决策智能

核心事件 LiquidAI 近期推出了 d1-3B 与 d1-omni-600M 模型。其中，d1-omni 基于 LFM2.5-Encoder-350M 构建，是一款革命性的多模态决策模型。它通过直接从模型内部状态读取类型化答案，实现了“零输出令牌”（Zero-output token）响应，彻底颠覆了传统的自回归生成模式。 ▶ 极致推理效率：通过消除 Token 生成过程，d1-omni 极大地降低了推理延迟，能够瞬时处理文本、JSON、图像及语音输入并给出决策反馈。 ▶ 非 Transformer 架构红利：基于 Liquid Foundation Model (LFM) 架构，该模型在处理长序列和多模态融合时表现出优于传统架构的计算效率。 八卦洞察 LiquidAI 正在通过 d1 系列精准切入“AI 动作层”（Action Layer）。当整个行业还在卷大语言模型的对话能力时，LiquidAI 意识到在机器人、自动驾驶和实时监控等工业场景中，人类不需要 AI 侃侃而谈，而需要它在毫秒级做出准确判断。d1-omni 的“零 Token”设计本质上是将 LLM 从“创作工具”转化为“数字神经中枢”。这种从 Generative（生成式）向 Discriminative/Decision（决策式）的回归，标志着边缘 AI 正在从实验室走向高频生产环境。 行动建议 对于开发者而言，应关注 d1-omni 在高频分类、实时路由及边缘触发场景中的应用，这比调用传统的 GPT-4o-mini 更具成本和速度优势。企业架构师应评估 LFM 架构在功耗敏感型设备上的表现，考虑将其作为复杂 Agent 系统的“快速反应层”（System 1），而将重型 Transformer 模型留给“深度思考层”（System 2）。

核心事件 PrivateMode.ai 近期发布的技术报告展示了如何利用智谱 AI 的 GLM-5.3-Flash 模型，通过特定的架构优化，将其从一个轻量级对话模型转化为具备“系统 1”（System 1）直觉反应能力的快速决策引擎。这一转变标志着开发者正从追求“模型规模”转向追求“推理效率与工程编排”的协同。 ▶ 从生成到决策的范式转移：Flash 级模型不再仅仅是廉价的聊天机器人，而是成为复杂 Agent 架构中负责高频、低延迟决策的核心组件。 ▶ 工程化溢价：通过 PrivateMode 的优化，GLM-5.3-Flash 在特定逻辑任务中的表现逼近旗舰模型，证明了“模型微调+结构化 Prompt”在特定场景下可覆盖 90% 的业务需求。 八卦洞察 在硅谷与北京的 AI 圈内，一个日益清晰的共识是：大模型的“摩尔定律”正在从参数竞争转向“每代币推理成本（Cost per Token）”与“决策延迟”的极限压缩。GLM-5.3-Flash 的案例揭示了国产模型在“性能/价格比”这一维度上已具备全球领先的竞争力。对于企业而言，盲目追求 GPT-4o 或 Claude 3.5 Sonnet 等 SOTA 模型往往会导致严重的资源浪费。真正的“情报收益”在于：通过将推理任务拆解，让 Flash 模型处理直觉式判断（System 1），而将昂贵的推理资源留给极少数的深度逻辑校验（System 2）。这种“混合推理架构”才是未来 AI 应用规模化的唯一路径。 行动建议 架构降级，效能升级：建议开发者重新评估现有的 Agent 工作流，将 80% 的非关键路径任务迁移至 GLM-5.3-Flash 等低延迟模型，以降低 70% 以上的运营成本。 强化结构化输出：为了弥补小模型在长文本理解上的不足，应重点投入 JSON 模式或 Function Calling 的开发，强制模型进行结构化思考。 关注“即时响应”场景：在自动驾驶、高频交易辅助或实时客服 Agent 领域，优先测试 Flash 模型的决策一致性，而非单纯的知识储备。