Liquid AI lanceert d1: een uitsluitend API‑beslissingsmodel dat gekalibreerde waarschijnlijkheden retourneert zonder uitvoer‑tokens

Liquid AI kondigde op 29 september 2026 de publieke lancering aan van d1, een uitsluitend API‑beslissingsmodel dat het bedrijf labelt als d1:free. In tegenstelling tot traditionele grote taalmodellen die tekst‑tokens genereren, levert d1 uitsluitend gekalibreerde waarschijnlijkheidswaarden, en meldt de dienst nul uitvoer‑tokens voor elke oproep. De aankondiging werd opgepikt door MarkTechPost en is gedocumenteerd op de eigen referentiepagina's voor beslissingsmodellen van Liquid AI. Het model wordt gepositioneerd als een aanvulling op generatieve AI, en biedt een deterministische, token‑vrije interface voor een reeks classificatie‑achtige taken. Met andere woorden, het richt zich op het leveren van numerieke scores zonder tekstuele output.

Hoe d1 werkt

Volgens de documentatie van Liquid AI accepteert d1 een JSON‑payload die een beschrijving van de huidige staat combineert met één of meer getypeerde vragen. Elke vraag wordt gekoppeld aan een specifiek primitive, en het model retourneert een set gekalibreerde waarschijnlijkheden die de vraag beantwoorden zonder een tekst‑token‑stroom te produceren. De dienst registreert het veld usage.output_tokens als nul voor elk verzoek, wat het bedrijf benadrukt als een manier om token‑gebaseerde facturering te vermijden en downstream‑verwerking te vereenvoudigen. Deze probabilistische uitkomsten zijn ontworpen om direct bruikbaar te zijn voor applicaties die een numerieke vertrouwensscore nodig hebben in plaats van vrije tekst. Het betekent dat ontwikkelaars eenvoudigweg de numerieke waarden kunnen verwerken zonder extra parsing.

Liquid AI definieert drie kern‑primitives die bepalen hoe vragen worden geïnterpreteerd. De eerste, genaamd Noul, is een probabilistische ja/nee‑primitive die één enkele waarschijnlijkheid teruggeeft die de kans op een waar antwoord aangeeft. De tweede, Choice, produceert een waarschijnlijkheidsverdeling over een vooraf gedefinieerde lijst van benoemde opties, waardoor multi‑class classificatie in één oproep mogelijk is. De derde primitive, Score, levert een geordende rubric van scores, elk gekoppeld aan een numeriek gewicht, wat nuttig is voor rangschik‑ of beoordelings‑taken. Door de invoer te beperken tot deze getypeerde vormen, kan d1 goed gekalibreerde uitkomsten leveren over diverse domeinen. Deze structuur zorgt voor consistente en voorspelbare resultaten.

Het publieke eindpunt voor d1 is een POST‑verzoek naar /decisions/v1/systemone, zoals vermeld in de officiële API‑referentie. Oproepen moeten een authenticatietoken bevatten en de eerder beschreven JSON‑body. Het respons‑payload bevat een veld met de naam “probabilities” dat de gekalibreerde waarden voor elke aangeroepen primitive bevat, samen met metadata zoals verzoek‑latentie en de nul‑token‑gebruik‑metrie. De documentatie van Liquid AI vermeldt dat het eindpunt wordt gehost op de cloud‑infrastructuur van het bedrijf en niet beschikbaar is voor on‑premise‑implementatie. Dit betekent dat klanten de service uitsluitend via de cloud kunnen benaderen.

Voorgestelde gebruikssituaties

Liquid AI positioneert d1 voor een reeks besluit‑gerichte toepassingen. Classificatietaken zoals spamdetectie of sentimentanalyse kunnen worden uitgedrukt als Noul‑ of Choice‑vragen, waardoor een vertrouwensscore wordt geleverd die downstream‑systemen kunnen gebruiken. Routeringsbeslissingen – het bepalen van welk service‑kanaal of welke workflow‑stap moet worden geactiveerd – passen natuurlijk in de Choice‑primitive. Scoring en beoordeling, bijvoorbeeld het evalueren van content‑kwaliteit of naleving, maken gebruik van de geordende rubric van de Score‑primitive. Het model wordt ook gepromoot voor moderatie‑pijplijnen, het herschikken van zoekresultaten, en als een LLM‑as‑judge‑component die de output van generatieve modellen valideert zonder extra tekst te genereren. Deze veelzijdigheid maakt het geschikt voor veel operationele scenario’s.

