Liquid AI เปิดตัว d1 โมเดลการตัดสินใจคืนค่าความน่าจะเป็นแบบ 0 โทเคน

Liquid AI เปิดตัว d1 โมเดลการตัดสินใจ (Decision Model) ที่ออกแบบมาเพื่อสร้างผลลัพธ์แบบมีโครงสร้างแทนการสร้างข้อความ โดยผู้ใช้เพียงระบุบริบทและชุดคำถามที่กำหนดประเภทไว้ โมเดลจะคืนค่าความน่าจะเป็นที่ปรับเทียบแล้วจากชุดผลลัพธ์ในการเรียกใช้งานครั้งเดียว โดยไม่มีการสร้างโทเคนออกมา (zero generated tokens)

เป้าหมายของ d1 คือการเข้ามาแทนที่งานที่หลายทีมมักส่งไปยัง LLM ทั่วไป เช่น การจัดหมวดหมู่ (classification), การกำหนดเส้นทางตั๋วสนับสนุน (ticket routing), การให้คะแนน (scoring), การกลั่นกรองเนื้อหา (moderation), การจัดอันดับใหม่ (reranking) และการใช้เป็นตัวตัดสินแบบ LLM-as-judge

ปัจจุบัน d1 พร้อมใช้งานแล้วในรูปแบบ API แบบโฮสต์ ผ่าน Liquid API ภายใต้ชื่อโมเดล d1:free โดยข้อมูลใน model library ระบุว่าเป็นบริการแบบ API เท่านั้นและไม่สามารถเทรนเพิ่มได้ จึงไม่มีน้ำหนักโมเดลในรูปแบบ GGUF, MLX หรือ ONNX สำหรับการนำไปโฮสต์ด้วยตนเองในขณะนี้

Decision Model คืออะไร?

โมเดลการตัดสินใจจะประเมินสถานการณ์และคืนคำตอบตามประเภทจากตัวเลือกที่กำหนดไว้ล่วงหน้าก่อนเริ่มทำงาน โดยจะไม่มีการเขียนข้อความใหม่ ทำให้ในทุกการตอบสนอง ค่า usage.output_tokens จะเท่ากับ 0 เสมอ

ใน migration guide ของ Liquid AI ได้ให้หลักการง่ายๆ ว่า หากคำตอบคือหนึ่งในตัวเลือก N รายการที่ทราบอยู่แล้ว ให้เลือกใช้โมเดลการตัดสินใจ แต่ถ้าหากโมเดลจำเป็นต้องเขียนข้อความใหม่ ก็ควรใช้งาน LLM ต่อไปตามปกติ

3 องค์ประกอบหลัก: Noul, Choice และ Score

Noul คือคำถามรูปแบบ ใช่/ไม่ใช่ ที่คืนค่าความน่าจะเป็นระหว่าง 0 ถึง 1 เช่น คำถาม "ข้อความนี้เป็นการร้องเรียนหรือไม่?" อาจคืนค่า 0.999 Choice คือการเลือกหนึ่งตัวเลือกจากชุดชื่อที่กำหนด โดยจะคืนค่าตัวเลือกอันดับสูงสุด การกระจายตัวทั้งหมด และค่าความเชื่อมั่น (confidence) เช่น การระบุหมวดหมู่ 'billing' ให้กับตั๋วที่ส่งเข้ามา

Score จะให้คะแนนอินพุตตามเกณฑ์ที่จัดลำดับไว้ และคืนค่าตำแหน่งที่ถ่วงน้ำหนักด้วยความน่าจะเป็น โดยระดับต่างๆ จะถูกทำดัชนีเริ่มต้นจาก 0 เช่น เกณฑ์ความเร่งด่วน 4 ระดับ (0 ถึง 3) ซึ่งเหตุการณ์ระบบขัดข้องอาจได้คะแนนสูงถึง 2.9995

ผู้ใช้งานสามารถผสมผสานทั้ง 3 ประเภทเข้าด้วยกันในคำขอเดียวได้ โดยโมเดลจะประเมินทุกคำถามเทียบกับสถานะเดิมในการทำงานรอบเดียวเพื่อประสิทธิภาพสูงสุด

วิธีการทำงานของ d1 API Call

แต่ละคำขอประกอบด้วย 3 ส่วนสำคัญ ได้แก่ โมเดล, สถานะ (ข้อความธรรมดาหรือวัตถุ JSON) และคำถาม โดยส่งคำขอไปที่ POST https://api.liquid.ai/decisions/v1/systemone สามารถรับ API Key ได้ที่ console.liquid.ai ซึ่งจะขึ้นต้นด้วย liquid_

