小模型走向智能体架构中心：d1 加入视觉能力，Beam 公布开放权重

Liquid AI 在 10 月 5 日推出 d1，称这是公司第一个决策模型，也是第一个把决策能力扩展到图像的模型。这个模型不生成 token。按公司博客的说法，它用一次前向传播读完输入，然后为每个可能答案返回一个概率。一次文本决策耗时 200 到 300 毫秒。

卖点就在这里：当答案是一个结构化的选择时，用一个快速分类器替代又慢又贵的语言模型调用。Liquid 称，在测试的六个真实应用中，d1 在其中四个上与 GPT-6.1 Sol 持平或更好，范围从筛选客服工单到检查电路板，成本比 GPT-6.1 Sol 和 Claude Opus 5.5 低 19 倍到 200 倍。公司还说 d1 在每项任务上都更快。这些对比数字来自 Liquid 自己的基准测试，未经独立验证。

时机并非偶然。本周整个技术栈上，小而专用的模型正被推到通用模型太慢或太贵的地方。

决策模型到底带来了什么

Liquid 描述了三种输出形式：是非题返回 0 到 1 之间的概率；在若干标签中做选择，每个标签返回一个概率；在量表上打分。一次请求可以针对同一个状态问几个问题，从而减少系统需要付费的输入 token。在视觉检测中，d1 在四条产线上分拣良品和缺陷品，准确率在 85% 到 97% 之间，产线包括电路板、蜡烛、腰果和口香糖，数据取自公开的 VisA 数据集。

更有意思的细节是，这个模型从未针对这些任务训练过。Liquid 把功劳归于泛化能力：模型从一段简短的文字描述里就能理解任务。在游戏中，加入屏幕画面后 d1 的俄罗斯方块得分从消除 70 行提高到 81 行；在 Wordle 中，它从截图读取棋盘，12 局全部解出，平均猜 3.8 次。在 Quick, Draw! 上，它认出了 6 幅画中的 5.2 幅，随机猜测只有 0.6 幅。

有一个应用直接瞄准编程智能体。在上下文压缩中，d1 读取智能体会话里每个工具的输出，决定保留、裁剪还是丢弃。Liquid 称这样能去掉 52% 的 token，同时保留任务需要的每一个输出。这是一个范围窄、重复性高的判断，否则通用模型要按全价来做。

靠每 token 成本竞争的大模型

同一天，Reflection 公布了 Beam 的细节，这是它第一个开放权重模型。Beam 是稀疏专家混合模型，总参数 5010 亿，激活参数 230 亿。Reflection 称，Beam 在 238000 亿 token 上预训练，并跑了一个高算力强化学习阶段，在 10500 块 NVIDIA GB300 GPU 上历时四周，生成了超过 1 亿次 rollout。

权重还没放出来。Reflection 说 Beam 正处于最后的红队测试和评估阶段，权重、技术报告、模型卡和开发者工具承诺在本月晚些时候发布。早期访问需要报名。所以公告里的每一个基准数字都是公司自己的。

这些数字要仔细看，因为它们两头都不占优。在 SWE Bench Pro v2-Hard 上，Reflection 报告 Beam 为 77.2，Kimi K3 是 88.2，GLM 5.3 是 84.3。在 Terminal Bench v2.1 上它报告 80.1，Kimi K3 是 88.3，GLM 5.3 是 88.2。在 SWE Bench Pro v1 上它报告 65.5，Qwen 3.8 Max 是 67.7。Beam 并不领先。

Reflection 的论点是效率，不是原始能力。公司称 Beam 达到与 GLM 5.2 相当的成绩，而推理算力只用三分之一到四分之一，并且面对 2万亿 参数级别的模型时差距还会拉大。在不用工具的 HLE 上，Beam 得 36.2，Kimi K3 是 46.9，Qwen 3.8 Max 是 43.6；用上工具后它得 51.2，GLM 5.3 是 62.5，DeepSeek V4.1 Flash 是 63.9。Reflection 明确表示，像 Kimi K3 这样的前沿开放模型在原始能力上仍然领先。

小模型与大模型并排运行

本周关于小模型论点最具体的展示来自一个意想不到的地方：GitHub 上一个叫 Jeff-Code 的编程智能体。它把一个 8亿 参数的决策模型放进 Pi 的智能体循环里，与 Qwen 3.8-27B 一起工作。Pi 是 Mario Zechner 和贡献者开发的编程智能体。

在 Qwen 的每一轮前后，Jeff 做两个判断，每个约 0.2 秒。它能不能自己走下一步，比如读文件、列目录、搜索代码或跑测试？这一轮 Qwen 需不需要使劲想？写文件和改文件始终交给 Qwen，Jeff 一旦没把握就交出去。

