Liquid AIが新たな意思決定モデル「d1-ultra」をリリース
米Liquid AIは、その最新かつ最も強力な意思決定モデルである「d1-ultra」を発表しました。これは、テキストと画像を両方処理できるマルチモーダル対応のモデルで、開発者向けのAPIを通じて提供されています（MarkTechPost）。
このモデルの最大の特徴は、質問に対して自由形式のテキストではなく、各回答の確率を返す点にあります。これにより、出力トークンを生成しないため、開発者は分類、ルーティング、スコアリングといった処理を、生成テキストの料金を支払うことなく実行できるという点が画期的だと感じます。
d1-ultraは、テキスト、画像、またはその両方を読み込み、可能な各回答の確率とともに質問に回答します。
現時点では、モデルのパラメータ数やコンテキスト長といった具体的なサイズ情報は公開されていませんが、以前のd1モデルよりも大規模なオープンウェイトバックボーンに基づいているとされています。提供はLiquid API経由のみで、ダウンロード可能なウェイトや量子化されたバリアントは発表されていません（MarkTechPost）。
意思決定モデルとは何か？
意思決定モデルは、従来の言語モデルのように自由形式のテキストを生成するのではなく、制約のある質問に対して確率で回答を返すAIモデルです（Liquid AI公式ドキュメント）。Liquid AIのドキュメントによると、主に以下の3種類の質問タイプに対応しています。
| 質問タイプ | 説明 | 返答形式 |
|---|---|---|
| Noul | はい/いいえの質問 | 0から1の間の確率 |
| Choice | 選択肢からのラベル選択 | 各ラベルの確率 |
| Score | 順序付けされた評価基準での位置 | 確率で重み付けされた位置 |
これらのモデルは、ルーティング、モデレーション、ガードレール、トリアージ、そして「LLM-as-judge」の代替といった用途で推奨されています。一方で、要約、チャット、コード生成といったタスクには、引き続き言語モデルが適しているとされています。これにより、適切なAIモデルを適切なタスクに適用することで、より効率的かつコストパフォーマンスの高いシステム構築が可能になるのではないでしょうか。
d1-ultraの仕組みと性能
d1-ultraは、入力として「状態（コンテキスト）」、オプションの「画像」、そして1つ以上の「質問」を受け取ります。そして、1回のAPIコールで複数の質問を同じ入力に対して評価します。APIリファレンスを見ると、レスポンスではoutput_tokensが常に0であることが示されています（Liquid AI公式ドキュメント）。
Liquid AIチームは、d1-ultraがd1よりも大きなオープンウェイトバックボーンと、Liquid独自のカスタマイズを組み合わせていると説明しています。これにより、同社の意思決定トレーニングパイプラインと相まって、特に知識ベースのタスクにおいて大幅な性能向上を実現したとのことです（Liquid AI公式ブログ）。
d1-ultraは、より大きなオープンウェイトバックボーンとLiquid独自のカスタマイズを使用しており、知識タスクでの性能向上が顕著です。
ベンチマーク性能に関して、Liquid AIは自社の112の評価スイートでd1-ultraを検証し、以前のd1モデルやTypeSafeのJev 1.14と比較しました。Liquid AIの発表によれば、d1-ultraは同価格帯でJev 1.14をすべてのタスクで上回るとのことです（Liquid AI公式ブログ）。さらに、独立評価機関であるArtificial Analysis Decision Indexでは、d1-ultraが65点を獲得し、1位にランクインしたと報告されています。
エンジニア目線で見ると：コスト最適化と特定タスクへの適用が魅力
d1-ultraのような意思決定モデルは、私の個人プロダクト開発やスタートアップの現場でも大いに活用できる可能性を秘めていると感じます。特に、出力トークンを生成しないという点は、コスト最適化の観点から非常に魅力的です。既存のLLMでは、分類やルーティングといったタスクでも、不要な出力テキストの生成によって料金がかさむことがありましたが、d1-ultraであればその心配がありません。
入力トークン100万あたり0.042ドルという価格設定も、特に頻繁に呼び出すような用途では、LLMのトークン単価と比較してメリットが大きいのではないでしょうか。GCPを主軸にサービスを展開している私にとって、API経由で簡単に利用できる点は導入障壁が低く、既存のマイクロサービスアーキテクチャに組み込みやすいと感じます。
具体的な用途としては、カスタマーサポートの問い合わせ自動振り分け（トリアージ）、コンテンツモデレーション、または品質保証における画像ベースの欠陥検出などが考えられます。例えば、製造業の現場で撮影された画像から、製品の欠陥の種類とその確率を判定するといったタスクは、従来の画像認識モデルとLLMの組み合わせでは複雑になりがちでしたが、マルチモーダル対応の意思決定モデルであれば、よりシンプルかつ効率的に実装できる可能性があります。また、Guardrailとしての利用も非常に有効でしょう。
LLMが生成するコンテンツの安全性を担保するために、出力前にd1-ultraで不適切な内容の確率を判定し、フィルターをかけるといった使い方ができそうです。Pythonバインディングがあれば、自分のアプリに組み込んで、まずは簡単なPoCから試してみたいという気持ちになりますね。
