Liquid AI เปิดตัว d1.2 และ d1.2-ultra โมเดลตัดสินใจอันดับ 1

Liquid AI เพิ่งทำการ released d1.2 and d1.2-ultra โดยโมเดลการตัดสินใจ (decision model) เหล่านี้ถูกออกแบบมาเพื่อส่งคืนค่าความน่าจะเป็นที่ปรับเทียบแล้ว (calibrated probabilities) จากชุดคำตอบที่กำหนดไว้แทนการเขียนข้อความ โดยในรุ่น d1.2 นี้ได้เพิ่มการรองรับทั้งข้อความ รูปภาพ และเสียง พร้อมทั้งเพิ่มประเภทคำตอบใหม่อีก 5 รูปแบบ
สำหรับประสิทธิภาพนั้น d1.2-ultra สามารถทำคะแนนได้สูงถึง 75 คะแนนบน Artificial Analysis Decision Index v2.1 ซึ่งถือเป็นคะแนนที่สูงที่สุดในกลุ่มโมเดลการตัดสินใจที่อยู่ในดัชนีนี้ ผู้ใช้งานสามารถตรวจสอบตัวเลือกการติดตั้งและสเปกเพิ่มเติมได้ผ่าน GPULeaderboard.com chrome extension
TL;DR
- ขนาด: ไม่เปิดเผยจำนวนพารามิเตอร์ รองรับสูงสุด 65,536 input tokens ต่อคำถาม และรองรับได้ถึง 128 คำถามต่อการเรียกใช้หนึ่งครั้ง
- รันบน: โฮสต์ผ่าน Liquid API เท่านั้น ในขณะนี้ยังไม่มีการเปิดเผยน้ำหนักโมเดล (weights) โดย Liquid AI ระบุว่าจะเปิดให้ใช้งานในอนาคต
- ประสิทธิภาพ: d1.2-ultra ได้ 75 คะแนน และ d1.2 ได้ 69 คะแนนบน AA Decision Index v2.1
- ความแม่นยำสูงสุด: ค่าความคลาดเคลื่อนการปรับเทียบ (calibration error) ของ d1.2-ultra อยู่ที่เพียง 0.8 จุด จากเกณฑ์มาตรฐาน 13 รายการ
Liquid AI d1.2 คืออะไร?
d1.2 เป็นโมเดลการตัดสินใจแบบโฮสต์จาก Liquid AI ที่เน้นการตอบคำถามแบบระบุประเภทจากข้อมูลข้อความ รูปภาพ หรือเสียงในการเรียกใช้ครั้งเดียว โดยระบบจะส่งคืนค่าความน่าจะเป็นต่อตัวเลือกที่กำหนด และสร้าง zero output tokens ทำให้ผู้ใช้เสียค่าบริการเฉพาะส่วน input เท่านั้น
d1.2-ultra ถูกพัฒนาขึ้นเพื่อจัดการกับงานตัดสินใจที่มีความซับซ้อนสูง ส่วนรุ่น d1.2 จะเน้นความเร็วและมีราคาประหยัดกว่าครึ่งหนึ่ง โดยรหัสโมเดลที่ใช้คือ d1.2 และ d1.2-ultra ส่วนเวอร์ชันก่อนหน้าอย่าง d1, d1.1 และ d1-ultra ได้ถูกยกเลิกการใช้งานแล้วเนื่องจากไม่รองรับระบบเสียงและฟังก์ชันใหม่ๆ
5 งานใหม่ใน d1.2 มีอะไรบ้าง?
d1.2 ได้เพิ่มความสามารถในการตอบคำถามแบบระบุประเภท 5 รูปแบบใหม่บน endpoint และรูปแบบคำขอเดิม ดังนี้:
- อ่านค่า (-
text, -number, -date): ส่งคืนค่าพร้อมระบุตัวอักษรที่เป็นต้นทางของข้อมูลนั้น โดยจะตอบว่า "not found" แทนการคาดเดาหากไม่พบข้อมูล - ค้นหาทุกช่วง (-
spans): ค้นหาและส่งคืนข้อความที่ตรงกันในแต่ละส่วน เช่น ชื่อหรืออีเมล พร้อมระบุตำแหน่งที่พบ - ระบุตำแหน่งวัตถุ (-
box, -boxes): ส่งคืนพิกัดรูปสี่เหลี่ยมระบุตำแหน่งวัตถุ 1 รูป หรือตามจำนวนอินสแตนซ์ที่พบ - ประมาณค่าตัวเลข (-
numberพร้อม -range): ให้คำตอบที่ดีที่สุดพร้อมระบุช่วงตัวเลข เช่น ระบุค่า 12 ภายใต้ช่วง 10 ถึง 14 - เลือกทุกตัวเลือกที่เกี่ยวข้อง (-
choiceพร้อม -multiple): ส่งคืนทุกเลเบลที่สอดคล้องกับข้อมูลพร้อมค่าความน่าจะเป็นของแต่ละรายการ
การป้อนข้อมูลด้วยเสียงทำงานอย่างไร?
โมเดลนี้สามารถใช้เสียงเป็นทั้งหัวข้อของคำถาม เช่น การระบุภาษาที่พูด หรือตรวจสอบเสียงสัญญาณแจ้งเตือน และยังสามารถรับคำถามในรูปแบบเสียงได้อีกด้วย โดย API รองรับไฟล์ 16-bit PCM WAV และคิดอัตรา tokens ที่ 10 tokens ต่อวินาทีของเสียง จากการทดสอบกับชุดข้อมูล ESC-50 และ FLEURS พบว่าทั้งสองโมเดลมีความแม่นยำสูงถึง 95% ถึง 97%
d1.2 ทำคะแนนได้อย่างไรบน Artificial Analysis Decision Index?
