Liquid AI presenta d1-ultra, un modello di intelligenza artificiale multimodale progettato specificamente per l’elaborazione di decisioni basate su dati testuali e visivi, con particolare attenzione alla precisione delle classificazioni e all’affidabilità delle probabilità restituite. Il sistema rappresenta un’evoluzione del precedente modello d1, rilasciato all’inizio del mese, ed è stato progettato per affrontare attività decisionali complesse e caratterizzate da dati non uniformi. A differenza dei tradizionali modelli linguistici generativi, d1-ultra non produce una risposta attraverso la generazione progressiva di token testuali, ma elabora l’input mediante un singolo passaggio di calcolo, o forward pass, restituendo direttamente una decisione e i relativi valori probabilistici. Il modello può ricevere testo, immagini oppure una combinazione delle due modalità, consentendo di confrontare documentazione e informazioni visive nello stesso processo decisionale. Liquid AI indica tra i possibili impieghi il controllo qualità delle schede elettroniche, attraverso il confronto fra le specifiche di un circuito stampato e le fotografie del componente effettivamente realizzato, e la valutazione dei sinistri assicurativi, mediante l’analisi congiunta delle immagini presentate dal cliente e dei contenuti della richiesta di risarcimento.
Le modalità di interrogazione disponibili sono tre e rispondono a esigenze decisionali differenti. Noul gestisce domande binarie, associate a una probabilità compresa tra zero e uno, permettendo ad esempio di stimare se un oggetto presenti un difetto oppure se una determinata condizione risulti soddisfatta. Choice è destinata alle classificazioni con più alternative e restituisce un valore probabilistico per ciascuna delle opzioni previste. Score consente invece di collocare un caso all’interno di una scala di valutazione definita, producendo un punteggio coerente con il criterio utilizzato. Questa impostazione permette di integrare il modello in applicazioni nelle quali non è necessaria una spiegazione testuale estesa, ma occorre ottenere rapidamente risultati strutturati e interpretabili da un altro sistema informatico. Liquid AI ha sviluppato d1-ultra utilizzando una base open-weight di dimensioni maggiori rispetto a quella impiegata per d1, affiancandola a modifiche architetturali e a una pipeline di addestramento proprietaria. L’azienda non ha tuttavia reso noti né il numero dei parametri né l’identità precisa del modello di partenza.
Liquid AI ha confrontato d1-ultra con il precedente d1 e con Jev 1.14 di TypeSafe AI attraverso 112 valutazioni distribuite in otto aree. Secondo i risultati interni, il nuovo modello ha superato Jev 1.14 in tutte le aree considerate, ottenendo maggiore accuratezza e migliore calibrazione delle probabilità allo stesso prezzo per token di input. Jev appartiene alla categoria dei modelli decisionali System 1, concepiti per fornire valutazioni rapide senza ricorrere a lunghe sequenze di ragionamento generativo. Il confronto è particolarmente significativo per le applicazioni nelle quali migliaia di classificazioni devono essere eseguite in modo continuativo, mantenendo contenuti i costi di inferenza. Un ulteriore riferimento è rappresentato dal Decision Index di Artificial Analysis, valutazione indipendente nella quale d1-ultra ha ottenuto 65 punti, raggiungendo la prima posizione. Jev 1.13, precedente leader della classifica, aveva registrato 58 punti nella valutazione pubblicata il 13 ottobre, mentre GLiDE di Fastino Labs e Decision-1 di Microsoft avevano raggiunto entrambi 54 punti.
Il Decision Index prende in esame quattro aree di valutazione con pesi equivalenti, comprendenti conoscenza e gestione delle risposte non fondate, ragionamento, utilizzo degli strumenti e classificazione della sicurezza. Un elemento importante nell’evoluzione della famiglia d1 riguarda la capacità di riconoscere quando le informazioni disponibili non sono sufficienti per una risposta affidabile. Nella prima valutazione del 13 ottobre, il precedente modello d1 aveva ottenuto 41 punti nelle prove di conoscenza, contro i 35 di Jev 1.13, ma soltanto 2 punti nella capacità di evitare risposte errate, rispetto ai 35 del concorrente. d1-ultra è stato sviluppato anche per correggere questa disparità, concentrandosi sulla calibrazione probabilistica, cioè sulla corrispondenza tra la probabilità dichiarata dal sistema e la frequenza effettiva con cui le sue decisioni risultano corrette. Un modello che assegna sistematicamente probabilità molto elevate a risposte sbagliate può infatti rendere difficoltosa la gestione delle soglie decisionali in un’applicazione automatizzata. I risultati interni e quelli indipendenti documentano miglioramenti, pur senza garantire che il vantaggio sia riproducibile indistintamente in qualsiasi processo industriale.
d1-ultra è già disponibile attraverso le API di Liquid AI, con una tariffa di 0,042 dollari per milione di token di input, equivalente a quella dichiarata per Jev. Non viene applicato un costo aggiuntivo per token di output, poiché il sistema non utilizza una generazione testuale autoregressiva per produrre il risultato. Anche le immagini sono convertite in token di input: la tariffazione prevede 1,5 token per ogni porzione di immagine da 32 × 32 pixel, per un totale di 1.536 token nel caso di una fotografia da 1.024 × 1.024 pixel. Ogni interrogazione viene fatturata separatamente, quindi sottoporre più domande sulla stessa immagine comporta il conteggio ripetuto dei token visivi. Al momento del lancio non sono stati pubblicati i pesi scaricabili di d1-ultra né versioni quantizzate per l’esecuzione autonoma, mentre Liquid AI ha annunciato l’intenzione di estendere l’accesso al modello anche attraverso Vercel AI Gateway e OpenRouter.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)