d1 の紹介：ビジョンに対応した最も高性能な意思決定モデル

本日、テキストと画像の両方に対応した当社初の意思決定モデル d1 を発表します。先週の実験的リリースにより、d1 はテキストの意思決定で Jev に匹敵する初のモデルとなりましたが、今回、その能力を画像にまで拡張した初のモデルとなりました。現在、 console.liquid.ai および d1 Playground でお試しいただけます。

サポートチケットのフィルタリングから回路基板の検査まで、6 つの実アプリケーションで d1 を GPT-6.1 Sol および Claude Opus 5.5 と比較しました。d1 はそのうち 4 つで GPT-6.1 Sol と同等以上の結果を示しました。コストは両モデルの 19 分の 1 から 200 分の 1 で、すべてのタスクにおいて大幅に高速に応答します。

d1 意思決定モデルの仕組み

意思決定モデルは、ある状況に関する質問に対し、考えられる各回答の確率を返します。d1 意思決定モデルは、非構造化データ（テキスト、画像、またはその両方など）と 1 つ以上の質問を入力として受け取り、1 回のフォワードパスでそれらを読み取って、トークンを一切生成することなく確率を返します。テキストの意思決定にかかる時間は 200〜300 ms で、リアルタイムアプリケーションにも十分な速さです。

Figure 2: How the d1 decision model turns text and image inputs into decisions.

d1 は 3 種類の質問に回答します。

  • Noul：yes/no で答える質問。0 から 1 の確率で回答します。
  • Choice：多数のラベルから 1 つを選ぶ質問。ラベルごとの確率で回答します。
  • Score：尺度上の位置。各レベルの確率で重み付けされます。

1 回のリクエストで同じ状態について複数の質問ができるため、入力トークンを節約できます。

d1 の活用例

意思決定モデルは、回答が構造化された意思決定である場合に、高コストな言語モデルの呼び出しを置き換えることができます。また、さまざまな新しいユースケースも可能にします。本セクションではその一部をご紹介します。以下のデモはすべて d1 Playground でライブ実行されています。

外観検査。この産業用アプリケーションでは、カメラの下を通過する 4 つの生産ラインの部品（回路基板、キャンドル、カシューナッツ、チューインガム。公開データセット VisA）を検査します。d1 は良品と不良品を 85〜97% の精度で選別します。特に注目すべきは、このモデルがこのタスク向けに一切学習されていない点です。優れた汎化性能により、短い説明だけでタスクを理解します。

テキストアプリケーション。5 つのアプリケーションで、すべての意思決定に d1 を使用しています。

  • Smart Filter：d1 が SQL クエリ内の関数 WHERE d1(ticket, 'the customer wants to cancel) になります。150 件のサポートチケットそれぞれに対して yes または no で回答します。
  • Code Search：d1 が Hugging Face の transformers リポジトリ（6,511 ファイル）をフォルダ単位でたどり、質問に答える関数まで絞り込みます。
  • Smart Folders：d1 が新しいドキュメントをそれぞれフォルダに、さらにサブフォルダへと振り分けます。検索クエリも同じ方法で振り分けるため、キーワード検索は 1 つのサブフォルダ内だけを探せば済みます。
  • Web Agent：d1 が 1 文の目標をもとに、フライト検索サイトを操作します。各ステップで、ページ上で可能なすべての操作の中から次のアクションを選択します。
  • Context Compaction：d1 がコーディングエージェントのセッション内の各ツール出力を読み、次のタスクに向けてそれを保持、削減、または破棄します。タスクに必要な出力はすべて残しつつ、トークンの 52% を削減します。

これらのアプリケーションのうち 4 つは、オープンソースプロジェクトの pg-jev、jevgrep、jev-ultrafast、fast-jev-compaction をもとにしています。

ゲーム。d1 は 8 つのクラシックゲームをライブでプレイし、すべての手を選択します。ビジョンは 2 つの点で役立ちます。

  • より良い意思決定：Tetris はテキストだけで完全に記述できますが、画面を加えることで、d1 のスコアは消去ライン数 70 から 81 に向上します。
  • よりシンプルな統合：Wordle では、d1 がスクリーンショットから直接盤面を読み取ります。開発者はゲームのテキスト版を作成する必要がなく、それでも d1 は 12 ゲーム中 12 ゲームを平均 3.8 回の推測で解きました。

d1 は純粋に視覚的なタスクにも対応します。Quick, Draw! では、プレイヤーの落書きが何を表しているかを 62 語の中から推測し、6 枚中 5.2 枚を正しく認識します（ランダムな推測では 0.6 枚）。

