Des modèles qui décident sans rédiger

TThéa

Liquid AI a publié mercredi 2 modèles de décision multimodaux, capables de classer des informations sans rédiger de réponse, selon AlphaSignal. Le premier, d1-3B, accepte du texte et des images. Le second, d1-omni-600M, peut associer du texte à une image ou à de l’audio. Ils renvoient des probabilités pour des réponses définies à l’avance, en un seul passage, sans générer de tokens. C’est la différence centrale avec un modèle génératif classique, qui produit une réponse mot après mot et demande souvent à un logiciel de l’interpréter ensuite. Ici, le résultat est déjà structuré : le modèle peut répondre à une question oui ou non, choisir parmi plusieurs options, ou attribuer une note sur une échelle. Ces questions peuvent être combinées dans une même requête.

TThéa

Pourquoi cela compte-t-il ? Parce que certains systèmes doivent décider, pas converser : vérifier une demande de remboursement, l’orienter vers une équipe ou signaler un contenu. Avec des réponses prédéfinies, le logiciel reçoit directement un résultat structuré, sans devoir extraire une étiquette d’un texte libre. AlphaSignal cite la classification, le routage, la notation et les contrôles de garde-fous parmi les usages visés. Plusieurs vérifications peuvent porter sur le même message : identifier son sujet, choisir le service compétent et évaluer l’urgence. L’intérêt annoncé tient donc à la fois au format et à la vitesse. MarkTechPost présente aussi le tri de demandes et la modération comme des cas d’usage possibles, pas comme des résultats validés indépendamment.

TThéa

Les performances publiées donnent un ordre de grandeur, mais elles sont rapportées par Liquid AI. L’entreprise indique que d1-3B répond en 16 millisecondes sur Jetson AGX Thor. Sur cette plateforme, 3 questions prendraient 20 millisecondes, contre 16 pour une seule. Dans Decision Index, version 0.2.1, le modèle obtient 48,57. Liquid AI indique qu’il devance les modèles de 4 et 9 milliards de paramètres évalués, ainsi que Decider 35B-A3B. Ces chiffres ne constituent pas des validations indépendantes. Les résultats multimodaux sont moins documentés : Liquid AI ne publie pas de benchmarks de vision ou d’audio, ni de mesure de vitesse pour d1-omni-600M, encore en recherche précoce.

TThéa

Les architectures éclairent leur positionnement. Selon MarkTechPost, d1-3B compte 3,12 milliards de paramètres, dont un encodeur visuel de 400 millions, et accepte un contexte de 32 768 tokens, soit la quantité maximale d’information traitée dans une requête. d1-omni-600M compte 587 millions de paramètres et traite des clips audio jusqu’à 30 secondes. MarkTechPost décrit une démonstration où d1-3B analyse un flux de caméra pour la modération et le contrôle gestuel. L’article annonce 35 millisecondes pour une image de 384 pixels sur Jetson AGX Thor ; cette mesure reste attribuée à sa source. Les modèles sont disponibles sur Hugging Face, compatibles avec Transformers et pris en charge par llama.cpp dès leur lancement. La licence autorise l’usage commercial gratuit aux entreprises dont le chiffre d’affaires annuel est inférieur à 10 millions de dollars, selon MarkTechPost. À retenir : Open d1 vise des décisions rapides et structurées, mais les performances multimodales restent peu documentées.