Liquid AI تطلق d1: نموذج قرار عبر واجهة برمجة التطبيقات فقط يُعيد احتمالات مُعايرة دون أي رموز إخراج

أعلنت Liquid AI في 29 سبتمبر 2026 عن الإطلاق العام للنموذج d1، وهو نموذج قرار يقتصر على واجهة برمجة التطبيقات وتُسميه الشركة d1:free. على عكس نماذج اللغة الكبيرة التقليدية التي تُصدر رموز نصية، يُعيد d1 فقط قيم احتمالية مُعايرة، وتُسجل الخدمة صفر رموز إخراج لكل استدعاء. تم تغطية الإعلان من قبل MarkTechPost وهو موثق في صفحات مرجع نموذج القرار الخاصة بـ Liquid AI. يُوضع النموذج كملحق للذكاء الاصطناعي التوليدي، حيث يوفّر واجهة حتمية خالية من الرموز لمجموعة من مهام التصنيف على نمط الأسئلة.

كيف يعمل d1

وفقًا لتوثيق Liquid AI، يقبل d1 حمولة JSON تجمع بين وصف الحالة الحالية مع سؤال أو أكثر مصنّف. يُربط كل سؤال ببدائية (primitive) محددة، ويُعيد النموذج مجموعة من الاحتمالات المُعايرة التي تجيب على الاستفسار دون إنتاج أي تدفق رموز نصية. تُسجل الخدمة الحقل usage.output_tokens كصفر لكل طلب، وتُبرز الشركة ذلك كطريقة لتجنب الفوترة القائمة على عدد الرموز وتبسيط المعالجة اللاحقة. تم تصميم مخرجات الاحتمال لتكون قابلة للاستهلاك مباشرةً من قبل التطبيقات التي تحتاج إلى درجة ثقة رقمية بدلاً من نص حر.

تعرف Liquid AI ثلاث بدائيات أساسية تشكّل طريقة تفسير الأسئلة. الأولى، وتُسمى Noul، هي بدائية نعم/لا احتمالية تُعيد احتمالًا واحدًا يعبّر عن مدى صحة الإجابة. الثانية، Choice، تُنتج توزيعًا احتماليًا على قائمة مُحددة مسبقًا من الخيارات المسماة، مما يتيح تصنيفًا متعدد الفئات في استدعاء واحد. الثالثة، Score، تُعيد جدولًا مرتبًا من الدرجات، كل درجة مرتبطة بوزن رقمي، وهو مفيد لمهام الترتيب أو التقييم. من خلال تقييد المدخلات إلى هذه الصيغ المصنّفة، يستطيع d1 تقديم مخرجات مُعايرة جيدًا عبر مجالات متنوعة.

نقطة النهاية العامة لـ d1 هي طلب POST إلى /decisions/v1/systemone، كما هو مُدرج في مرجع API الرسمي. يجب أن تشمل الطلبات رمز مصادقة وجسم JSON الموصوف سابقًا. يحتوي حمولة الاستجابة على حقل يُدعى "probabilities" يحمل القيم المُعايرة لكل بدائية تم استدعاؤها، إلى جانب بيانات وصفية مثل زمن الاستجابة ومقياس الاستخدام صفر‑رمز. تُشير وثائق Liquid AI إلى أن نقطة النهاية مستضافة على بنية سحابية خاصة بالشركة ولا تتوفر للنشر داخل بيئات العملاء.

حالات الاستخدام المقصودة

تُسوّق Liquid AI نموذج d1 لمجموعة من التطبيقات الموجهة للقرارات. يمكن تمثيل مهام التصنيف مثل اكتشاف البريد المزعج أو تحليل المشاعر كاستفسارات Noul أو Choice، لتوفير درجة ثقة يمكن للأنظمة اللاحقة اتخاذ إجراءات بناءً عليها. تتناسب قرارات التوجيه—تحديد أي قناة خدمة أو خطوة سير عمل يجب استدعاؤها—مع بدائية Choice بصورة طبيعية. تُستغل بدائية Score في مهام التقييم والدرجات، مثل تقييم جودة المحتوى أو الامتثال، حيث تُوفر جدولًا مرتبًا من الدرجات. يُروّج النموذج أيضًا لخطوط أنابيب المراقبة، وإعادة ترتيب نتائج البحث، وكعنصر LLM‑as‑judge يتحقق من مخرجات النماذج التوليدية دون توليد نص إضافي.

