Liquid AI startet d1: ein reines API‑Entscheidungsmodell, das kalibrierte Wahrscheinlichkeiten ohne Ausgabe‑Tokens zurückgibt

Liquid AI gab am 29. September 2026 die öffentliche Einführung von d1 bekannt, einem ausschließlich über eine API nutzbaren Entscheidungsmodell, das das Unternehmen als d1:free bezeichnet. Im Gegensatz zu herkömmlichen großen Sprachmodellen, die Text‑Tokens ausgeben, liefert d1 ausschließlich kalibrierte Wahrscheinlichkeitswerte, und der Dienst meldet für jeden Aufruf null Ausgabe‑Tokens. Die Ankündigung wurde von MarkTechPost aufgegriffen und ist in den eigenen Referenzseiten von Liquid AI zum Entscheidungsmodell dokumentiert. Das Modell wird als Ergänzung zu generativer KI positioniert und bietet eine deterministische, token‑freie Schnittstelle für eine Reihe von Aufgaben im Stil von Klassifikationen.

Wie d1 funktioniert

Laut der Dokumentation von Liquid AI akzeptiert d1 eine JSON‑Nachricht, die eine Beschreibung des aktuellen Zustands mit einer oder mehreren typisierten Fragen kombiniert. Jede Frage wird einem bestimmten Primitive zugeordnet, und das Modell gibt ein Set kalibrierter Wahrscheinlichkeiten zurück, das die Anfrage beantwortet, ohne einen Text‑Token‑Strom zu erzeugen. Der Dienst zeichnet für jedes Request‑Objekt das Feld usage.output_tokens mit dem Wert null auf, was das Unternehmen als Möglichkeit hervorhebt, token‑basierte Abrechnung zu vermeiden und die nachgelagerte Verarbeitung zu vereinfachen. Die Wahrscheinlichkeitsausgaben sind so konzipiert, dass sie direkt von Anwendungen konsumiert werden können, die einen numerischen Vertrauenswert benötigen, anstatt freien Text.

Liquid AI definiert drei zentrale Primitive, die bestimmen, wie Fragen interpretiert werden. Das erste, genannt Noul, ist ein probabilistisches Ja/Nein‑Primitive, das eine einzelne Wahrscheinlichkeit zurückgibt, die die Wahrscheinlichkeit einer wahren Antwort angibt. Das zweite, Choice, erzeugt eine Wahrscheinlichkeitsverteilung über eine vordefinierte Liste benannter Optionen und ermöglicht so eine Mehrklassen‑Klassifikation in einem einzigen Aufruf. Das dritte Primitive, Score, liefert ein geordnetes Rubrik‑Schema von Scores, wobei jedem Score ein numerisches Gewicht zugeordnet ist – nützlich für Ranking‑ oder Bewertungsaufgaben. Durch die Beschränkung der Eingaben auf diese typisierten Formen kann d1 gut kalibrierte Ausgaben über unterschiedliche Domänen hinweg liefern.

Der öffentliche Endpunkt für d1 ist ein POST‑Aufruf an /decisions/v1/systemone, wie in der offiziellen API‑Referenz angegeben. Aufrufe müssen ein Authentifizierungstoken sowie den zuvor beschriebenen JSON‑Body enthalten. Das Antwort‑Payload beinhaltet ein Feld namens „probabilities“, das die kalibrierten Werte für jedes aktivierte Primitive enthält, zusammen mit Metadaten wie Anfragedauer und der Null‑Token‑Nutzungskennzahl. Die Dokumentation von Liquid AI weist darauf hin, dass der Endpunkt auf der Cloud‑Infrastruktur des Unternehmens gehostet wird und nicht für eine On‑Premise‑Bereitstellung zur Verfügung steht.

Geplante Anwendungsfälle

Liquid AI vermarktet d1 für ein breites Spektrum an entscheidungsorientierten Anwendungen. Klassifizierungsaufgaben wie Spam‑Erkennung oder Sentiment‑Analyse können als Noul‑ oder Choice‑Abfragen formuliert werden und liefern einen Vertrauenswert, den nachgelagerte Systeme direkt nutzen können. Routing‑Entscheidungen – also die Bestimmung, welcher Service‑Kanal oder welcher Workflow‑Schritt aufgerufen werden soll – passen natürlich in das Choice‑Primitive. Scoring‑ und Bewertungsaufgaben, etwa die Bewertung von Inhaltsqualität oder Compliance, nutzen das Score‑Primitive mit seiner geordneten Rubrik. Das Modell wird zudem für Moderations‑Pipelines, das erneute Ranking von Suchergebnissen und als LLM‑as‑Judge‑Komponente beworben, die die Ausgaben generativer Modelle validiert, ohne zusätzlichen Text zu erzeugen.

