Зачем подключать отдельную модель вроде Liquid AI d1.2, если ChatGPT или Claude умеет отвечать в JSON по промпту? Любой чат-бот заточен под связный разговор. Даже под жёсткой схемой он сочиняет текст посимвольно, тратит деньги на выходные токены и порой додумывает поля.
16 ноября 2026 года Liquid AI выпустила второе поколение моделей принятия решений — d1.2 и d1.2-ultra. Вместо прозы они возвращают структуру с оценкой уверенности по тексту, фото и аудио.
Почему чат-боту тесно в роли шестерёнки и как устроены decision-модели
Обычная языковая модель при разборе заявки работает как пересказчик: читает вход и печатает ответ токен за токеном. Decision-модели серии d1 устроены иначе. За один прямой проход через сеть они сразу отдают готовый JSON с решением и откалиброванной вероятностью.
Отсюда необычный биллинг: платишь только за входные токены, а за выходные — ноль. Миллион входных токенов у d1.2 стоит $0,02, у d1.2-ultra — $0,042 при контексте в 66K токенов.
В рейтинге Artificial Analysis Decision Index v2.1 старшая d1.2-ultra набрала 75 баллов и взяла первое место среди 25 моделей при медиане в 66 баллов. Зачёт объединяет шесть тестов и штрафует за уверенные ошибки. Младшая d1.2 набрала 69 баллов.
Чат-бот пишет эссе и берёт плату за каждую букву ответа, а модель решений молча ставит отметки.
Пять новых задач и звук на входе: что умеет поколение d1.2
Возьмём заявку с сайта: клиент заполнил анкету, приложил скан счёта и фото помятой коробки. Вот как пять новых функций в релизе Liquid AI разбирают такой поток.
Первая — извлечение значений с типами text, number и date. Модель достаёт из формы или PDF сумму и дату с цитатой для проверки. Если поля вроде НДС нет в счёте, она честно отдаёт not found. На чеках CORD и SROIE точность достигает 98% у d1.2-ultra и 96% у d1.2.
Вторая — поиск фрагментов, или span detection. Нужно вытянуть из переписки все телефоны, почту или вопросы клиента без ручного поиска. Модель возвращает каждый отрезок и его позиции в тексте: на персональных данных из Nemotron PII у Ultra выходит 94% точности и 93% полноты, у d1.2 — 92% и 88%.
Третья — локализация объектов на фото через box. Модель находит подпись, логотип или дефект и возвращает координаты ограничивающего прямоугольника, то есть рамки вокруг цели. Снимок считается по 1,5 токена за патч 32×32 пикселя — кадр 1024×1024 занимает 1 536 токенов, а повторные вопросы к тому же фото оплачиваются только по токенам вопроса. На RefCOCO обе версии попадают в 94% случаев.
Четвёртая — численная оценка с диапазоном. Для подсчёта товаров на полке или людей на фото модель вместо одной цифры даёт вилку разброса, скажем 12 и диапазон от 10 до 14. На COCO с допуском плюс-минус один объект Ultra даёт 93%, базовая модель — 92%.
Пятая — множественный выбор через choice с флагом multiple: true. Письмо клиента редко относится к одной теме, поэтому обращение сразу получает несколько тегов с вероятностью по каждому: «доставка», «биллинг» и «срочно». На мульти-выборе по COCO d1.2 набирает 90%, Ultra — 87%.
Кроме текста и фото, модели принимают аудио как запись для анализа или как голосовой вопрос. На закрытых выборках из ESC-50 и FLEURS они с точностью 95–97% определяют звуки и 43 языка речи.
Порог уверенности вместо слепой веры и честные ограничения
Обычные сети могут ставить 95% уверенности и ошибаться. В d1.2-ultra на 13 бенчмарках из 22 505 вопросов ошибка калибровки составила 0,8 пункта, в d1.2 — 1,2 пункта. У конкурентов разброс выше: 2,7 у Jev 1.14, 3,7 у Perplexity Decider v1.3 и 7,2 у GPT-6 Luna Decisions API. Когда модель Liquid AI ставит 80%, она права примерно в четырёх случаях из пяти.
В Make, n8n или своём бэкенде это даёт страховку через порог уверенности. Заявки, где поля и теги «доставка», «биллинг» и «срочно» прошли выше планки, сразу улетают в CRM и нужный отдел. Спорные случаи ниже порога идут оператору, и автоматика не ошибается втихую.
У подхода есть четыре границы. Во-первых, d1.2 не пишет письма и код — для генерации ответа рядом нужна обычная языковая модель. Во-вторых, в отличие от локальных Open d1 и LFM с откликом быстрее 50 мс, новинки закрыты и работают только через облачный API Liquid AI или OpenRouter, а число параметров не раскрыто.
В-третьих, d1.2-ultra тратит 218 мс на задачу в Artificial Analysis при медиане 206 мс и средней цене $133 за миллион задач. Где критична скорость, выгоднее брать d1.2 с откликом около 150 мс в тестах и медианой 0,30 секунды на OpenRouter. Наконец, цифры от 87 до 98% по пяти новым задачам получены на внутренних тестах Liquid AI на отложенных частях открытых датасетов, без независимого рейтинга.