Tegelijkertijd adviseert Liquid AI klanten om generatieve LLM’s te blijven gebruiken voor taken die natuurlijke‑taalcreatie vereisen, zoals het opstellen van e‑mails, samenvatten van documenten, voeren van dialogen, schrijven van code, of uitvoeren van meer‑staps‑redeneringen. Volgens het bedrijf blinkt d1 uit wanneer het probleem zich reduceert tot een binaire of multi‑class beslissing met een behoefte aan gekalibreerde zekerheid, terwijl generatieve modellen de voorkeur blijven genieten voor open‑ended contentgeneratie. Deze taakverdeling is bedoeld om token‑kosten te verlagen en de interpreteerbaarheid van beslissingspunten binnen grotere AI‑pijplijnen te verbeteren. Het scheidt duidelijk de rollen van beslissingslogica en creatieve tekstproductie.

In de praktijk zou een e‑commerce‑service een POST‑verzoek naar /decisions/v1/systemone kunnen sturen met de orderdetails als de staat en een Choice‑vraag die mogelijke fraude‑risiconiveaus opsomt, zoals “laag”, “gemiddeld” en “hoog”. d1 zou een gekalibreerde waarschijnlijkheid voor elk niveau teruggeven, bijvoorbeeld 0,92 voor “laag”, 0,07 voor “gemiddeld” en 0,01 voor “hoog”. Het platform kan vervolgens orders met een waarschijnlijkheid boven een gekozen drempel naar een handmatige beoordelingswachtrij sturen, terwijl de rest automatisch wordt goedgekeurd. Omdat de respons alleen numerieke scores bevat, vermijdt de integratie het ontleden van tekst en kan deze in milliseconden worden uitgevoerd, passend in real‑time‑beslissingspijplijnen. Dit versnelt de workflow aanzienlijk.

Beperkingen en operationele overwegingen

Liquid AI maakt duidelijk dat d1 uitsluitend als een gehoste dienst wordt aangeboden. Het bedrijf levert geen downloadbaar model, noch staat het klanten toe om de beslissingsengine te fine‑tunen of anderszins te trainen op privé‑data. Deze beperking vereenvoudigt compliance en versiebeheer, maar betekent ook dat organisaties het model niet op geïsoleerde infrastructuur kunnen draaien of de interne parameters kunnen aanpassen. Toegang is beperkt tot het API‑eindpunt, en de prijsstelling is gebaseerd op het volume van verzoeken in plaats van token‑verbruik, wat het nul‑output‑token‑ontwerp weerspiegelt. Klanten moeten hiermee rekening houden bij hun architectuurkeuzes.

Het feit dat usage.output_tokens als nul wordt gerapporteerd, impliceert niet dat de dienst geen rekenkosten maakt. De interne monitoring van Liquid AI houdt nog steeds CPU‑ en GPU‑cycli, geheugen‑gebruik en latentie bij, en al deze factoren dragen bij aan de kostenstructuur achter de schermen. De nul‑token‑metrie is primair een facturerings‑abstractie die besluitvormings‑workloads scheidt van het token‑gebaseerde prijsmodel dat wordt gebruikt voor generatieve LLM‑oproepen. Gebruikers moeten daarom verwachten dat een hoog volume aan beslissingsverkeer nog steeds meetbare kosten met zich meebrengt, zelfs als er geen tekst‑tokens worden uitgegeven. Dit is een belangrijk aspect voor budgettering.

Nu d1 publiek beschikbaar is, kunnen ontwikkelaars gekalibreerde beslissingslogica in hun applicaties integreren zonder token‑budgetten te beheren of vrije‑tekst te ontleden. De lancering signaleert een bredere industriële verschuiving naar gespecialiseerde AI‑diensten die complementair zijn aan, in plaats van vervangend voor, grote taalmodellen. Organisaties die snelle, interpreteerbare vertrouwensscores nodig hebben voor routering, moderatie of scoring kunnen d1 vandaag nog adopteren, terwijl ze blijven vertrouwen op generatieve modellen voor creatieve en redeneer‑taken. In de praktijk herschikt deze nieuwe optie hoe AI‑pijplijnen compute toewijzen, waarbij besluit‑oproepen apart worden gebudgetteerd van tekstgeneratie, wat potentieel de totale operationele kosten verlaagt.