Liquid d1.1 決策模型更新:每百萬輸入 Token 0.02 美元,分流任務怎麼選?
Liquid d1.1 更新決策模型,官方輸入價格每百萬 Token 0.02 美元。本文比較分類、工具與代理評測,解釋輸入計價和機率輸出的用途,整理客服分流的試驗方式與 Liquid Console 的上線範圍。
Liquid d1.1 的用途,是讀完一筆資訊後直接做出分類或評分。例如客服收到「重複扣款」時,系統需要先知道該交給帳務部門,未必需要一整段回覆。
過去這類工作常交給聊天模型,再從答案裡擷取類別。但如果最終只要一個選項,生成文字的過程就多了一道需要處理的輸出。
Liquid AI 於 2026 年 10 月 23 日公布新版本,主打改善既有 d1 的決策品質,官方輸入價格為每百萬 Token 0.02 美元。Token 是模型計算文字與圖片用量的單位,並不等於中文字數。
價格下降的價值,要放回每個分類的錯誤代價來看。因為把一般詢問轉錯部門和漏掉緊急案件,對營運的影響不同,平均分數無法替團隊做完選擇。
這次更新適合已有固定選項、想降低大量分流成本的團隊。若需要寫文章、分析開放式問題或持續對談,仍要另外選擇能生成內容的模型。
要判斷便宜的方案是否足夠,得先看新版本改善了哪些工作,以及它回傳的結果究竟包含什麼。
Liquid d1.1 改了什麼,哪些服務已經能用?
新版本提供較低價格的決策服務。這裡的代管是模型由服務商運行,使用者透過程式介面提交工作,不必先準備能放下模型的電腦。
依 Liquid 官方公告,新版本已可從 Liquid Console 使用,OpenRouter 和 Vercel 則列為即將提供。文章查詢日為 2026 年 10 月 24 日,這些上線階段必須分開理解。
官方文件也把 d1.1 的入口列為 Liquid API。API 就是讓自己的軟體呼叫另一個服務的介面,因此客服系統可以在收到訊息後,自動把內容送去分類。
但已能呼叫服務,不代表每個整合平臺都同步供應。團隊若透過既有雲端入口集中管理帳單,仍要查清楚該入口有沒有新版本,不能只看產品名稱相似就直接替換。
模型家族裡還有較大型的 d1-ultra,以及能下載權重的 d1-3B、d1-omni-600M。權重是模型學到的數值資料,能否下載與能否透過雲端服務使用,是兩種不同的交付方式。
因此,這次 d1.1 的低價不能直接套到本機版本,也不能把較小模型的語音能力自動加到它身上。官方選型表將新版本的輸入列為文字與圖片,音訊另有對應型號。
入口和輸入條件確認後,才適合進一步比較輸出。因為同樣叫分類,單一標籤和完整選項機率能支援的工作流程不同。

決策模型回傳機率,和聊天後擷取答案差在哪?
決策模型的核心,是把可能結果先定義好,再對這些結果給出判斷。它適合回答「交給哪個部門」,而不是接著替部門寫完一封回信。
官方決策模型文件整理了三種基本形式。以下依問題需要的答案排列,能幫助新手先選出合適的輸出方式。
| 問題形式 | 回傳內容 | 工作示例 |
|---|---|---|
| 選一個類別 | 各選項機率與首選 | 把訊息交給帳務或技術部門 |
| 判斷是否成立 | 零到一之間的機率 | 是否需要進一步檢查附件 |
| 依順序評分 | 有定義等級的加權位置 | 依規則評估處理急迫程度 |
表格裡的評分需要先定義等級,否則模型給出一個數字,接手的人仍不知道它代表什麼。把一分和五分各自的條件寫清楚,比多寫一句「請準確評分」更能建立共同標準。
以帳務分流為例,可以把「重複扣款、發票與退款」寫在帳務選項旁。技術選項則列出錯誤回報、功能問題與操作詢問,讓相鄰類別的邊界更容易辨認。
但分類文字寫得清楚,仍可能遇到同時包含兩種需求的訊息。例如客戶因登入失敗而要求退款,團隊就必須決定依主要目的分類,還是另外保留第二個需求。
這也說明了機率分布的用途。當前兩個選項接近時,系統可以把案件送到人工佇列,而不是硬把所有問題塞進單一路徑。
不過,回傳九成機率不等於這一筆保證有九成機會判對。要把數字當成轉人工的門檻,還得看相似案件的實際結果是否和機率相符。
延伸閱讀:Liquid d1 決策模型登場:AI 分類郵件,為什麼不必先寫一段答案?