结果来自项目自己的配对评估，不好看，但值得一读。Jeff-Code 的通过率是 62.4%，单用 Qwen 是 62.8%，在 1242 个配对任务上配对差为负 0.2 个百分点。每个任务的平均耗时降到 0.68x，这是各任务耗时比值的几何平均，95% 区间为 0.64 到 0.72。所有任务的总耗时降得少一些，为 0.86x，因为在大约 5% 的任务上 Jeff-Code 比单用 Qwen 多跑了 30 分钟以上。

标题里的说法是快 47%，或者说省 32% 的时间，通过率不变。细节比标题更重要：在 Terminal-Bench 2.0（0.96x）和 SkillsBench（0.91x）上没有明显加速。每一轮都关掉思考会更快，但通过率要掉 7.6 个百分点。把 Jeff 调得不那么谨慎，阈值设到 0.7，要掉 4.5 个百分点。这里的小模型是一层调度，不是大模型的替代品。

小模型仍然吃力的地方

第二个 GitHub 项目 Reika 是一个以本地小模型为先的编程智能体 CLI：参数在 80亿 到 350亿 之间，常用 Q2 到 Q4 量化，上下文窗口 32000 到 32000。作者公开了发现，对局限说得很直白。测试中，270亿 到 350亿 的模型处理多文件任务最可靠，80亿 到 90亿 的模型能应付简单、范围明确的任务，70亿 以下很少能走远。项目还在 1.0 之前，并说明命令和行为仍可能变化。

真正有用的是框架本身的数字。一次上下文中段的重写重新处理了 8453 个 token 的提示，也就是 7.9 分钟的预填充，而在同一会话里追加只花 25 个 token 和 3.5 秒。提示的措辞被描述为最弱的杠杆：在 Q2 下面对一个含糊的任务，模型收敛或跑偏大致各占一半，框架改不了这个比例，只能改变失败那一半的代价。Reika 自己的结论是，它不会让小模型变聪明，只是让和小模型一起干活没那么难受。

硬件也在往同一个方向走。10 月 5 日发布在 Hugging Face 上的 Interfaze 1.1 Lite 是一个混合架构模型，把推理核心与负责文档、语音、视觉定位和结构化输出的专用组件配在一起。整套东西跑在一块 80 GB 的 GPU 上，不依赖外部服务。它不是单一网络：核心负责规划、调用专用组件，再把它们返回的结果组合成答案。

它的基准成绩提醒人们，小和单卡不等于弱。Interfaze 1.1 Lite 在 GPQA Diamond 上报告 85.9，Interfaze 是 92.4，GPT-5.4-Mini 是 82.8，Claude-Sonnet-4.6 是 89.9，Gemini-3-Flash 是 88.5。在 MMMU-Pro 上它报告 73.2，高于 Interfaze 的 71.1。语音识别按 VoxPopuli-Cleaned 上的词错误率衡量，它报告 3.01，Interfaze 是 2.4，Gemini-3-Flash 是 4.0。Interfaze 还说一段 95 分钟的录音大约 90 秒就能转写完成。

这对采购方意味着什么

实际的变化是，团队现在有三个独立的成本杠杆，而它们被当成一个故事来卖。决策模型可以吸收重复性的调用。小模型可以围绕大模型来调度或分流工作。稠密或稀疏的大开放权重模型可以按推理效率来调，而不是按基准排名。每个杠杆都挂着一个公布的数字，而这些数字几乎全部来自厂商。

未知数是演示之外的可靠性。Reika 的发现显示，小模型会把工具输出照字面理解：一次 grep 对一个它无法处理的调用返回了「0 matches」，结果让模型把一段本来正确的模式改了五轮。Jeff-Code 显示，单任务的加速可能被一小撮慢得多的长尾任务吃掉。Liquid 的准确率数字来自少量应用和数据集。这些项目没有一个公布过独立审计。

还有一个信号值得关注。Sean Goedecke 在 10 月 5 日提出，像 Jev 这样的模型，他称之为系统一分类器，可以被用它们自己的输入和输出日志训练出来的手工分类器取代。他写道，一旦团队验证了一个由提示驱动的判断，收集数据并训练一个专用模型就是一个人所共知的问题。如果这个模式站住脚，今天的决策模型就是通往更便宜东西的踏脚石，而价格压力只会朝一个方向走。

眼下要记住的日期是这些。Liquid 的 d1 今天就能在 console.liquid.ai 使用。Reflection 说 Beam 的权重本月晚些时候到位，没有给出具体日期。Jeff-Code 和 Reika 都在 GitHub 上公开，都还在 1.0 之前，都在测自己的框架。小模型不再是一个演示类别，它是一笔账目。