Liquid d1-ultra发布：返回一个概率，为什么比长篇解释更需要校准

检查图片是否符合要求、把一条请求分到正确队列，业务通常只想要一个可靠判断。Liquid AI在10月15日发布d1-ultra，选择不生成聊天式答案，而是针对预设问题给出概率。听起来更简单，使用时却更需要把规则写清楚。

它回答什么，不回答什么

官方支持文本、图片或二者组合，提供是非、选项和评分类型。模型的输出是判断结果及概率，而不是一段可以随意追问的解释。Liquid API当前已提供访问；官方对其他接入渠道仍有后续上线的描述，不能把预告一概写成已经可用。

按输入计费的模式也要读细：多问题请求如何计算输入、图片怎样计入用量，会影响真实账单。不要因为没有输出token，就觉得批量图片判断没有成本。

最危险的是把0.99看成保证

概率输出只有在与你的业务样本匹配、经过校准后才有解释价值。商品图里遮住了关键部位，即使模型很自信，也不代表证据完整。规则里的“不知道”和“图片不足”应是真实可选结果，而不是强迫模型二选一。

先拿一组已经人工标注的样本跑影子测试，保留误判案例，按类别分开看。把边界案例单独放进复核队列，比单看总体准确率更容易发现风险。

如何从实验走到可用流程

建议先只输出建议标签，不自动退款、处罚或拒绝用户。稳定后再逐项放开低风险动作，同时记录规则版本、模型版本和复核结果。测试集不能全是清晰、简单的样本，也要包括模糊照片、缺失信息与罕见类别。

厂商榜单能帮助筛选候选，无法代替自己的验收。对一条真实业务流程，能解释什么时候必须停下来，往往比宣称所有问题都能自动处理更有价值。

资料来源与核查时间

• www.liquid.ai：原始资料

资料核查：2026年10月17日；产品条件与活动安排以原始来源最新说明为准。本文为公开资料编辑整理，不冒充现场采访或实机测评。

继续浏览：最新专题与工具指南。