В мире искусственного интеллекта произошло событие, которое на первый взгляд противоречит самой логике работы генеративных моделей. Компания Liquid AI, известная своими нестандартными архитектурами, представила две новые открытые модели: d1-3B и d1-omni-600M. Главная интрига заключается в описании: это мультимодальные «решающие» модели, которые, как утверждается, выдают ноль выходных токенов. Звучит как оксюморон. Как модель может что-то решать, если она ничего не генерирует? Разбираемся в деталях.
Что значит «ноль выходных токенов»?
Для тех, кто знаком с работой больших языковых моделей (LLM), термин «выходные токены» — это фундаментальная единица измерения. Когда вы задаете вопрос ChatGPT или любой другой модели, она генерирует ответ последовательно, слово за словом (или токен за токеном). Количество этих токенов определяет длину ответа, скорость работы и стоимость запроса.
Новые модели от Liquid AI, судя по заявлению, работают иначе. Они не пишут тексты, не сочиняют стихи и не ведут диалог в привычном понимании. Вместо этого они выполняют функцию «решателя» (decision model). Представьте себе арбитра, который не объясняет свое решение, а просто поднимает табличку «да» или «нет», или указывает на один из вариантов. Именно это и означает «ноль выходных токенов» — модель не генерирует текст, а выдает результат в виде вероятности, класса или выбора действия.
Это критически важное различие. Традиционные LLM — это «генераторы». Новые модели — это «классификаторы» или «агенты принятия решений». Они потребляют информацию (текст, изображения, аудио) и выдают вердикт, который не нужно декодировать в человеческий язык.
Архитектура Liquid AI: почему это работает?
Секрет кроется в названии компании. Liquid AI разрабатывает так называемые Liquid Neural Networks (жидкие нейронные сети). В отличие от стандартных трансформеров, которые требуют огромных вычислительных ресурсов и фиксированного контекста, «жидкие» сети способны адаптироваться к входным данным в реальном времени и более эффективно обрабатывать последовательности.
Модель d1-3B содержит 3 миллиарда параметров, что по современным меркам немного (для сравнения, у GPT-4 сотни миллиардов), но для узкой задачи принятия решений этого более чем достаточно. Младшая модель d1-omni-600M имеет всего 600 миллионов параметров, но при этом является мультимодальной — она умеет работать не только с текстом, но и с изображениями, аудио и, возможно, сенсорными данными.
Ключевая особенность архитектуры в том, что она оптимизирована для инференса (вывода) в условиях жестких ограничений. Если обычная LLM тратит энергию на генерацию каждого токена, то d1-модели тратят ее на анализ и выбор. Это делает их идеальными для Agentic AI — автономных агентов, которые должны быстро реагировать на изменения среды, не тратя время на «разговоры».
Мультимодальность и «решающий» подход
Что именно могут решать эти модели? Судя по описанию, их основное предназначение — это маршрутизация, классификация и управление. Вот несколько сценариев, где такие модели незаменимы:
- Управление роботами: модель получает видеопоток и решает, повернуть налево или направо, не генерируя текстовое описание сцены.
- Фильтрация контента: мгновенное определение, является ли изображение или текст нарушением правил, без написания объяснений.
- Агентные системы: выбор следующего инструмента (например, «вызвать API погоды» или «отправить письмо») в мультиагентной среде.
- Промышленная автоматизация: анализ показаний датчиков и принятие решения об остановке конвейера.
Модель d1-omni-600M здесь особенно интересна. Буква «omni» намекает на универсальность. Она может принимать на вход изображение и текст одновременно, а на выходе выдавать, например, вероятность того, что на картинке изображен дефект. И все это — без единого сгенерированного слова.
Открытый исходный код: что это значит для разработчиков?
Liquid AI выпустила модели под открытой лицензией. Это означает, что любой разработчик или исследователь может скачать веса, развернуть их на своем оборудовании и использовать для собственных задач. Для сообщества Open Source это огромный подарок, так как большинство передовых мультимодальных моделей остаются закрытыми.
Почему это важно для AI Infrastructure? Потому что такие легковесные решающие модели можно запускать на периферийных устройствах (edge computing): смартфонах, дронах, IoT-датчиках. Им не нужны кластеры с GPU за миллионы долларов. 600 миллионов параметров вполне можно уместить в оперативную память современного флагманского смартфона.
Разработчики уже могут экспериментировать с d1-3B и d1-omni-600M через популярные фреймворки. Ожидается, что эти модели станут основой для нового поколения AI Shorts — коротких, но эффективных агентов, встраиваемых в приложения.
Скептический взгляд: в чем подвох?
Как и любая громкая новость, анонс Liquid AI вызывает вопросы. «Ноль выходных токенов» — это маркетинговый ход или техническая необходимость? С одной стороны, отсутствие генерации текста — это огромный плюс для скорости и энергопотребления. С другой стороны, встает вопрос интерпретируемости.
Если модель просто выдает «класс 1» или «класс 0», как понять, почему она приняла такое решение? В критических системах (медицина, авиация) это может стать проблемой. Кроме того, «решающие» модели не могут объяснить свои действия на естественном языке, что ограничивает их применение в чат-ботах и системах поддержки клиентов.
Тем не менее, для задач Agentic AI это не баг, а фича. Агенту не нужно объяснять, почему он выбрал тот или иной путь, ему нужно просто действовать быстро и точно.
Вывод
Liquid AI сделала смелый шаг, предложив рынку не очередную «говорящую» LLM, а специализированный инструмент для принятия решений. Модели d1-3B и d1-omni-600M разрушают стереотип о том, что искусственный интеллект обязательно должен генерировать текст. Их «ноль выходных токенов» — это не отсутствие результата, а смена парадигмы: от генерации контента к генерации действий.
Для разработчиков это открывает новые горизонты в создании автономных систем, работающих на маломощном оборудовании. Для индустрии — это сигнал о том, что гонка за размером моделей сменяется гонкой за их эффективностью в конкретных задачах. Возможно, будущее AI — не в том, чтобы говорить красиво, а в том, чтобы молча и правильно выбирать.
