2026年10月24日の確認・更新
10月5日の発表時点と提供範囲が変わっています。現在の公式モデル一覧では、ホスト型のd1とd1-ultraはLiquid API・OpenRouter・Vercel AI Gatewayでテキストと画像に対応すると案内されています。以下の「他社経由はテキスト専用」は発表時点の記録です。
文章を作るのでなく、選択肢の確率を返す
普段の大規模言語モデルは、入力を受けると文章を一語ずつ作っていきます。一方、Liquid AIの判定モデル(decision model)「d1」は、入力された状況をまとめて評価し、あらかじめ決めておいた答え候補ごとの確率を返します。質問の型は、Yes/NoのNoul、ラベルから一つを選ぶChoice、段階的な基準で採点するScoreの3種類です。テキスト、画像、またはその両方を一つの入力として渡せます。
画像を含む処理をAPIから呼び出せる
発表時点では、画像を使ったd1はLiquid AI APIの有料モデルから利用できます。公式の例では、画像をbase64のdata URLとしてimages配列に入れ、状況説明と質問をまとめて送ります。
一方、発表当時に参照したLiquid AIの公式ドキュメントではd1:freeはテキスト専用でした。発表当時のブログも、VercelとOpenRouter経由はテキスト専用で、画像対応は今後の予定としていました。提供方法や条件は変わることもあるので、実装するときは最新のAPIドキュメントをチェックしておくのがおすすめです。
料金は入力トークンのみ、画像も換算対象
Liquid AIによると、d1は出力トークンを生成せず、料金は入力トークンだけで計算されます。画像も対象で、32×32ピクセルのパッチごとに1.5トークンとして数え、1,024×1,024画像なら1,536入力トークンになるという計算例が公開されています。
一つのリクエストに複数の質問をまとめることもできますが、各質問は独立したpromptとして扱われ、質問文と画像を含めて課金されます。比較試験では、d1を100万入力トークン当たり0.04ドルとして計算しています。たとえば1,024×1,024画像を1,000枚、それぞれ5問で判定すると、画像部分は1,536×1,000×5=768万トークンです。発表の比較試験で使った単価0.04ドルを当てはめると、画像部分だけで0.3072ドルとなります。質問文や再試行の費用は別で、現在の請求額を保証する見積もりではありません。1回の呼び出しに質問をまとめても、画像1枚分の課金で済むとは限らない点が重要です。
外観検査85〜97%はLiquid AIのデモ結果
Liquid AIのブログは、公開VisAデータセットで外観検査を試した結果を報告しています。対象は基板、ろうそく、カシューナッツ、チューインガムで、良品と不良品を分類した精度は85〜97%でした。モデルごとに、同じ製造ラインの良品を検査対象の横に見せた方法も説明されています。
これはLiquid AI自身のデモ条件で得られた精度です。製造現場全般で同じように85〜97%の精度が出る、あるいは第三者が同じ結果を確認した、という意味ではない点には注意したいところです。
6用途の比較は方向性の参考にとどめる
Liquid AIは、サポート票の振り分け、コード検索、Web操作など6つの用途で、d1とGPT-6.1 Sol、Claude Opus 5.5を比較しています。その結果、4用途でGPT-6.1 Solと同等以上、すべての用途でより速く、コストは19〜200分の1だったとしています。
ただし、試験方法の説明によると、各用途・各モデルの実行は1回ずつです。この数字だけで「d1のほうが常に速くて高性能」とまでは言えません。モデル設定やタスクの内容、画像の扱いも含め、実際に使う環境で改めて確かめるのがよさそうです。
定型の判定処理から小さく試す
d1が特に使いやすそうなのは、問い合わせの分類、ルーティング、定型チェック、画像内の部品判定など、答えの形をあらかじめ決められる処理です。まずは人が正解を確認できる小さなデータから試して、再現率、誤判定、待ち時間、入力トークンを測ってみると、これまでの生成AI呼び出しとも比較しやすくなります。
一方、自由な説明や複雑な推論が必要な場面には、そのまま置き換えられるとは限りません。ミスしたときの影響が大きい処理では、d1の確率だけで自動的に決めず、最後は人がチェックする形にしておくのが安心です。
まとめ
d1が画像にも対応したことで、「決まった形の判定」をAPIに任せたい開発者には、選択肢が増えました。文章を作らせる生成AIとは役割が少し違うので、問い合わせの振り分けや画像チェックのような用途では特に試しやすそうです。
ただし、速度、精度、価格の比較はLiquid AI自身による限定された試験です。いきなり重要な処理を全部任せるのではなく、まずは自社データで「どんな間違い方をするのか」「実際にいくらかかるのか」を見てから、使う範囲を広げていくのがよさそうです。
情報源
https://www.liquid.ai/blog/d1-decision-model
原文公開日:2026-10-05
出典は上記のリンクから確認できます。発表元の説明と、編集部による分析・試算は本文中で区別しています。