决策模型不会写代码、不会聊天，也不做长篇推理，它只在单次前向传播里给出是/否、选项或分数。2026-10-01 Strands Agents 团队开源了 Strands Decider 2B，2026-10-07 Liquid AI 又开源了面向边缘的 d1-3B 与实验性 d1-omni-600M。对 Agent 来说，这意味着工具调用、路由和护栏前，终于有一层可以低延迟表态的专用模型，而不必每次都让大模型吐一整段 token。

本文事实以 Liquid open-d1 发布博文（2026-10-07）、d1-3B 模型卡，以及 Strands Introducing Strands Decider 2B（2026-10-01）与 PyPI strands-decider 0.1.0 为准。文中延迟与基准数字均为厂商自报，两家评测口径不同，不做排名。

决策模型能做什么，不能做什么

决策模型（也常被称作 system one 模型）吃进一段 state（文本、结构化内容，有时还有图或音频），再吃进一组有界问题，然后在一次前向传播里返回答案。问题类型有三种，下面用的是 API 里的原名：

  • noul：是/否题，返回 P(yes)；可用 criteria 分别说明 true / false 两侧。这个名字没有写错，Liquid 模型卡（沿用 Decision Index 的问题 schema）、Strands 博文的 Decider.noul(...) 和 strands-decider CLI 的 --noul 都这么叫
  • choice：从命名选项里选一个
  • score：在有序等级上打分（模型卡写 2 到 10 级）

代价也很清楚。它不能生成任意文本，所以不适合做聊天、写文档、写代码或摘要。单次并行出答案的方式，也让它在复杂多步推理上明显弱于 reasoning 模型。Strands 博文写得很直白：换来的是更快、在同等规模下更擅长做选择，答案一定落在给定选项里，并且每个判断都带一个可靠度分数。

放进 Agent 流水线，它适合做的都是表态类的活：模型路由、工具选择、参数是否 grounded、要不要先问人、护栏与策略分类、廉价评测与重排。站内此前写过 Spring AI Modular RAG 接 TypeSafe Jev 做过滤重排；决策模型做的是同一类有界判断，这次被明确做成可本地跑、可挂在工具调用前后的一层。

Liquid open d1：边缘侧的多模态快判

Liquid 于 2026-10-07 放出两个开源权重模型：

  • d1-3B（模型卡写总参数 3.12B）：基于 LFM2.5-VL-3B，文本 + 图像。官方称在 Decision Index 0.2.1 上得 48.57，是 10B 以下最好的决策模型，领先榜上所有 4B、9B 模型以及 Decider 35B-A3B（47.11）。模型卡注明这个分数是用官方评分器自测，不是排行榜提交。
  • d1-omni-600M（实验性）：基于双向编码器 LFM2.5-Encoder-350M，外加视觉与音频编码器，支持文本+图像，或文本+音频。官方说明仍处早期研究版本，本次不公布它的速度数据。

d1 不产出 token，单次前向传播就给出答案。博文给出七个公开数据集的均值：d1-3B 为 82.9，d1-omni-600M 为 78.4（厂商自报）。模型卡里另有一张加了 HelpSteer2 的八项表，d1-3B 均值是 77.1，引用时要说清用的是哪张。凑巧的是，博文七项表里 Decider 2B 的均值也是 77.1，两个 77.1 不是同一个模型。延迟（厂商自报，warm call，单问）：NVIDIA Jetson AGX Thor 约 16 ms，RTX 4090 约 8 ms。4090 这一行开了 model.compile(mode="reduce-overhead")，不开约 16 ms。加载要求：transformers>=5.14，且必须 trust_remote_code=True。

API 形态是 model.system_one(state, questions, images=None)，type 字段取 noul、choice 或 score。下面的文本示例摘自模型卡：

import torch
from transformers import AutoModel

device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
dtype = torch.float32 if device == "cpu" else torch.bfloat16
model = AutoModel.from_pretrained(
    "LiquidAI/d1-3B",
    trust_remote_code=True,
    dtype=dtype,
).to(device)

questions = {
    "refund": {
        "type": "noul",
        "instructions": "Is the customer asking for a refund?",
    },
    "team": {
        "type": "choice",
        "instructions": "Which team should handle this?",
        "criteria": {
            "billing": "Charges, refunds, invoices",
            "technical": "App or site faults",
            "fraud": "Suspected unauthorised use",
        },
    },
    "urgency": {
        "type": "score",
        "instructions": "How urgent is this?",
        "criteria": ["Can wait", "Today", "Blocking the customer now"],
    },
}
print(model.system_one(
    "I was charged twice this month, please refund one of them.",
    questions,
))

同一 state 上问多个问题只读一遍上下文；批量可用 system_one_batch。图像可当作整个 state（state=None + images=[...]）。每次调用返回 answers 与 usage，其中 output_tokens 为 0。部署前请按模型卡的依赖版本复现。

还有一处容易误读：Liquid 对比表里的「Decider 2B」在 Decision Index 表中标为 2.3B，Strands 自报 Decider 2B 为 1.9B，Strands 的 PyPI 文档也提到另有一个同躯干、不同配方的 decider-2b。两者看起来不是同一个模型，不要拿这张表推断 d1 胜过 Strands Decider 2B。