提供状況と価格

d1 意思決定モデルは、 Liquid AI API で d1 として利用可能です。今すぐ構築を始めましょう。API キーは console.liquid.ai（Dashboard > API Keys）で作成できます。

ビジョンを利用するには、images に画像を base64 データ URL として渡すだけです。

import base64, os, requests

image = base64.b64encode(open("board.jpg", "rb").read()).decode()

response = requests.post(
    "https://api.liquid.ai/decisions/v1/systemone",
    headers={"Authorization": f"Bearer {os.environ['LIQUID_API_KEY']}"},
    json={
        "model": "d1",
        "images": [f"data:image/jpeg;base64,{image}"],
        "state": "Camera image of a circuit board on the production line.",
        "questions": 
            {"defect": {
                "type": "noul", 
                "instructions": "Does this circuit board have a defect?"
             }
         },
    },
)

print(response.json()["answers"]["defect"]["noul"])

API の完全なリファレンスは、意思決定モデルのドキュメントに掲載しています。

d1 の課金は入力トークンのみで、出力トークンは発生しません。画像はテキストと同じ料金で入力トークンとしてカウントされます。32×32 ピクセルのパッチごとに 1.5 トークンで、1024×1024 の画像は 1,536 トークンとなります。各質問は、そのテキストとすべての画像を含めて個別のプロンプトとして課金されます。

d1 は Vercel および OpenRouter からもご利用いただけます（現時点ではテキストのみ）。両プラットフォームでのビジョン対応も近日中に提供予定です。

AI における創造性と探究にとって、今はエキサイティングな時代であり、d1 はその始まりにすぎません。私たちは、さまざまなサイズの意思決定モデルの開発を続け、新機能の追加、意思決定品質の向上、レイテンシの低減に取り組んでいます。また、今後のモデルのオープンウェイトを近日中に Hugging Face で公開する予定です。

Liquid AI logoLiquid Console で試すLiquid AI logoドキュメントを読む

引用

引用の際は、以下の参考文献または BibTeX をご使用ください。

Liquid AI, "Introducing d1: The most capable decision model, now with vision", Liquid AI Blog, Oct 2026.

@article{liquidAI2026d1,
  author = {Liquid AI},
  title = {Introducing d1: The most capable decision model, now with vision},
  journal = {Liquid AI Blog},
  year = {2026},
  note = {www.liquid.ai/blog/d1-decision-model},
}

評価方法。各アプリケーションは、2026 年 10 月 5 日に d1 Playground の比較スクリプトを用いて、モデルごとに 1 回ずつ実行しました。GPT-6.1 Sol と Claude Opus 5.5 には各リクエストを 1 つのチャットメッセージとして渡し、デフォルトの推論設定のもと JSON 形式で回答させました。フィルタのチケットやフォルダのパッセージのように多数の質問が 1 つの入力を共有する場合、チャットモデルはバッチ単位で回答しています。コストはプロンプトキャッシュの割引を含まない定価に基づきます。d1 のコストは入力トークン 100 万あたり $0.04 で算出しています。時間は 1 回の実行あたりの値で、同時実行リクエストは最大 8 件です。Smart Filter の 1 回の実行は、150 件のチケットに対する 1 つのクエリです。Smart Folders の 1 回の実行では 105 件のパッセージを振り分け、コストは 1,000 パッセージあたりで示しています。フィルタの品質は、人手によるラベルに対する F1 スコアで、見逃しと誤検出の両方を考慮します。その他のテキストアプリケーションでは、正しく処理された目標、質問、パッセージ、または必要な出力の数をカウントしています。15 問のコード質問のうち 6 問と、4 つのコンパクションセッションのうち 2 つは、d1 のパイプライン確定後に作成しました。Visual Inspection では、すべてのモデルに、検査対象の部品と並べて同じラインの良品を提示しています。