Liquid AI مدل تصمیم‌گیری d1 را با خروجی احتمالاتی عرضه کرد

مدل تصمیم‌گیری d1 محصول تازه Liquid AI برای کارهایی است که پاسخشان باید از میان گزینه‌های مشخص انتخاب شود، نه اینکه در قالب متن تازه نوشته شود. این مدل که در ۲۹ سپتامبر ۲۰۲۶ معرفی شد، با دریافت زمینه و پرسش‌های ساختاریافته، احتمال هر پاسخ ممکن را برمی‌گرداند؛ رویکردی که می‌تواند بخشی از وظایفی را که اکنون به مدل‌های زبانی عمومی سپرده می‌شوند، ساده‌تر کند.

مدل تصمیم‌گیری d1 چه تفاوتی با مدل زبانی دارد؟

در یک مدل زبانی عمومی، پاسخ معمولاً با تولید پیاپی توکن‌ها ساخته می‌شود؛ توکن واحدی برای بخش‌های کوچک متن است. اما Liquid AI می‌گوید d1 به‌جای نوشتن پاسخ، نتیجه‌ای از نوع تعریف‌شده را از میان گزینه‌های موجود انتخاب می‌کند. در پاسخ‌های این مدل، مقدار output_tokens برابر صفر است؛ یعنی برای ساخت پاسخ، توکن خروجی تولید نمی‌شود.

این طراحی برای مسائلی مناسب است که پاسخ‌های ممکن از پیش معلوم‌اند؛ از جمله دسته‌بندی پیام‌ها، مسیردهی تیکت‌های پشتیبانی، امتیازدهی، نظارت بر محتوا، بازرتبه‌بندی نتایج و بررسی کیفیت پاسخ‌ها با روش «مدل زبانی به‌عنوان داور». طبق راهنمای مهاجرت Liquid AI، اگر پاسخ یکی از تعداد محدودی گزینه باشد، می‌توان سراغ مدل تصمیم‌گیری رفت؛ اما برای نوشتن متن جدید، گفت‌وگوی چندمرحله‌ای یا تولید کد، همچنان مدل زبانی عمومی مناسب‌تر است.

سه نوع پرسش در d1

Liquid AI سه سازوکار اصلی برای دریافت تصمیم معرفی کرده است که می‌توان آن‌ها را در یک درخواست ترکیب کرد:

• Noul: پرسشی بله یا خیر است و احتمال پاسخ را بین صفر و یک برمی‌گرداند. در نمونه شرکت، احتمال اینکه یک پیام شکایت مشتری باشد ۰٫۹۹۹ گزارش شده است.
• Choice: از میان مجموعه‌ای نام‌گذاری‌شده، یک گزینه را انتخاب می‌کند و علاوه بر انتخاب برتر، توزیع احتمال گزینه‌ها و میزان اطمینان را ارائه می‌دهد. در نمونه مسیریابی یک تیکت مربوط به دریافت هزینه دوباره، گزینه «صورتحساب» امتیاز ۰٫۹۹۹۷ گرفته است.
• Score: ورودی را بر اساس یک مقیاس رتبه‌بندی می‌کند و موقعیت احتمال‌وزن‌شده‌ای در آن مقیاس برمی‌گرداند. برای نمونه، در مقیاس چهاردرجه‌ای فوریت، سطح‌ها از صفر تا سه شماره‌گذاری می‌شوند.

به گفته Liquid AI، می‌توان چند پرسش را در یک درخواست فرستاد تا مدل همه آن‌ها را بر اساس یک وضعیت مشترک ارزیابی کند. این کار ممکن است جای چند فراخوانی جداگانه را بگیرد. در یک نمونه شرکت برای اختلال عملیاتی، نتیجه مقیاس فوریت ۲٫۹۹۹۵ بوده است.