สำหรับการเรียกใช้งานผ่านโค้ด สามารถใช้ typesafe-sdk ของ TypeSafe AI สำหรับ Python หรือ @typesafe-ai/sdk สำหรับ TypeScript ดังตัวอย่างนี้:

from typesafe_sdk import TypeSafeClient, Noul
client = TypeSafeClient(api_key=os.environ["LIQUID_API_KEY"],
base_url="https://api.liquid.ai")
result = client.system_one(
model="d1:free",
state="I have been waiting over three weeks for my order...",
questions={"is_complaint": Noul(
instructions="Is this message a complaint from the customer?")},
)
print(result.answers["is_complaint"].noul) # 0.999

ทำไมต้องเปลี่ยนการเรียกใช้ LLM Classification มาเป็น d1

คู่มือการย้ายระบบระบุถึงข้อดีที่ชัดเจนเมื่อเทียบกับการใช้ LLM แบบทั่วไปที่มีเอาต์พุตแบบโครงสร้าง (Structured Output) ดังนี้:

• ประหยัดต้นทุน: ไม่มีการคิดค่าเอาต์พุตโทเคน ซึ่งปกติ LLM จะคิดเงินแม้จะเป็นการตอบเพียงป้ายกำกับสั้นๆ
• ความเร็วคงที่: ความหน่วงคาดการณ์ได้ง่ายเพราะไม่มีวงรอบการถอดรหัส (decoding loop) ที่ยาวตามเนื้อหา
• ลดข้อผิดพลาด: คำตอบจะตรงตามประเภทที่กำหนดเสมอ หมดปัญหา JSON ผิดรูปแบบจนต้องสั่งรันใหม่
• ความแม่นยำสูง: ได้รับค่าความน่าจะเป็นที่ปรับเทียบแล้วแทนที่จะเป็นตัวเลขคาดเดาจากโมเดล
• ลดจำนวนรอบ: สามารถรวบรวมการจัดหมวดหมู่หลายรายการมาไว้ในการเรียกใช้ครั้งเดียวได้

นอกจากนี้ ค่าความน่าจะเป็นยังช่วยให้การกำหนดเกณฑ์ (threshold) มีประสิทธิภาพมากขึ้น เช่น การตั้งค่าให้บล็อกเนื้อหาที่คะแนนสูงกว่า 0.8 หรือส่งให้มนุษย์ตรวจสอบในช่วงคะแนนระดับกลาง ช่วยให้การตัดสินใจของระบบมีความสม่ำเสมอและลดปัญหาคำตัดสินที่เปลี่ยนไปมา

อย่างไรก็ตาม ผู้ใช้งานควรใช้ LLM ต่อไปสำหรับงานประเภทสรุปความ, การร่างข้อความ, การแชทโต้ตอบ, การสร้างโค้ด และการให้เหตุผลหลายขั้นตอนที่ซับซ้อน

สาธิตการใช้งาน: Road Decider

Liquid ได้เผยแพร่ road-decider cookbook ซึ่งเป็นเกมแข่งรถแบบพิกเซลอาร์ต โดยใช้ d1 และคำถามแบบ Choice เพื่อตัดสินใจเลือกว่ารถควรไปทางซ้าย กลาง หรือขวา ในอัตรา 2 ถึง 5 ครั้งต่อวินาที

แอปพลิเคชันนี้ทำงานบน Node.js 18+ พร้อม Vite proxy เพื่อความปลอดภัยของ API Key สิ่งที่น่าสนใจจากการทดลองนี้คือเรื่องการออกแบบสถานะ (state design) ซึ่งพบว่าการสรุปข้อมูลแยกตามเลนพร้อมระยะห่างสิ่งกีดขวาง ช่วยให้โมเดลตัดสินใจได้แม่นยำกว่าการส่งตารางข้อมูลถนนแบบดิบๆ เข้าไป

d1 เทียบกับคู่แข่งในตลาด

d1 เข้าสู่ตลาดโมเดลการตัดสินใจแบบ non-generative ซึ่งเป็นกลุ่มที่กำลังเติบโต ต่อไปนี้คือการเปรียบเทียบกับคู่แข่งตามข้อมูลที่เผยแพร่:

ข้อมูล ณ วันที่ 29 กันยายน 2026 อ้างอิงจากเว็บไซต์ทางการของผู้ให้บริการ

สรุปประเด็นสำคัญ

• d1 มอบผลลัพธ์การตัดสินใจพร้อมความน่าจะเป็นที่แม่นยำ โดยมีเอาต์พุต 0 โทเคน
• รองรับ 3 ฟังก์ชันหลัก: Noul (ใช่/ไม่ใช่), Choice (เลือกหนึ่งอย่าง) และ Score (ให้คะแนนตามเกณฑ์)
• เปิดให้ใช้งานฟรีผ่าน Liquid API ในชื่อ d1:free โดยยังไม่มีเวอร์ชันให้โฮสต์เอง
• เหมาะสำหรับงานประเภทการกำหนดเส้นทางข้อมูล, การกลั่นกรองเนื้อหา และงานคัดกรองต่างๆ