في الوقت نفسه، تنصح Liquid AI العملاء بالاستمرار في استخدام نماذج LLM التوليدية للمهام التي تتطلب إنشاء لغة طبيعية، مثل صياغة رسائل البريد الإلكتروني، تلخيص المستندات، الحوار، كتابة الشيفرة، أو تنفيذ التفكير متعدد الخطوات. في رأي الشركة، يتفوق d1 عندما يُختزل المشكلة إلى قرار ثنائي أو متعدد الفئات مع حاجة إلى ثقة مُعايرة، بينما تظل النماذج التوليدية الأداة المفضلة لإنشاء محتوى مفتوح. يهدف هذا التقسيم إلى خفض تكاليف الرموز وتحسين قابلية تفسير نقاط القرار داخل خطوط أنابيب الذكاء الاصطناعي الأكبر.

عمليًا، يمكن لخدمة تجارة إلكترونية إرسال طلب POST إلى /decisions/v1/systemone يحتوي على تفاصيل الطلب كحالة وسؤال Choice يدرج مستويات مخاطر الاحتيال المحتملة مثل "منخفض"، "متوسط"، و"عالي". سيُعيد d1 احتمالًا مُعايرًا لكل مستوى، على سبيل المثال 0.92 لـ "منخفض"، 0.07 لـ "متوسط"، و0.01 لـ "عالي". يمكن للمنصة بعد ذلك توجيه الطلبات التي تتجاوز احتمالًا معينًا إلى قائمة مراجعة يدوية، بينما تُوافق على البقية تلقائيًا. نظرًا لأن الاستجابة تحتوي فقط على درجات رقمية، فإن التكامل يتجنب تحليل النص ويمكن تنفيذه في غضون مللي ثانية، ما يتناسب مع خطوط أنابيب القرار في الوقت الحقيقي.

القيود والاعتبارات التشغيلية

توضح Liquid AI أن d1 يُقدَّم حصريًا كخدمة مستضافة. لا توفر الشركة نموذجًا يمكن تنزيله، ولا تسمح للعملاء بضبط أو تدريب محرك القرار على بيانات خاصة. يُبسّط هذا القيد الامتثال والتحكم في الإصدارات، لكنه يعني أيضًا أن المؤسسات لا يمكنها تشغيل النموذج على بنية تحتية معزولة أو تخصيص معاييره الداخلية. يقتصر الوصول على نقطة النهاية API، وتستند الأسعار إلى حجم الطلبات بدلاً من استهلاك الرموز، مما يعكس تصميم الصفر‑رمز للإخراج.

حقيقة أن usage.output_tokens يُسجَّل كصفر لا تعني أن الخدمة لا تتكبد أي تكلفة حسابية. لا يزال مراقبة Liquid AI الداخلية تتعقب دورات CPU وGPU، واستخدام الذاكرة، والكمون، وكل ذلك يساهم في هيكل التكلفة خلف الكواليس. يُعد مقياس الصفر‑رمز تجريدًا للفوترة يفرق بين أحمال عمل اتخاذ القرار ونموذج التسعير القائم على الرموز المستخدم لاستدعاءات نماذج LLM التوليدية. لذلك يجب على المستخدمين توقع أن حركة مرور القرار ذات الحجم الكبير ستُولِّد رسومًا قابلة للقياس، رغم عدم إصدار أي رموز نصية.

مع إتاحة d1 الآن للجمهور، يمكن للمطورين دمج منطق قرار مُعاير في التطبيقات دون إدارة ميزانيات الرموز أو تحليل نص حر. يُشير الإطلاق إلى اتجاه أوسع في الصناعة نحو خدمات ذكاء اصطناعي متخصصة تُكمّل، لا تُستبدل، نماذج اللغة الكبيرة. يمكن للمنظمات التي تحتاج إلى درجات ثقة سريعة وقابلة للتفسير للتوجيه أو المراقبة أو التقييم تبني d1 اليوم، مع الاستمرار في الاعتماد على النماذج التوليدية للمهام الإبداعية والتفكيرية. عمليًا، يُعيد هذا الخيار تشكيل كيفية تخصيص الحوسبة في خطوط أنابيب الذكاء الاصطناعي، حيث تُخصَّص مكالمات القرار عن توليد النص، ما قد يخفض التكاليف التشغيلية الإجمالية.