Gleichzeitig rät Liquid AI seinen Kunden, generative LLMs weiterhin für Aufgaben einzusetzen, die die Erzeugung natürlicher Sprache erfordern, etwa das Verfassen von E‑Mails, das Zusammenfassen von Dokumenten, Dialoge, das Schreiben von Code oder mehrstufiges Schließen von Problemen. Aus Sicht des Unternehmens glänzt d1, wenn das Problem auf eine binäre oder mehrklassige Entscheidung mit Bedarf an kalibriertem Vertrauen reduziert werden kann, während generative Modelle das bevorzugte Werkzeug für offene Inhaltserzeugung bleiben. Diese Arbeitsteilung soll die Token‑Kosten senken und die Interpretierbarkeit von Entscheidungspunkten innerhalb größerer KI‑Pipelines verbessern.

In der Praxis könnte ein E‑Commerce‑Dienst einen POST‑Aufruf an /decisions/v1/systemone senden, der die Bestelldaten als Zustand und eine Choice‑Frage enthält, die mögliche Betrugsrisikostufen wie „niedrig“, „mittel“ und „hoch“ auflistet. d1 würde für jede Stufe eine kalibrierte Wahrscheinlichkeit zurückgeben, zum Beispiel 0,92 für „niedrig“, 0,07 für „mittel“ und 0,01 für „hoch“. Die Plattform könnte dann Bestellungen mit einer Wahrscheinlichkeit über einem festgelegten Schwellenwert in eine manuelle Prüfungswarteschlange leiten, während der Rest automatisch genehmigt wird. Da die Antwort ausschließlich numerische Scores enthält, entfällt das Parsen von Text, und die Integration lässt sich in Millisekunden ausführen – ideal für Echtzeit‑Entscheidungs‑Pipelines.

Einschränkungen und betriebliche Überlegungen

Liquid AI stellt klar, dass d1 ausschließlich als gehosteter Service angeboten wird. Das Unternehmen stellt kein herunterladbares Modell bereit und erlaubt Kunden weder das Feintuning noch das Training der Entscheidungs‑Engine mit eigenen Daten. Diese Beschränkung vereinfacht Compliance‑ und Versionskontrolle, bedeutet jedoch zugleich, dass Organisationen das Modell nicht auf isolierter Infrastruktur ausführen oder interne Parameter anpassen können. Der Zugriff ist auf den API‑Endpunkt beschränkt, und die Preisgestaltung erfolgt nach Anfrage‑Volumen statt nach Token‑Verbrauch, was das Null‑Ausgabe‑Token‑Design widerspiegelt.

Die Tatsache, dass usage.output_tokens mit null gemeldet wird, bedeutet nicht, dass der Service keinerlei Rechenaufwand verursacht. Das interne Monitoring von Liquid AI erfasst weiterhin CPU‑ und GPU‑Zyklen, Speicherverbrauch und Latenz, die alle zur Kostenstruktur im Hintergrund beitragen. Die Null‑Token‑Kennzahl ist primär eine Abrechnungs‑Abstraktion, die Entscheidungs‑Workloads von dem token‑basierten Preismodell trennt, das für generative LLM‑Aufrufe verwendet wird. Nutzer sollten daher erwarten, dass ein hohes Volumen an Entscheidungs‑Traffic dennoch messbare Gebühren erzeugt, obwohl keine Text‑Tokens ausgegeben werden.

Mit der nun öffentlichen Verfügbarkeit von d1 können Entwickler kalibrierte Entscheidungslogik in Anwendungen integrieren, ohne Token‑Budgets verwalten oder freien Text parsen zu müssen. Der Start signalisiert einen breiteren Branchentrend hin zu spezialisierten KI‑Diensten, die große Sprachmodelle ergänzen, anstatt sie zu ersetzen. Organisationen, die schnelle, interpretierbare Vertrauenswerte für Routing, Moderation oder Scoring benötigen, können d1 bereits heute einsetzen, während sie weiterhin generative Modelle für kreative und reasoning‑intensive Aufgaben nutzen. Praktisch gesehen verändert diese neue Option die Verteilung von Rechenressourcen in KI‑Pipelines, indem Entscheidungs‑Aufrufe separat vom Text‑Generierungs‑Kostenmodell budgetiert werden, was potenziell die Gesamtkosten des Betriebs senken kann.