Pro（MPS）30 ms / 62 ms / 78 states/s。

LiquidAI/d1-3B 在 Hugging Face 上自发布以来积累了 10,843 次下载。

d1-3B 是决策模型，读取文本、JSON 和图像，针对预定义问题（是/否、单选题、量表打分）在一次前向传播中直接给出答案，不生成文本，输出 token 数为 0。

Liquid AI 的 Open d1 系列包含 d1-3B（文本+图像）和 d1-omni-600M（文本+图像或文本+音频，实验性）。

d1-3B 参数量为 3.12B，视觉编码器是 SigLIP2 NaFlex 形状优化版本（400M），上下文长度 32,768 token，词表 128,000，权重格式为 Safetensors/BF16，基础模型是 LFM2.5-VL-3B（文本骨干与 LFM2.5-2.6B 做了权重平均），许可证为 lfm1.0。

d1-3B 在 Decision Index v0.2.1（公开 split）上得分为 48.57，落后于 Winnow-12B（50.02），领先于 Decider 35B-A3B（47.11）。

d1-3B 在 11 项图像基准上平均 74.1，LFM2.5-VL-3B 为 73.9；在 VL-RewardBench 上 d1-3B 得 65.0 远超 LFM2.5-VL-3B 的 50.9，但在 CV-Bench（82.1 对 87.6）、VisualWebBench（71.4 对 78.3）、POPE（88.5 对 90.1）上落后。

Liquid 没有公布 d1-3B 与 Qwen2.5-VL-3B 或 Gemma 的对比，也没有公布校准误差数据（如 ECE 或可靠性图）。

Liquid AI 于 10 月 7 日发布 d1-omni-600M 与更大的 d1-3B，官方将其定位为实验性检查点。