دسترسی از API و کاربردهای عملی

d1 اکنون از طریق Liquid API با شناسه d1:free قابل استفاده است. با این حال، کتابخانه مدل‌های Liquid آن را فقط به‌صورت API فهرست کرده و اعلام می‌کند که قابل آموزش مجدد نیست؛ بنابراین وزن‌های GGUF، MLX یا ONNX برای اجرای مستقل در دسترس نیستند. این تفاوت برای تیم‌هایی اهمیت دارد که به میزبانی مدل روی زیرساخت خود یا تنظیم آن با داده‌هایشان نیاز دارند.

Liquid AI در راهنمای مهاجرتش چند مزیت را در مقایسه با استفاده از مدل زبانی همراه با خروجی ساختاریافته مطرح می‌کند: نبود توکن خروجی، حذف چرخه تولید متن و در نتیجه جلوگیری از تأخیر ناشی از طول پاسخ، و کاهش خطاهای قالب‌بندی پاسخ‌هایی مانند JSON. شرکت همچنین می‌گوید احتمال‌های کالیبره‌شده می‌توانند برای تعیین آستانه‌های تصمیم‌گیری به کار روند؛ برای مثال، در نمونه نظارت محتوا، موارد با احتمال بالاتر از ۰٫۸ مسدود می‌شوند، موارد پایین‌تر از ۰٫۲ مجازند و موارد میانی به بررسی انسانی می‌روند.

در نمونه‌ای دیگر، اگر اطمینان سامانه مسیریابی از ۰٫۵ پایین‌تر باشد، می‌توان درخواست را به رده‌ای از مدل‌ها با توانایی بیشتر فرستاد. Liquid AI همچنین از ثبات بیشتر نتایج ارزیابی‌های تکراری به‌عنوان یکی از ویژگی‌های مدل یاد می‌کند. این‌ها ادعاها و مثال‌های منتشرشده از سوی شرکت‌اند و به‌تنهایی جایگزین ارزیابی مستقل روی داده‌ها و نیازهای هر سازمان نیستند.

جایگاه d1 در کنار مدل‌های زبانی

d1 برای کنار گذاشتن همه مدل‌های زبانی طراحی نشده است. مرز کاربردی‌ای که Liquid AI ترسیم می‌کند، میان «انتخاب از پاسخ‌های تعریف‌شده» و «ساختن پاسخ تازه» است. در نتیجه، این مدل می‌تواند برای دسته‌بندی یا تعیین مسیر یک درخواست به کار رود، در حالی که خلاصه‌سازی، نگارش، گفت‌وگوی چندمرحله‌ای، تولید کد و استدلال پیچیده همچنان در حوزه مدل‌های زبانی باقی می‌مانند.

برای نمایش کاربرد آن، Liquid AI نمونه‌ای به نام Road Decider منتشر کرده است: یک بازی ساده که در آن d1 در هر نوبت یکی از سه مسیر چپ، مرکز یا راست را انتخاب می‌کند. راهنمای نمونه می‌گوید خلاصه‌سازی وضعیت هر مسیر و فاصله تا نخستین مانع، نسبت به ارائه مستقیم تصویر خام جاده، تصمیم‌های مطمئن‌تری ایجاد کرده است. این مثال همچنین نشان می‌دهد کیفیت تصمیم به نحوه خلاصه‌کردن وضعیت ورودی وابسته است.

این خبر برای چه کسانی اهمیت دارد

d1 بیش از همه برای تیم‌هایی اهمیت دارد که تعداد زیادی تصمیم محدود و تکرارشونده دارند؛ مانند دسته‌بندی و اولویت‌بندی تیکت‌ها، مسیریابی درخواست‌ها، پالایش محتوا یا امتیازدهی خروجی‌ها. احتمال‌های قابل استفاده برای تعیین آستانه و پاسخ‌های ازپیش‌قالب‌بندی‌شده می‌توانند پیاده‌سازی چنین جریان‌هایی را ساده‌تر کنند. در مقابل، سازمان‌هایی که به اجرای محلی، آموزش مدل یا تولید متن نیاز دارند باید محدودیت دسترسی فعلی d1 و تفاوت آن با یک مدل زبانی عمومی را در نظر بگیرند.