Liquid AI d1-3B 对比 Gemma 4 12B：决策模型对阵通用模型

把这个对比搞错的最快方式，就是把 Liquid AI d1-3B 和 Gem​ma 4 12B 放到同一个基准测试上，然后坐等一个赢家。它们回答的并不是同一个问题。Liquid AI d1-3B 是一个 3.12B 的决策模型，于 2026 年 10 月 7 日以开放权重形式发布：你给它一个状态和一组具名问题，它返回概率、一个选定的标签和一个置信度，输出 token 数为零，没有生成步骤。Ge​mma 4 12B 是 Goo​gle 的无编码器任意到任意通用模型，一个 11.96B 的检查点，可接收文本、图像、音频和视频，并在 256,000 token 的窗口内用 140 多种语言写出答案。其中一个告诉你一块电路板是四种东西中的哪一种，另一个告诉你为什么。仅从质量上比较二者，你什么也学不到，因为它们的输出不可通约——而且厂商从未将它们相互进行过基准测试。比较一次调用实际返回什么、成本是多少，以及各自在哪里走到尽头，这一配对就成了一次真正有用的边界测试。

两种不同的输出契约

这里真正起作用的区别，在于网络上返回的是什么。

Liquid AI d1-3B返回结构化答案对象。请求中的每个问题都会声明一个类型——noul用于是/否，带有 P(yes)，choice用于从命名选项集中选择一个，并带有每个选项的置信度和概率，或score用于在有序的 2 到 10 级量表上表示位置，并包含期望级别及其分布。模型报告output_tokens: 0，因为不会写入任何内容。针对一个状态提出的多个问题都从单次前向传递中读取，而该状态及其图像会为所有这些问题一次编码完。

Ge​mma 4 12B返回的是散文式的文本。有时它会返回你要求的 JSON，有时它返回的 JSON 并非你确切要求的那样，而且它会在作答前先进行推理。它首先是一个语言模型：凡是它知道如何分类的内容，它都以文本形式表达出来。当答案需要向人解释，或者要送入期望语言形式的下游环节时，这是一种优势；而当唯一需要的东西只是一个概率值时，这就是一种代价。

下游的一切都由此而来。d1-3B 的响应不可能解析失败。它也无法解释自身，而模型卡也直接说明了这一点：它不是聊天模型，也不撰写文本。

证据的现状

这两组数字的来源并不等同，而在这里，这一点比数字本身更重要。

• Decision Index 0.2.1 — Liquid AI d1-3B 得分为 48.57，由厂商使用官方评分器评分，在 10B 以下的模型中排名第一，领先于得分为 47.11 的 Decider 35B-A3B。Gemma 4 12B 在 Decision Index 上完全没有评分，因此这一行没有对应项。

• 推理基准 — Ge​mma 4 12B 在 AIME 2026 上得分 77.5，在 GPQA Diamond 上得分 78.8，Codeforces ELO 为 1,659，并且在推理模式下 Artificial Analysis Intelligence Index 为 22，关闭推理时为 13。Liquid AI d1-3B 没有推理基准，因为决策模型不会生成可供评分的推理轨迹。

• 长上下文——Ge​mma 4 12B 接受 256,000 个 token，并且在 Goo​gle 自家模型卡上，128k 下的 MRCR v2 八针测试中得分 43.4%。Liquid AI d1-3B 接受 32,768 个 token。如果你的“状态”是一份四十页文档外加扫描件，那么这一差距就是整个决策的关键，而且差距一点也不小。

视觉 — Liquid AI d1-3B 在十一项公开图像基准测试上的平均得分为 74.1，这些基准被视为在各自选项集上做出的决策；相比之下，其构建所基于的主干模型 LFM2.5-VL-3B 为 73.9。厂商还报告称，移除图像后，同样的问题会降至 45.1。Gemma 4 12B 的视觉能力更强、覆盖面更广，但报告将其呈现为生成质量，而非在给定命名选项上的决策准确率。

• 语言 — Liquid AI d1-3B 记录了 16 种；Gemma 4 12B 则超过 140 种。

• 速度：d1-3B 在 4090 上为 8 毫秒，在 AGX Orin 64 GB 上为 20 毫秒，在 Orin Nano 上为 50 毫秒，并且在 4090 上以每秒 475 次的速度将 64 个状态打包进单次传递。Gemma 4 12B 是生成式的，因此其延迟取决于它写入多少 token。

