一条客服消息写着“这个月扣了两次钱，请退掉其中一笔”
接下来要做的事很小，判断它该交给账单团队还是技术团队，有多急，是否涉及退款
让聊天助手处理，它可以写出一段完整分析 可后面的软件只需要几个确定的字段，越长的回答，越需要再从文字里找出结果
Liquid AI 本周开放的 d1 模型，把这类需求单独拿了出来 给它材料、问题和候选答案，它直接返回选择或分数，不生成一段回复
这条路线值得了解，因为不少软件里的 AI 工作，到这一步就已经够了
把写答案换成选答案
聊天模型通常把回答拆成小片段，接着前面的内容继续生成，直到完成一句话或一篇文章
d1 的处理方式更像做一张选择题 使用者先给出需要判断的材料，再说明问题和选项，例如“这条消息属于账单、技术故障还是疑似盗用”
模型读取材料与问题，在一次计算中输出各个选项的概率，再给出选择 “一次前向计算”说的就是这个过程，它仍要读懂输入、进行运算，并没有跳过理解
它支持三类答案，是否、从指定选项中选择、按事先定义的等级评分 同一份材料上的几个问题，也可以一起处理
上方逐步生成文字，下方直接给出候选答案的分布，示意图不代表性能对比
这和要求聊天助手“只回答是或否”有区别 后者仍在生成文字，d1 则专门把输出做成可以被软件读取的决定 它也因此不能接着写退款邮件、解释合同，或陪你讨论一个开放问题
同样在做判断，为什么还需要新模型
邮件分类、图片识别早就存在，d1 的意义不能归结为 AI 终于会做选择
它提供的便利是，可以用自然语言说明问题和候选类别 根据 NVIDIA 的部署介绍，切换任务可以通过修改问题和标签完成，不必每换一个分类任务就专门训练一套模型
例如，同样一封投诉信，可以同时判断归哪个团队、是否要求退款、紧急程度如何 写好分类标准后，软件拿到的是固定结构的结果
这对普通用户的影响可能藏在产品背后 工单少转一次部门，消息先分好类，摄像头里的动作能及时触发反馈，都不需要屏幕上出现一大段 AI 分析
不过，类别怎么划分仍是人的工作 只提供“账单”和“技术”两个选项，却塞进一条账号盗用投诉，模型输出得再整齐，也可能把问题分错地方
三种场景，答案短一点反而有用
第一种是整理请求 模型卡提供了重复扣费的例子，让同一条消息接受退款意图、处理团队和紧急程度三个判断 这可以作为客服分流的起点，实际退款仍要查订单、核对规则，由另一个流程执行
分类明确时交给对应团队，含糊的请求留给人复核，这是接入时可以设计的流程
第二种是处理镜头里的动作 Liquid AI 的演示把 d1-3B 接到实时摄像头，用于手势游戏等任务 这类应用关心的是当前画面对应哪个动作，长篇描述会让交互多一道等待
第三种是判断一句语音想做什么 小型版本 d1-omni-600M 支持文字配合语音输入，可以用于语音指令分类 它的语音训练面向英语说话者与助手的请求，片段限制在 30 秒，不能据此推断中文语音也有同样效果
以上场景都有一个共同条件，问题的答案范围能先写清楚 如果你需要的是“帮我想一个活动方案”，直接选答案的空间就不够用了
快一点，还需要留住不确定性
省去文字生成，确实减少了一部分工作，但输入长度、图像大小和设备仍会影响等待时间
Liquid AI 的官方测试中，d1-3B 在 Apple M5 Pro 上回答单个问题耗时 30 毫秒，处理约 3400 个输入片段的材料则是 640 毫秒 这是项目方给定条件下的结果，不能理解成任意任务都能瞬间完成
更需要留意的是，模型会给出概率，概率却不能保证一次判断正确 类别之间难以区分、材料缺少信息、遇到训练中少见的表达，都可能出错
接入软件时，可以给犹豫的判断设置人工复核路径，并拿自己已经知道答案的材料检查误判 分类结果也应与执行权限分开，判断“用户想退款”，不等于已经确认“应该退款”
普通人先试演示，团队再考虑接入
这次开放的 d1-3B 面向文字与图像，小型的 d1-omni-600M 还支持音频，但仍标为早期研究版本 它们是可以下载部署的模型，需要有人把运行环境和业务流程接起来
权重使用 LFM Open License v1.0，商业使用有收入门槛条款 团队接入前要核对许可证，不能把开放下载理解为所有用途都无需条件
想先感受它在做什么，可以打开官方演示集合，从不含私人信息的样例开始 在线演示与自己设备上的本地部署，需要分别确认数据去向
回到那条重复扣费的消息，真正有用的结果是让它去对的地方，并保留后续核查 d1 提供了一种让 AI 专门完成这一步的方式，问题越明确、选项越清楚，它的用处越容易落到实处