许可证：HF 显示 other，正文是 LFM Open License v1.0

Hugging Face 模型卡上 license 元数据为 other（license_name 为 lfm1.0）。仓库内 LICENSE 文件标题为 LFM Open License v1.0（LiquidAI/d1-3B 与 LiquidAI/d1-omni-600M 均如此），条款与 liquid.ai/lfm-license 一致。需要写进选型清单的要点：

  • 文本基于 Apache 2.0，但商业使用有收入门槛：许可把 Threshold 定义为年收入 1000 万美元（$10,000,000）或以上，超过门槛的法人实体做商业使用不在免费许可覆盖范围内，需联系 Liquid AI（sales@liquid.ai）购买商业许可。
  • 这里的「法人实体」按控制关系合并计算，持股 50% 及以上或受共同控制的关联公司算在一起。
  • 合格非营利组织在非商业或研究用途下不适用该门槛。
  • 无 copyleft：微调与衍生模型可以不开源。
  • 再分发需附许可副本并保留归属通知；违反条款时许可自动终止。

开源权重不等于无条件可商用。年收入已过门槛的团队，应在 PoC 阶段就核对许可路径，别等到上线才发现卡在 Section 5。

Strands Decider 2B：为 Agent 干预钩子准备的开源配方

Strands 于 2026-10-01 发布 Strands Decider 2B。架构描述（官方）：取 Qwen3.5-2B 躯干，去掉 LM head，换成约百万参数的 pointer head，躯干用 rank-16 LoRA 适配；一次前向、无生成循环。PyPI 文档写明躯干为 Qwen3.5-2B-Base，总参数 1.9B，并以 v19 为参考快照（Hugging Face：StrandsAgents/strands-decider-2B-hobson-v19）。

许可与开放范围更接近传统开源栈：Apache-2.0，官方强调权重、训练数据与训练脚本一并开放。安装入口：

pip install strands-decider

PyPI 当前版本为 0.1.0（UTC 2026-10-01 上传），包许可证标注 Apache-2.0，依赖 transformers>=5.15,<6。

延迟（厂商自报）：RTX 3090（PyPI 注明在 WSL2 下）每题中位约 115 ms；M3（博文写 M3 MacBook，PyPI 写 M3 Pro）小任务中位约 153 ms。评测主线是 JevBench 公开集上的准确率与校准（Brier），PyPI 给出 v19 准确率 0.723（231 题对 167 题）。这与 Liquid 的 Decision Index、七数据集表口径不同，不宜并排比高低。

对 Agent 更有操作感的是 InterventionHandler.before_tool_call。官方示例里，Agent 被故意设定得很积极，用户只问天气却没说城市时，它会猜一个城市再调工具。在真正执行前，Decider 先回答两个 noul 问题：参数是否 grounded，现在调用是否过早。几行 Python 再把结果映射成 Proceed / Deny / Confirm / Guide。问题定义摘自官方博文：

QUESTIONS = {
    "args_grounded": Decider.noul(
        "Are the tool's argument values grounded in facts the user actually provided?",
        {
            "true": "every argument value traces back to something the user said",
            "false": "an argument value was guessed or invented, not stated by the user",
        },
    ),
    "premature": Decider.noul(
        "Is it premature to call this tool now, before clarifying with the user?",
        {
            "true": "the assistant should ask a clarifying question before calling the tool",
            "false": "there is nothing left to clarify; calling now is appropriate",
        },
    ),
}

返回动作的语义（官方）：Proceed 放行；Deny 拒绝；Confirm 停下来问人；Guide 把反馈交回模型回合，不直接硬挡。完整可运行接线在仓库 examples/strands/，问题、阈值与策略都是手写的，官方也标明「illustration rather than a recommendation」。官方想说明的是，这种判断足够便宜，可以放进以前不可能再塞一次 LLM 调用的路径里。

两家相隔一周开源，选型先看约束

维度 Liquid d1（2026-10-07） Strands Decider 2B（2026-10-01）
代表模型 d1-3B；实验性 d1-omni-600M strands-decider-2B（v19，1.9B）
模态 3B：文+图；omni：文+图或文+音频 文本
延迟口径（厂商自报） Thor 16 ms / 4090 8 ms（compile 后） 3090 ~115 ms / M3 ~153 ms
质量口径（厂商自报） Decision Index 0.2.1：48.57；七数据集均值 82.9 JevBench 准确率 0.723 与 Brier
许可 LFM Open License v1.0（HF 标 other；年收入 ≥$10M 的法人实体商业使用需另购） Apache-2.0；权重+数据+脚本
Agent 接入方式 system_one 嵌入任意流水线 InterventionHandler.before_tool_call

两列数字放在一起容易误导：硬件不同、任务集不同、是否含图像也不同。Liquid 主打边缘多模态与极低延迟；Strands 主打可复现配方、Apache 许可，以及和 Strands Agent 干预系统的直接咬合。生产选型先看三件事：许可能否覆盖你的法人实体，是否需要视觉/音频 state，钩子要挂在工具前还是路由层。

可以先做的一件事

挑一条真实的工具调用路径（例如「缺槽位时是否允许猜参数」），用决策模型只回答两个 noul 问题，阈值写死、先不上自动调参。若团队年收入可能触碰 Liquid 的 $10M 门槛，优先在 Apache-2.0 的 Strands Decider 或已获商业授权的路径上做 PoC；若必须在 Jetson 等边缘设备上看图判题，再按官方依赖拉起 d1-3B，并把所有榜单数字继续标成厂商自报。

— 感谢阅读 —
# Agent# 智能体

一起交流

分享你的思考，让讨论更进一步。