每百萬輸入 Token 0.02 美元,總費用怎麼估?
官方的 0.02 美元指輸入用量,不能直接翻成每百萬筆案件的價格。因為每筆案件長短不同,圖片也會依服務規則換算用量。
先用純文字做簡化試算。假設一筆包含分類說明與客戶訊息,合計一千個輸入單位,處理一千筆就是一百萬個單位,模型輸入費約為 0.02 美元。
這是依公告單價計算的示例,並非實際帳單或速度測試。但它能讓人看見,真正影響支出的還包括每次送了多少背景,而不只是收到幾封信。
文件明確說明,代管版本只依輸入計費,因為決策不生成輸出 Token,所以沒有輸出文字費。每個問題各自視為一份提示內容計費,內含文字和圖片。
因此,同一份長文件連續問多個問題時,不能自行假設只算一次文件。應先按所使用介面的問題計價方式估算,再用少量請求的用量紀錄核對。
對客服團隊來說,還有模型單價以外的支出。像是串接訊息、保存紀錄、人工覆核和處理錯誤,都不會因為輸出只有一個標籤而消失。
若新版本省下的模型費很少,卻增加大量人工改分,整體工作反而可能更貴。所以價格表適合用來排候選順序,最後仍要計算每筆合格分類的完整成本。
官方平均分數接近 ultra,哪些類別仍有差距?
官方比較圖顯示,新版本在八類測試的平均為 66.7,舊版為 62.5,ultra 為 69.7。這能支持新版本改善的方向,但不能證明它對每一種任務都優於較大版本。
因為平均會把不同能力合在一起,團隊更需要查看與工作相關的那一列。以下摘錄公告中的幾個分項,數字皆為 Liquid 自行公布的測試結果。
| 官方分項 | d1.1 | d1 | d1-ultra |
|---|---|---|---|
| 工具與代理 | 72.9 | 71.1 | 66.4 |
| 知識與推理 | 33.7 | 30.4 | 40.3 |
| 安全與政策 | 67.9 | 65.6 | 78.1 |
| 圖片判斷 | 69.5 | 66.6 | 70.3 |
表格裡的工具與代理分項,新版本高於 ultra,但安全與政策分項仍有明顯距離。所以模型大小並不是唯一排序方式,任務本身更會改變選擇。
如果工作只是挑下一個低風險工具,較便宜的版本可能值得先測。但若工作是判斷內容是否符合嚴格政策,不能拿工具分項的優勢代替安全類別的驗證。
多語類別也只提供測試集合的結果,並未直接告訴台灣客服的口語、錯字與混合英文表現。要用在繁體中文服務,就應納入自己的歷史用語,而不是把多語平均當成保證。
這些數字的價值,是幫團隊找出應該優先驗證的假設。既然各類差異已經可見,下一步就該用一套固定案件,把價格優勢和實際錯誤放在同一張表上。
如何把客服分流做成可重複比較的試驗?
