Liquid AI lance d1 : un modèle de décision uniquement API qui renvoie des probabilités calibrées sans aucun jeton de sortie

Liquid AI a annoncé le 29 septembre 2026 le lancement public de d1, un modèle de décision uniquement API que l’entreprise commercialise sous le nom d1:free. Contrairement aux grands modèles de langage traditionnels qui émettent des jetons texte, d1 renvoie uniquement des valeurs de probabilité calibrées, et le service indique zéro jeton de sortie pour chaque appel. L’annonce a été reprise par MarkTechPost et est documentée dans les pages de référence du modèle de décision de Liquid AI. Le modèle se positionne comme un complément à l’IA générative, offrant une interface déterministe, sans jeton, pour une gamme de tâches de type classification.

Comment fonctionne d1

Selon la documentation de Liquid AI, d1 accepte une charge JSON qui combine une description de l’état actuel avec une ou plusieurs questions typées. Chaque question est associée à un primitive spécifique, et le modèle renvoie un ensemble de probabilités calibrées qui répondent à la requête sans produire de flux de jetons textuels. Le service enregistre le champ usage.output_tokens à zéro pour chaque requête, ce que l’entreprise met en avant comme un moyen d’éviter la facturation basée sur les jetons et de simplifier le traitement en aval. Les sorties de probabilité sont conçues pour être directement consommables par les applications qui ont besoin d’un score de confiance numérique plutôt que d’un texte libre.

Liquid AI définit trois primitives de base qui façonnent la manière dont les questions sont interprétées. La première, appelée Noul, est une primitive probabiliste oui/non qui renvoie une seule probabilité indiquant la vraisemblance d’une réponse vraie. La seconde, Choice, produit une distribution de probabilité sur une liste prédéfinie d’options nommées, permettant une classification multi‑classe en un seul appel. La troisième primitive, Score, renvoie un ruban ordonné de scores, chacun associé à un poids numérique, ce qui est utile pour les tâches de classement ou d’évaluation. En contraignant les entrées à ces formes typées, d1 peut fournir des sorties bien calibrées dans des domaines divers.

Le point d’accès public de d1 est une requête POST vers /decisions/v1/systemone, comme indiqué dans la référence API officielle. Les appels doivent inclure un jeton d’authentification et le corps JSON décrit précédemment. La charge de réponse contient un champ nommé « probabilities » qui renferme les valeurs calibrées pour chaque primitive invoquée, ainsi que des métadonnées telles que la latence de la requête et la métrique d’utilisation à zéro jeton. La documentation de Liquid AI précise que le point d’accès est hébergé sur l’infrastructure cloud de l’entreprise et n’est pas disponible pour un déploiement sur site.

Cas d’utilisation prévus

Liquid AI commercialise d1 pour une suite d’applications orientées décision. Les tâches de classification telles que la détection de spam ou l’analyse de sentiment peuvent être exprimées sous forme de requêtes Noul ou Choice, délivrant un score de confiance que les systèmes en aval peuvent exploiter. Les décisions de routage – déterminer quel canal de service ou quelle étape de workflow invoquer – s’intègrent naturellement dans la primitive Choice. Le scoring et l’évaluation, par exemple l’évaluation de la qualité du contenu ou de la conformité, tirent parti du ruban ordonné de la primitive Score. Le modèle est également promu pour les pipelines de modération, le re‑ranking des résultats de recherche, et comme composant LLM‑as‑judge qui valide les sorties des modèles génératifs sans générer de texte supplémentaire.

En même temps, Liquid AI conseille aux clients de continuer à utiliser les LLM génératifs pour les tâches qui nécessitent la création de langage naturel, comme la rédaction d’e‑mails, le résumé de documents, le dialogue, l’écriture de code ou le raisonnement en plusieurs étapes. Selon l’entreprise, d1 excelle lorsque le problème se réduit à une décision binaire ou multi‑classe avec besoin d’une confiance calibrée, tandis que les modèles génératifs restent l’outil de choix pour la génération de contenu ouvert. Cette division du travail vise à réduire les coûts de jetons et à améliorer l’interprétabilité des points de décision au sein de pipelines IA plus larges.

En pratique, un service de commerce électronique pourrait envoyer une requête POST vers /decisions/v1/systemone contenant les détails de la commande comme état et une question Choice listant les niveaux de risque de fraude possibles tels que « faible », « moyen » et « élevé ». d1 renverrait une probabilité calibrée pour chaque niveau, par exemple 0,92 pour « faible », 0,07 pour « moyen » et 0,01 pour « élevé ». La plateforme pourrait alors acheminer les commandes dont la probabilité dépasse un seuil choisi vers une file de révision manuelle, tout en approuvant automatiquement le reste. Parce que la réponse ne contient que des scores numériques, l’intégration évite l’analyse de texte et peut être exécutée en millisecondes, s’insérant dans des pipelines de décision en temps réel.

Limitations et considérations opérationnelles

Liquid AI précise clairement que d1 est proposé uniquement comme service hébergé. L’entreprise ne fournit pas de modèle téléchargeable, ni ne permet aux clients de fine‑tuner ou d’entraîner autrement le moteur de décision sur des données privées. Cette restriction simplifie la conformité et le contrôle de version, mais signifie également que les organisations ne peuvent pas exécuter le modèle sur une infrastructure isolée ou personnaliser ses paramètres internes. L’accès se limite au point d’accès API, et la tarification repose sur le volume de requêtes plutôt que sur la consommation de jetons, reflétant la conception à zéro jeton de sortie.

Le fait que usage.output_tokens soit indiqué comme zéro n’implique pas que le service n’entraîne aucun coût computationnel. La surveillance interne de Liquid AI suit toujours les cycles CPU et GPU, l’utilisation de la mémoire et la latence, tous contribuant à la structure tarifaire en coulisses. La métrique zéro jeton est principalement une abstraction de facturation qui sépare les charges de travail de prise de décision du modèle de tarification basé sur les jetons utilisé pour les appels LLM génératifs. Les utilisateurs doivent donc anticiper que des volumes élevés de trafic décisionnel généreront toujours des frais mesurables, même si aucun jeton texte n’est émis.

Avec d1 désormais disponible publiquement, les développeurs peuvent intégrer une logique de décision calibrée dans leurs applications sans gérer de budgets de jetons ni analyser du texte libre. Ce lancement signale une tendance plus large de l’industrie vers des services IA spécialisés qui complètent, plutôt que remplacent, les grands modèles de langage. Les organisations qui ont besoin de scores de confiance rapides et interprétables pour le routage, la modération ou le scoring peuvent adopter d1 dès aujourd’hui, tout en continuant à s’appuyer sur les modèles génératifs pour les tâches créatives et de raisonnement. En pratique, cette nouvelle option redéfinit la façon dont les pipelines IA allouent le calcul, en budgétisant séparément les appels de décision et la génération de texte, ce qui peut potentiellement réduire les coûts opérationnels globaux.