• 证据质量——Gemma 4 12B 的结果出自 Google，于 2026 年 6 月发布，此后已被庞大的社区反复推敲、量化并重跑。Liquid AI d1-3B 的结果出自 Liquid，两天前才发布，实验室之外无人复现。读第二列时请据此理解。

他们真正竞争的唯一领域

确实存在真正的重叠，而且它并不在排行榜上。它就是 LLM-as-a-judge 调用。

许多生产流水线早已把一个中等规模的通用模型当作评分层来用：给这张工单的紧急程度打分、判断某段输出是否通过某项评分标准、决定智能体下一步该调用哪个工具、检查检索到的段落能否回答该问题。如今，这类工作大多交给一个生成式模型，让它以文本形式吐出一个数字或一个标签，而它给出的数字不过是采样器产出的结果，而非在你那组选项上做 softmax 得到的。这正是 Liquid AI d-3B 经后训练所要取代的工作流程，公开的演示无一不是它的各种变体：一个为 150 张支持工单回答是或否的 SQL、一个对每条工具输出进行保留、裁剪或丢弃、并削减掉 52% token 的智能体上下文压缩循环，以及一个视觉检测应用——它在四项生产任务中分拣良品与缺陷零件，在其从未接受过训练的任务上达到了 85% 到 97% 的准确率。

Gemma 4 12B 能完成上述所有工作，而且远不止于此。它还能撰写摘要，同时容纳一份 256K 的文档，以录制的电话通话作为输入，并用 140 多种语言中的一种作答。如果你的流水线需要一份评估和一段叙述，那么 12B 用一次调用就完成两项工作，而 3B 决策模型只完成其中一项。

边界在于上下文长度和输出形态。长状态、语音输入、多种语言，或者读者期待的说明——Ge​mma 4 12B，毫无悬念。短状态、固定选项集、每次请求的延迟预算只有个位数毫秒，或者对答案能被解析的硬性保证——那是 d1-3B 那一列，而通用模型在为你根本用不上的能力买单。

调用每一个需要多少费用

这两个模型都不在我们的目录中，因此两者都没有可报价的路由价格——Ge​mma 4 12B 不在我们提供的 Ge​mma 规模之列，而 Liquid AI d1-3B 是开放权重，你可以自行托管，或通过供应商自己的 API 和第三方平台访问。作为该系列中与 Gemini 相关一侧的背景信息，我们确实提供路由的两个 Ge​mma 4 规模标价如下：Ge​mma 4 26B A4B 为每百万输入 $0.06、每百万输出 $0.33，Ge​mma 4 31B 为 $0.13 和 $0.38，两者均支持 262,144 token 上下文以及文本、图像和视频输入。其他地方对 Ge​mma 4 12B 报出的提供商价格中位数约为 $0.10 和 $0.30。

Liquid 的托管版 d1仅对输入 token 计费，每百万 token 收 0.04 美元，图像则按每 32×32 像素区块计 1.5 个 token 计入输入。因此，一次决策请求根本不存在输出 token 这一行，这正是该厂商拿自家与规模大得多的模型做成本对比、结果却落在那个位置的结构性原因。开放权重没有按次调用的价格；你付出的是硬件成本。而两者都必须和你调用的其他一切处于同一条流水线之中，这正是路由器存在的意义所在——用一套 API 覆盖 200 多个模型，各家供应商的挂牌价以 0% 加价率原样透传，以及 自动故障转移，好让上游的一次抖动不至于变成你的服务中断。这是对比周围的管道设施，而不是对比本身。

说实话，该如何决定

从答案格式出发，而不是从模型出发。如果下游系统能够消费概率、标签和置信度，并且答案集很小且已知，那么 Liquid AI d1-3B 并不是 12B 的降级——它是另一种工具，而延迟数据使其成为一种类别不同的部署：在 Jetson Orin Nano 上达到 50 ms 的设备，根本就不该运行 12B。

如果答案必须是一个句子，或者状态超过三万二千个 token，或者有人要把它朗读出来，或者输出语言是孟加拉语，那么 Ge​mma 4 12B 就是两者中唯一能胜任的，这场比较还没开始就已经结束了。

对大多数团队来说，真正有用的立场是两者兼用，但放在不同位置。一个决策模型放在昂贵调用之前，负责分诊、路由，以及那些不需要语言能力的护栏检查；一个通用模型放在它后面，处理确实需要语言能力的工作。它们是同一条流水线，一个是过滤器，一个是有效载荷——而最能从 d1 版本发布中获益的团队，正是那些已经在让 12B 模型回答是或否的团队。