“决策模型”承诺更快更便宜的AI，但它还不是安全工具

Liquid AI于10月5日发布d1，称其为首个决策模型。它现在可处理文本和图像。公司表示，在测试的六个实际应用中，d1在其中四个上达到或超过GPT-6.1 Sol，这些应用从过滤客服工单到检查电路板。其成本比该模型和Claude Opus 5.5低19倍到200倍。根据博客文章，它在每一项任务上的回答都明显更快。

这一定位刻意收得很窄。Liquid这样解释决策模型：它们接收非结构化数据和一个或多个问题，一次前向传播读完，直接返回概率，不生成任何token。一次文本决策耗时200到300毫秒。模型回答是/否问题，从多个标签中挑出一个，或者给某个位置在量表上打分。

安全团队可能正是在这里着眼。公司的演示清单里有一个智能过滤器，把d1变成SQL查询中的一个函数，对150张客服工单回答是或否。清单里还有一项上下文压缩任务。在这项任务中，d1读取编码智能体会话里的每一条工具输出，决定保留、裁剪还是丢弃，删掉52%的token，同时保留任务需要的每一条输出。两者都不是防御产品。两者都是某个防御产品底下的管道。

小而快的模型扎堆的一周

Liquid的发布赶上了一波公告潮，主题都是做得更少、跑得更快的模型。Reflection于10月5日发布Beam，这是一个稀疏混合专家模型，总参数5010亿，激活参数230亿。它面向编码、推理和智能体工作负载。公司称训练用了23.8万亿token，即238000亿token。它还进行了一个高算力强化学习阶段，四周内在10500块NVIDIA GB300 GPU上生成超过1亿次rollout。Beam仍在进行最终的红队测试和评估。Reflection表示本月晚些时候会发布权重、技术报告和模型卡。

效率方面的说法最值得注意。Reflection写道，Beam在高级推理基准上取得与GLM-5.2相当的成绩，推理算力却少用3到4倍。它称面对2万亿参数级别的模型时差距会拉大，比如Qwen 3.8-Max。它也没有回避局限。在SWE Bench Pro v2-Hard上，Beam得77.2分，Kimi K3得88.2分；在Terminal Bench v2.1上，Beam得80.1分，对手得88.3分。文章说，前沿开源模型在原始能力上仍然领先，Beam的优势在于推理时的效率。

对任何要在大批日志、告警或工单上跑分类器的人来说，效率论证都很重要。但如果模型答错了，就没那么重要。

没人解决的置信度问题

加州大学河滨分校9月23日发表的一项研究发现，大语言模型的置信度和正确性可能来自不同的内部特征。这动摇了“模型越自信就越准确”的假设。研究人员研究了Meta的Llama-3.1-8B（80亿参数）和Google的Gemma-2-9B（90亿参数）。他们按正确性和置信度把答案分成四组，再用稀疏自编码器观察哪些特征被激活。校方的说明称，抑制那些只与不确定性相关的特征会大幅降低准确率，说明这些特征有助于给出好答案。

“这个领域的主要假设是，模型自信时答案很可能正确，模型不确定时答案更可能出错，”该研究第一作者、加州大学河滨分校计算机科学博士生Het Patel说。“但我们经常看到有充分记录的反例。”

对一个返回概率的决策模型来说，这一发现有两面。概率至少是明示的，不像一句带着不配有的确定性的句子。但研究人员的要点是，这个数字未必追踪从业者以为它追踪的东西。

10月5日公开的两个开源编码智能体项目，对小型模型该放在哪里提出了相关论证。Jeff-Code是Mario Zechner及贡献者对Pi的分支，它把一个8亿参数的决策模型放进智能体循环。它决定智能体能否自己走下一步，以及Qwen 3.8-27B是否需要在某一轮深入思考。其README称，在通过率相同的情况下，编码任务平均快47%。它报告在1242对配对任务上的配对差值为负0.2分，95%区间为负2.6到正2.1。每一轮都关闭思考会更快，但代价是7.6分。

Reika是一个优先围绕小型本地模型设计的编码智能体CLI，它公布了自己的发现文件。其中一条是：一次上下文中段的改写重新处理了8453个token的提示，预填充耗时7.9分钟，而在同一会话中追加只花25个token和3.5秒。项目称，提示措辞是最弱的杠杆。它补充说，在Q2难度的一个模糊任务上，模型收敛或陷入循环的比例大约各占一半。测试框架改变不了这个比例，只能改变失败那一半的成本。

这些都不是什么

这些发布中没有一个是网络防御模型，这一点值得直说。最近一条与安全沾边的消息是OpenAI在11月3日宣布与安全公司合作，本文除标题外无法证实其内容。Liquid的d1是分类器。Reflection的Beam是等待红队测试的通用开放权重模型。Jeff-Code和Reika是智能体框架。

连接点在于成本和延迟，而且并不光鲜。决策模型能用200到300毫秒回答一个结构化问题，价格只是前沿模型调用的一小部分。若果真如此，对每条告警都跑一遍模型的经济账就变了。答案是否好到可以据此行动，是另一个问题。加州大学河滨分校的工作表明，附在答案上的置信度数字值得审视，而不是信任。

Liquid称d1从未针对视觉检测训练，却仍能在公开的VisA数据集上以85%到97%的准确率分拣良品和缺陷件，只凭一段简短描述就理解了任务。这是厂商博客给出的一个漂亮的泛化主张。它也恰恰是那种主张，在有人把它指向生产线或安全运营中心之前，需要独立测试。