ดัชนีนี้ประเมินจากเกณฑ์ 6 รายการที่มีน้ำหนักต่างกัน เช่น AA-Paperclip (30%) และ EvalSafe-O*NET-AA (15%) โดยระบบจะตัดแต้มหากโมเดลตอบผิดแต่มีความมั่นใจสูง ซึ่ง d1.2-ultra ทำได้ 75 คะแนน ทิ้งห่างคู่แข่งอย่าง Drex Max v1.1 และ GLiDE v1.2 ที่ได้ 73 คะแนน ขณะที่ d1.2 ทำได้ 69 คะแนน แม้จะต่ำกว่ารุ่น d1-ultra เดิมเล็กน้อย แต่ Liquid AI ยืนยันว่าไม่มีโมเดลใดในระดับราคานี้ที่ให้ประสิทธิภาพสูงกว่า d1.2
ค่าความน่าจะเป็นถูกปรับเทียบได้ดีเพียงใด?
โมเดลที่ปรับเทียบแล้ว (calibrated model) หมายความว่าหากโมเดลระบุความมั่นใจ 80% ผลลัพธ์ควรจะถูกต้องใกล้เคียง 80% ของเวลาทั้งหมด เพื่อให้มนุษย์สามารถเข้ามาดูแลงานที่โมเดลมีความมั่นใจต่ำได้ทันที จากการทดสอบกว่า 22,505 ข้อ Liquid AI พบว่า d1.2-ultra มีค่าความคลาดเคลื่อนเพียง 0.8 จุด ซึ่งต่ำกว่าคู่แข่งอย่าง GPT-6 Luna ที่สูงถึง 7.2 จุดอย่างเห็นได้ชัด
งานใหม่มีความแม่นยำเพียงใด?
Liquid AI เปิดเผยข้อมูลการทดสอบบนชุดข้อมูลสาธารณะในส่วนที่แยกไว้ (held-out splits) เพื่อยืนยันประสิทธิภาพในงานต่างๆ ดังนี้:
| งาน (ชุดข้อมูล) | d1.2-ultra | d1.2 |
|---|---|---|
| อ่านค่าจากใบเสร็จ (CORD, SROIE) | 98% | 96% |
| ค้นหาข้อมูลส่วนบุคคล (Nemotron PII) | 94% / 93% | 92% / 88% |
| ระบุตำแหน่งวัตถุ (RefCOCO, RefCOCO+, RefCOCOg) | 94% | 94% |
| นับจำนวนวัตถุภายใน 1 (COCO) | 93% | 92% |
| เลือกวัตถุทุกชิ้นที่มีอยู่ (COCO) | 87% | 90% |
น่าสนใจที่ d1.2 สามารถเอาชนะรุ่น Ultra ได้ในงานเลือกแบบหลายเลเบล (multi-label) โดยทำได้ 90% ต่อ 87%
d1.2 เปรียบเทียบกับโมเดลการตัดสินใจอื่นๆ
| ตัวชี้วัด | d1.2-ultra | d1.2 | Drex Max v1.1 (Nace.AI) | Decider v1.3 (Perplexity) |
|---|---|---|---|---|
| AA Decision Index v2.1 | 75 | 69 | 73 | 70 |
| ค่าความคลาดเคลื่อนการปรับเทียบ | 0.8 | 1.2 | ไม่มีการรายงาน | 3.7 |
| ราคา Input ต่อ 1M tokens | $0.042 | $0.02 | $0.03 | $0.02 |
| ราคา Output | $0 | $0 | $0 | $0 |
| ข้อมูลนำเข้า | ข้อความ, รูปภาพ, เสียง | ข้อความ, รูปภาพ, เสียง | ข้อความ, รูปภาพ | ข้อความ, รูปภาพ |
ราคาและการใช้งาน
Liquid AI กำหนดราคาไว้ที่ $0.02 ต่อ 1M input tokens สำหรับ d1.2 และ $0.042 สำหรับ d1.2-ultra พร้อมให้เครดิตฟรี $2 สำหรับผู้ใช้งานใหม่บน Liquid Console โดยรูปภาพจะคิดค่าใช้จ่ายตามจำนวนแพตช์ขนาด 32x32 และมีการคิดค่าบริการสื่อเพียงครั้งเดียวแม้จะใช้กับหลายคำถาม
ข้อจำกัดของคำขอ ต่อหนึ่งครั้งประกอบด้วย:
- คำถามสูงสุด 128 ข้อ และขนาดไฟล์ไม่เกิน 4.5 MB
- รูปภาพไม่เกิน 8 รูป (หรือ 1 รูปสำหรับงานระบุตำแหน่ง)
- คลิปเสียงไม่เกิน 8 คลิป ความยาวรวมไม่เกิน 300 วินาที
สรุปประเด็นสำคัญ
- d1.2-ultra ครองอันดับหนึ่งบน AA Decision Index v2.1
- ทั้งสองโมเดลเป็นแบบ Omnimodal รองรับข้อความ รูปภาพ และเสียง โดยไม่มีการเสียค่า output tokens
- เพิ่มฟังก์ชันการตอบข้อมูลแบบละเอียด 5 รูปแบบใหม่
- มีความแม่นยำในการปรับเทียบค่าความน่าจะเป็นที่เหนือกว่าคู่แข่งในตลาด
- ปัจจุบันยังให้บริการเฉพาะแบบโฮสต์ผ่าน API และยังไม่เปิดเผยน้ำหนักโมเดลสู่สาธารณะ
ความคิดเห็น (0)
เข้าสู่ระบบเพื่อร่วมแสดงความเห็น
สมัครสมาชิกมาเป็นคนแรกที่แสดงความเห็นกันเลยโบร
