✔️ Liquid AI представила модель принятия решений Бостонский стартап, выросший из MIT, выпустил d1-ultra – самую крупную собственную модель, которая получает на вход описание ситуации и набор типизированных вопросов, а возвращает вероятность каждого варианта ответа. D1-ultra принимает текст, изображения или то и другое сразу и рассчитана на сложные случаи.

Среди примеров - сверка дефекта печатной платы со спецификацией и проверка страхового случая по фотографии клиента.

Вопросы бывают трёх видов – да или нет с вероятностью от 0 до 1, выбор одной метки из списка с вероятностью для каждой и позиция на шкале. По словам Liquid AI, большинство моделей решений переоценивают себя, а d1-ultra сильнее всего прибавила в задачах на знания, этого достигли за счёт проработанной калибровки ответов. Если модель называет вероятность 80%, такие ответы должны оказываться верными примерно в 80% случаев. В основе d1-ultra лежит крупная модель с открытыми весами, которую Liquid AI существенно переделала, но какая именно и сколько у неё параметров, сведений не приводят. 🟡 Тесты На собственном наборе из 112 оценок новинка обошла предыдущую d1 и Jev 1.14 от TypeSafe AI во всех задачах, причём с лучшей калибровкой при той же цене. В Artificial Analysis Decision Index, свежего рейтинга моделей принятия решений, опережение остальных участников рейтинга составил в среднем 8 баллов. Модель работает через API Liquid AI, представлена OpenRouter и Vercel AI, контекст составляет 32 768 токенов. Потестить её можно в песочнице. Миллион входных токенов стоит 4 цента, так же как у Jev 1.14, а выходные соответственно -не тарифицируются.

Изображение в один мегапиксель считается за 1536 токенов, каждый вопрос оплачивается как отдельный запрос вместе с текстом и всеми картинками.

@ai_machinelearning_big_data #news #ai #ml

⚡️ Liquid AI выпустила модели, которые принимают решения и не генерируют ни одного токена Liquid AI представила decision models, первая из них называется d1. Модель получает контекст в виде текста или JSON и за один вызов возвращает откалиброванные вероятности по заранее заданным вариантам ответа. Вопросы бывают трёх типов: «да или нет» с вероятностью от 0 до 1, выбор из нескольких вариантов с распределением вероятностей и оценка по шкале. Несколько вопросов можно задать в одном запросе. Ответ не нужно парсить, ошибок схемы не бывает, задержка низкая и предсказуемая, а три вызова LLM сливаются в один. Вместе с ответом приходит уверенность модели, поэтому спорные случаи легко отправить на большую модель или человеку. Модели: https://docs.liquid.ai/lfm/models/decision-models Гайд по миграции: https://docs.liquid.ai/guides/decision-model-guide Демо: https://github.com/Liquid4All/cookbook/tree/main/examples/road-decider @ai_machinelearning_big_data #LiquidAI

⚡️ Liquid AI выжала почти BF16-качество из 4-битных моделей Компания выпустила новые Q4_0-чекпоинты для LFM2.5-230M, 350M, 1.2B и 2.6B, обученные через Quantization-Aware Distillation. Суть QAD простая: высокоточная модель выступает учителем для уже квантованной 4-битной версии. В итоге сохраняются низкое потребление памяти и высокая скорость Q4_0, но заметно возвращается качество, потерянное после обычной квантизации. По тестам Liquid AI новые модели сохраняют примерно 96,5–97,4% качества BF16. Для младших моделей QAD закрывает больше 70% разрыва между обычным Q4_0 и BF16. При этом скорость инференса остается на уровне обычного Q4_0, потому что формат GGUF, layout тензоров и runtime не меняются. Тестировали в том числе на MacBook Pro с M5 Max, Galaxy S26 Ultra и Raspberry Pi 5. https://liquid.ai/blog/qad

LFM2.5-230M: ультракомпактная модель работает на Raspberry Pi и почти любом современном телефоне Команда Liquid AI выпустила LFM2.5-230M — одну из самых маленьких языковых моделей на сегодня, всего на 230 миллионов параметров. Модели хватает 293 МБ памяти на Raspberry Pi 5 и 375 МБ на смартфоне. На Raspberry Pi 5 модель выдаёт 42 токена в секунду при декодировании, а на флагмане Galaxy S25 Ultra разгоняется до 213 т/с. Человек читает текст со скоростью примерно 5–7 т/с. На бенчмарках модель конкурирует с моделями вдвое больше и часто их обходит. Модель поставили на человекоподобного робота Unitree G1, и она работала на встроенном чипе NVIDIA Jetson Orin. Модель выступила в качестве слоя выбора навыков: берёт одну команду на обычном языке вроде «постой 2 секунды, потом иди вперёд со скоростью 1 м/с на 3 метра» и раскладывает её на последовательность вызовов готовых низкоуровневых навыков. Получается, что модель на 230 миллионов параметров может служить языковым интерфейсом управления для робота. Главное ограничение модели простое: ей нужно около 350MB RAM и более-менее современный процессор. Прямыми тестами авторов подтверждены запуск на одноплатнике Raspberry Pi 5. Заявлена поддержка чипов Apple, AMD, Qualcomm и Nvidia, ее потянет почти любой современный телефон или планшет, а на ноутбуках ресурсов с запасом. Часы тоже теоретически потянут, но на практике мешают нагрев и неемкая батарейка. Микроконтроллеры и простая бытовая электроника (чайники, лампочки, фитнес-браслеты, наушники) точно не потянут: там памяти килобайты, а не сотни мегабайт. Несмотря на размер, на бенчмарках модель обходит соперников вдвое крупнее. На тесте следования инструкциям IFEval она набрала 71.71 против 63.49 у Gemma 3 1B и 59.94 у Qwen3.5-0.8B. Сильнее всего она в вызове инструментов и извлечении данных, а вот для математики, кода и сложных рассуждений авторы её брать не советуют — она заточена под другое. Модель и веса можно скачать на Hugging Face, исходники и SDK лежат на Github. #Stateoftheart