d1-3B：基于 LFM2.5-VL-3B 的单次前向多模态决策模型

Hugging Face 趋势榜出现模型 d1-3B：基于 LFM2.5-VL-3B 后训练的多模态决策模型，参数 3.12B。输入状态（文本、JSON、图像或混合）和一组问题后，在一次前向传播中返回校准后的类型化答案，输出零 token。其 Decision Index 0.2.1 得分为 48.57，称在 10B 以下决策模型中领先。

常见做法是让生成式 LLM 输出答案再解析，或单独训练分类器；d1-3B 把决策收进单次前向、零输出 token，并给出校准的类型化结果，3B 规模在决策基准上超过部分更大模型，提示决策任务可被独立建模而非复用聊天模型。

d1-3B 以 LFM2.5-VL-3B 为基座后训练，保留 SigLIP2 视觉编码器与 32,768 token 上下文，把状态与问题映射为类型化答案，而非逐 token 生成。零输出 token 减少了生成解码步骤，因此延迟可压到毫秒级；校准与固定选项输出便于下游直接消费。

路由分流、审核、意图分类、重排、抽取校验与 agent 护栏等高频判断环节，可改为调用专用小模型，降低解码成本与解析失败率；图像与文本混合输入使视觉检查也能走同一接口，但需评估其 32K 上下文与固定选项设计对现有流程的适配。

• 在客服工单分流或内容审核链路上，用 d1-3B 替换“LLM 生成+规则解析”环节，对比延迟与准确率。
• 基于其图像与文本混合输入，试点视觉质检或界面状态判断的固定选项分类接口。
• 把 agent 护栏中的放行/拦截判断改为调用该模型，测量单次决策耗时与误判率。

• Decision Index 0.2.1 的评测集构成与评分方法未在证据中说明，48.57 分的可比性待确认。
• 模型作者标注为未知，许可证与商用限制不明确。
• 零输出 token 下如何返回多问题、多选项的类型化答案，接口细节未给出。
• 毫秒级延迟数据来自特定硬件与输入规模，真实业务负载下的表现待验证。