Liquid AI, d1 출시: 보정 확률을 반환하고 출력 토큰이 전혀 없는 API‑전용 의사결정 모델

Liquid AI는 2026년 9월 29일에 d1이라는 새로운 API‑전용 의사결정 모델의 공개 출시를 공식 발표했습니다. 이 모델은 회사가 d1:free라는 브랜드명으로 마케팅하고 있으며, 기존의 텍스트 토큰을 생성하는 전통적인 대형 언어 모델과는 근본적으로 다른 동작 방식을 갖습니다. 구체적으로 d1은 입력된 질문에 대해 보정된 확률값만을 반환하고, 서비스는 각 API 호출에 대해 출력 토큰 수를 0으로 보고합니다. 이 발표는 기술 전문 매체 MarkTechPost에 의해 보도되었고, Liquid AI 자체의 의사결정 모델 참고 페이지에도 상세히 문서화되었습니다. d1은 생성형 AI와 보완적인 관계를 목표로 하며, 결정‑형 작업에 대해 결정론적이며 토큰이 전혀 없는 인터페이스를 제공한다는 점에서 차별화됩니다. 즉, 사용자는 텍스트 응답을 파싱할 필요 없이 순수한 수치적 확신 점수만을 받아볼 수 있습니다.

d1 작동 방식

Liquid AI 문서에 따르면, d1은 현재 상태에 대한 설명과 하나 이상의 유형화된 질문을 결합한 JSON 형태의 페이로드를 입력으로 받습니다. 각 질문은 사전에 정의된 특정 원시 연산(primitive)과 매핑되며, 모델은 텍스트 토큰 스트림을 전혀 생성하지 않고 해당 질문에 대한 보정된 확률값 집합을 반환합니다. 서비스는 모든 요청에 대해 usage.output_tokens 필드를 0으로 기록하는데, 이는 토큰 기반 청구를 회피하고 후속 처리 과정을 단순화하기 위한 설계 의도라고 회사가 강조합니다. 이러한 확률 출력은 자유 형식 텍스트 대신 수치적 신뢰 점수가 필요한 애플리케이션에서 바로 활용될 수 있도록 설계되었습니다. 즉, 개발자는 반환된 확률값을 그대로 비즈니스 로직에 적용하거나, 다른 시스템과 연동하여 자동화된 의사결정을 수행할 수 있습니다.

Liquid AI는 질문을 해석하는 방식을 정의하는 세 가지 핵심 원시 연산(primitive)을 제시합니다. 첫 번째 원시 연산은 Noul이라고 불리며, 확률적 예/아니오 형태의 원시 연산으로 단일 확률값을 반환하여 정답이 참일 가능성을 수치적으로 나타냅니다. 두 번째 원시 연산인 Choice는 사전에 정의된 이름이 붙은 옵션 목록에 대한 확률 분포를 생성하며, 이를 통해 하나의 호출만으로 다중 클래스 분류를 수행할 수 있게 합니다. 세 번째 원시 연산인 Score는 순서가 지정된 점수 루브릭을 반환하고, 각 점수는 숫자형 가중치와 연계되어 있어 순위 매기기나 채점과 같은 작업에 유용합니다. 입력을 이러한 유형화된 형태로 제한함으로써, d1은 다양한 분야에 걸쳐 잘 보정된 출력값을 제공할 수 있습니다. 이러한 설계는 모델이 입력 형태를 명확히 이해하고, 결과를 일관된 확률 형태로 제공하도록 보장합니다.

d1의 공개 API 엔드포인트는 공식 API 레퍼런스에 명시된 바와 같이 POST 방식으로 /decisions/v1/systemone 경로에 요청을 보내는 형태입니다. 모든 호출에는 인증 토큰이 포함되어야 하며, 앞서 설명한 JSON 본문을 요청 본문에 담아 전송해야 합니다. 응답 페이로드에는 “probabilities”라는 필드가 포함되어 있어, 호출된 각 원시 연산에 대한 보정된 확률값을 제공하고, 요청 지연 시간(request latency)과 제로 토큰 사용량(zero‑token usage)과 같은 메타데이터도 함께 반환합니다. Liquid AI 문서에 따르면, 해당 엔드포인트는 회사의 클라우드 인프라스트럭처 상에서 호스팅되며, 온‑프레미스(자체 데이터센터) 환경에서의 배포는 지원되지 않습니다.

예상 활용 사례

Liquid AI는 d1을 의사결정 중심의 다양한 애플리케이션군에 적용할 수 있는 솔루션으로 마케팅하고 있습니다. 스팸 탐지나 감성 분석과 같은 분류 작업은 Noul 또는 Choice 질문 형태로 표현될 수 있으며, 이를 통해 하위 시스템이 활용할 수 있는 신뢰도 점수를 제공받게 됩니다. 라우팅 결정, 즉 어떤 서비스 채널이나 워크플로우 단계를 호출할지 결정하는 작업은 Choice 원시 연산에 자연스럽게 매핑됩니다. 점수 매기기와 채점, 예를 들어 콘텐츠 품질이나 규정 준수 여부를 평가하는 경우에는 Score 원시 연산의 순서가 지정된 루브릭을 활용합니다. 또한 이 모델은 콘텐츠 검열 파이프라인, 검색 결과 재정렬, 그리고 생성형 모델의 출력을 추가 텍스트 없이 검증하는 LLM‑as‑judge 구성 요소로도 홍보되고 있습니다. 이러한 다양한 활용 사례는 d1이 텍스트 생성이 필요 없는 순수한 확률 기반 의사결정을 제공한다는 핵심 가치를 강조합니다.