先建立一份人工判定過的案件集,才能知道新版本改善的是什麼。案件要包含平常容易處理的詢問,也要保留轉錯部門後代價較高的邊界情況。
例如,把「想取消下一期續訂」和「本期已扣款想退款」分開。前者可能屬帳戶管理,後者屬帳務,但若團隊實際由同一組人處理,也可以先合成一類。
這個例子提醒我們,分類答案來自公司的工作分工,並不是世上只有一種正解。若人工同事本來就常有分歧,應先討論標籤規則,再要求模型一致。
測試時讓不同版本讀取相同訊息與選項說明。因為如果同時改提示語、類別和模型,即使分數上升,也很難知道是哪個調整帶來效果。
除了看整體答對比例,也要逐類記錄漏接和誤接。假設緊急案件很少,全部判成一般案件仍可能拿到漂亮的總分,卻完全沒有滿足營運目的。
轉人工門檻也應由保留的案件決定。可以比較不同門檻下,多少案件自動完成、多少仍需覆核,再計算覆核時間是否真的下降。
但不要用同一份案件反覆調到好看後,當成最後驗收。另留一批沒有參與調整的訊息,才能較公平地判斷規則遇到新內容是否仍然可靠。
官方遷移指南以分類、路由和評分示例說明如何改寫原有呼叫。路由就是依問題選擇下一個處理服務,示例可用來理解介面,實際門檻仍需自己評估。
延伸閱讀:決策模型怎麼做 LLM 評測?Hamel Husain 教你調門檻、比成本、讀分數
當分類不夠明確時,機率要如何參與工作流程?
把「其他」列為合法選項,能避免不在範圍內的訊息被強迫選邊。但其他類別也要有定義,例如內容資訊不足、涉及兩個同等重要需求,或完全不屬於目前服務。
如果這個選項收走太多本來能處理的案件,模型看似很少判錯,人工負擔卻沒有減輕。因此要同時看每類正確性與自動完成比例,不能只獎勵保守轉人工。
評分型工作也有相似問題。假設急迫程度分成低、中、高,這三個等級應該對應處理期限,而不是只寫情緒強弱,否則生氣的訊息可能排在真正停機的問題前面。
當模型回傳的分數位在兩級之間,系統還需要把它轉成實際處理方式。團隊可以依案件代價選擇較保守的級別,但這是業務規則,不能說模型已經替人決定了所有期限。
選項更新也要納入測試。新增一個售後服務類別後,舊案件可能重新分配,所以應用同一批保留資料重跑,確認改善新需求的同時,原本的帳務與技術分類沒有退步。
這些設計都能在更換服務前完成。因為選項、人工標準與轉交規則清楚後,才有辦法把不同版本放在同樣條件下比較,避免把流程改善誤認為模型本身的進步。
選出工具之後,為什麼仍要分開管理執行權限?
決策結果適合告訴系統下一步的候選方向,但不應直接擴大它能做的動作。分類「需要退款」和實際退一筆錢,中間還有金額、身分與業務規則需要核對。
因此,較容易導入的第一步,是先把模型放在觀察流程中。系統照常由原有規則或人員處理,同時記錄模型會如何分流,這樣就能比較結果而不影響客戶。
觀察結果穩定後,再先開放低影響的動作,例如在內部佇列加上分類。若涉及外寄訊息或改動帳戶,則應沿用既有的授權與覆核方式。
也要保存當時使用的版本、選項定義和判斷結果。因為同一封訊息在規則更新前後可能得到不同答案,沒有這些資料,就無法解釋分類為何改變。
新版本最實際的採用理由,是在相同品質要求下減少大量重複判斷的費用。只有當自己的測試證明這個條件成立,低單價才會轉成可持續的工作改善。
Liquid d1.1 常見問題 FAQ
Liquid d1.1 可以用來寫文章嗎?
它專門處理有明確選項的分類、路由與評分。
文章、摘要或開放式對談,應選擇能生成自由文字的模型。
已經能在 OpenRouter 使用新版本嗎?
10 月 23 日公告把該入口與 Vercel 列為即將提供。
本文查詢時,官方文件把新版本入口列為 Liquid API,採用前應重新查看所用平臺的模型清單。
低價是否代表可以直接取代 ultra?
不能只看平均分數。
不同分項各有差距,應用自己的案件比較品質、人工覆核量與完整成本。
從低風險分類開始,讓價格改善有可驗證的成果
如果團隊已經有清楚的標籤和人工答案,可以先從單一客服佇列比較新舊版本。因為資料與判定規則完整,才看得出節省的是模型費,還是把工作轉給更多人工覆核。
下一步可先閱讀官方選型表與遷移指南,列出要驗證的類別,再安排小量試驗。免費訂閱 AI 郵報後續更新,也能持續追蹤決策模型在介面、定價與工作流程上的變化。