동시에 Liquid AI는 고객에게 자연어 생성이 필요한 작업—예를 들어 이메일 초안 작성, 문서 요약, 대화형 인터랙션, 코드 작성, 혹은 다단계 추론 수행—에 대해서는 기존의 생성형 대형 언어 모델(LLM)을 계속 활용할 것을 권고합니다. 회사 입장에 따르면, d1은 문제 자체가 이진 혹은 다중 클래스 의사결정으로 축소되고, 보정된 신뢰도가 필요할 때 뛰어난 성능을 발휘하며, 반면에 생성형 모델은 개방형 콘텐츠 생성에 가장 적합한 도구로 남아 있습니다. 이러한 작업 분담은 토큰 비용을 절감하고, 보다 큰 AI 파이프라인 내에서 의사결정 지점을 해석 가능하게 만드는 것을 목표로 합니다.

실제 적용 사례로, 전자상거래 서비스는 주문 상세 정보를 현재 상태(state)로 포함하고, “low”(낮음), “medium”(중간), “high”(높음)와 같은 사기 위험 수준을 나열한 Choice 질문을 함께 POST 요청으로 /decisions/v1/systemone 엔드포인트에 전송할 수 있습니다. d1은 각 위험 수준에 대해 보정된 확률값을 반환하는데, 예를 들어 “low”에 대해 0.92, “medium”에 대해 0.07, “high”에 대해 0.01과 같은 값을 제공하게 됩니다. 플랫폼은 사전에 정의한 임계값을 초과하는 확률을 가진 주문을 수동 검토 큐로 라우팅하고, 나머지 주문은 자동으로 승인하도록 흐름을 설계할 수 있습니다. 응답이 순수한 수치 점수만 포함하기 때문에 텍스트 파싱 과정이 필요 없으며, 밀리초 단위의 짧은 지연 시간으로 실시간 의사결정 파이프라인에 적합하게 동작합니다. 이와 같이 숫자 기반 응답은 시스템 통합을 단순화하고, 고속 처리 요구사항을 만족시키는 데 큰 장점을 제공합니다.

제한 사항 및 운영 고려 사항

Liquid AI는 d1이 오직 호스팅된 서비스 형태로만 제공된다는 점을 명확히 밝히고 있습니다. 회사는 다운로드 가능한 모델 파일을 제공하지 않으며, 고객이 개인 데이터에 대해 의사결정 엔진을 미세 조정하거나 별도로 학습시킬 수 있는 옵션도 허용하지 않습니다. 이러한 제한은 규정 준수와 버전 관리의 복잡성을 낮추는 장점이 있지만, 동시에 조직이 격리된 인프라스트럭처에서 모델을 직접 실행하거나 내부 파라미터를 맞춤화할 수 없다는 의미이기도 합니다. 접근은 전용 API 엔드포인트에 한정되며, 가격 정책은 토큰 사용량이 아닌 요청 건수(볼륨)를 기준으로 책정되어, 제로 출력 토큰 설계 철학을 반영합니다. 따라서 고객은 서비스 이용량에 따라 비용을 예측하고, 별도의 모델 배포 인프라를 구축할 필요가 없게 됩니다.

usage.output_tokens가 0으로 보고된다고 해서 서비스가 전혀 계산 비용을 발생시키지 않는다는 의미는 아닙니다. Liquid AI의 내부 모니터링 시스템은 여전히 CPU 및 GPU 사이클, 메모리 사용량, 그리고 지연 시간 등을 추적하며, 이러한 요소들이 모두 백그라운드 비용 구조에 반영됩니다. 제로 토큰 메트릭은 주로 청구상의 추상화 수단으로, 생성형 LLM 호출에 적용되는 토큰 기반 가격 모델과 의사결정 워크로드를 구분하기 위해 도입되었습니다. 따라서 사용자는 텍스트 토큰이 전혀 출력되지 않더라도, 대량의 의사결정 트래픽이 발생하면 측정 가능한 비용이 청구될 것임을 예상해야 합니다.

d1이 이제 공개적으로 이용 가능해짐에 따라, 개발자는 토큰 예산을 관리하거나 자유 형식 텍스트를 파싱할 필요 없이 보정된 의사결정 로직을 애플리케이션에 손쉽게 통합할 수 있게 되었습니다. 이번 출시 자체가 대형 언어 모델을 대체하기보다는 보완하는 형태의 특화된 AI 서비스로 전환하려는 산업 전반의 흐름을 반영합니다. 라우팅, 콘텐츠 검열, 점수 매기기 등 빠르고 해석 가능한 신뢰도 점수가 필요한 조직은 오늘 바로 d1을 도입할 수 있으며, 동시에 창의적이고 복합적인 추론이 요구되는 작업에 대해서는 기존의 생성형 모델을 계속 활용할 수 있습니다. 실제로 이 새로운 옵션은 AI 파이프라인이 컴퓨팅 자원을 할당하는 방식을 재구성하게 만들며, 텍스트 생성과 의사결정 호출을 별도로 예산 책정함으로써 전체 운영 비용을 낮출 가능성을 제시합니다.