Decision 3.0 开放六款模型：让图片和视频也能回答结构化决策题

一位顾客说搅拌机到货时已经破裂，顺手附上收据，系统需要先判断由谁处理、凭证里有什么。Decision 3.0开放了约 0.6B 至 27B 的六款决策模型，让文字、图片和视频进入「在预定义答案中作选择、返回概率」的工作流，而不是生成一段聊天回复。这个变化提供了新的任务分工，但不等于已经在你的单据和机器上做得又准又便宜；下文引用发布方资料和公开榜单，我们没有运行这些模型。

封面采用系列最大型号 d3 27B 的官方宣发图，并非六款型号的合照。模型卡里的收据示例把三道题放进一次请求：交给退换货还是账单团队，收据里有没有这件商品，付款方式是什么。

一张收据，要问的其实是三种不同的问题

在官方示例代码里，输入由 state、可选图片和 questions 组成。第一题是 choice：客服应由退换货、账单还是技术支持处理？第二题是 noul（是／否题），判断收据上是否有搅拌机；第三题也是 choice，在银行卡、现金和礼品卡里判断付款方式。没有附图时，客服描述足以引导分流，却不能可靠地回答收据内容；图片在这里不是给聊天回答增添装饰，而是某一道决策所需的证据。

输出形式也不同。它不是先写一段「根据我的分析」，再让业务系统用正则提取一个类别。调用方先定义答案空间，模型再返回每个选项的概率，后续系统可根据任务设置人工复核或二次检查。概率分布是模型输出，不自动等于业务正确率；如果票据模糊、选项里没有真实答案，照样可能选错。要允许「都不符合」，就先把这个选项设计进题目，而不是指望模型自己跳出有限选项。关于这类判断放在整个路由系统的什么位置，我们此前另有四层路由对照；这篇更关心图像、视频加入后，证据从哪里来。

模型卡说，同一请求可以一次送入多道题，每道题都看到共同的文本与媒体。不过一次请求不等于多道题只做一次前向计算：官方写明每题各有一次针对共享输入的前向计算。这个区分会影响你对多问题延迟的预期，不能把「一通 API」直接写成「几道题都免费」。官方公开演示页用的是另一组预填问题：分给哪个团队、顾客是否有收据、请求有多紧急，分别展示选择、是非和评分题。它不是上文模型卡的商品识别与付款方式示例。下图仅是页面截图，未提交请求，没有展示模型实际预测结果。

视频也能提问，但先看它究竟看见了哪些帧

官方还提供了一段小方块移动的视频例子：给定短片，问方块朝左还是朝右、有没有变色。场景很窄，却恰好说明这种模型的工作边界。如果任务只需「是否出现指定动作」或「下一步交给哪条流程」，预先定义问题可能比要求模型复述整段视频更直接；如果任务要解释事故原因、寻找画面外的背景，有限答案就装不下这个要求。后者仍需其他分析路径，不能从「支持视频」推导出通用视频理解无误。

媒体读入有明确取样限制。按d3 模型卡，每张图像最多按约 1.6 百万像素处理；视频默认每秒取 2 帧，整段最多 32 帧，每帧最多约 0.2 百万像素。这不是视频文件可上传大小的等价说法，而是进入模型观察的抽样窗口。若判断依赖一闪而过的标签、小字或发生在两次采样之间的动作，原视频确有证据，模型输入却可能没看到它。先挑短片、定义清晰的可观察事件，保留原片给复核；不要让一个「否」字取代事故调查。

图像也是如此。收据上的商品名如果模糊或被裁到边外，表面整洁的概率仍可能掩盖读图错误。适合做首轮试验的不是未经筛选的一百万张历史票据，而是一小批有清晰人工答案、刻意包含破损图、混合图文和「无正确选项」的样本。这样可以分别发现模型读错了什么，以及业务题目自己有没有定义错。

六种尺寸，先分工作负载，再核机器预算

官方集合把 d3、d3-flash、d3-mini、d3-nano、d3-lite、d3-edge 放在同一族；逐一模型卡均标注 Apache-2.0，提供文字、图片、视频输入与选择／是非／评分的概率输出。名字里的 B 是参数规模的约数，不是模型文件大小或显存保证值。底座也分两路：最大款建立在 Qwen3.8-27B 上，其余基于 Qwen3.5 系列；六款都包含视觉编码器。

表格最后一列是试验起点，不是厂商针对行业场景的测评结论。最小型号不一定是每次都最便宜的业务方案：更高的误分率会增加人工复核和重试；反过来，也不应只因为大型号在综合榜得分高就给每一张简单票据调 27B。要观察的是你自己的错题、需要人审的比例、机器空闲时间和排队延迟，而不是只看参数数量。官方卡列出六款型号的单卡延迟，但没有给出我们这类负载的生产吞吐与总成本。

「榜首」是一个带日期的快照，不是所有任务的通行证

发布方d3 模型卡放了一张尺寸与分数图：d3 在 Decision Index 0.3.1 的文本 Full 分数 64.7，视觉榜 71.6。图脚和卡片脚注写得很清楚：d3 是团队内部评测；其他模型来自当时的公开榜单快照，文本对照取于 10 月 10 日、视觉取于 10 月 9 日。它仍是值得追踪的发布方证据，但不能给它换上「独立认证」的署名。

我们另核了第三方 Decision Index 的原始榜单数据：截至 2026 年 10 月 12 日 13:25 UTC 的 0.3.2 快照里，d3 的 v3.1.0 版本列文本 Full 66.26、第一位；视觉数据列 Full 71.26、第一位。这不是上一段的 64.7 与 71.6 的直接复测或可相减涨幅，版号、时间和数据归属都变了。榜单方法把公开题与非公开题组成总分，公开部分可按工具重跑，私有部分无法仅凭公开权重复建。六款模型的提交 PR #128在榜单快照之后，于 14:23 UTC 关闭且未合并；公开记录没有说明原因。我们可以准确报道那个快照曾显示第一位，不能把它扩写成不带时间与评测前提的「全球第一」或「独立复测已确认」。

真正选型时，综合榜只负责告诉你「值得列入候选」。要放行收据款项或处理现场画面，还要检验错分代价、类别分布和概率在自有样本中是否可用；一个公开指数不提供你的人工复核阈值。此前对微软决策模型速度与校准的拆解讨论过同类风险，这里不把两套不同测试环境的数字排成生产胜负表。

从 55 毫秒到一条可上线的流水线

官方在单张 AMD Instinct MI325X、一次处理一个请求的条件下，给 d3 报告文本 55 ms、带一张图 273 ms、带一段 10 秒视频 553 ms 的中位数（d3 模型卡）。这些是该硬件和请求形状上的单次模型处理指标，不包括上传大图、跨地区网络、业务队列、人工复核，也没有展示并发提升后 p95 怎么走。10 秒视频的数字更不能等同于任意时长、任意抽帧密度的视频任务。

开放权重给团队的首先是运行与验证的选择权。项目仓库提供自托管路径；d3 卡注明 Engine mode 和 Decision 3.0 在开发渠道，待稳定版纳入。下载权重和把它长期运维为服务是两件事：先以自有标签样本比较几档型号的错误，再用目标机器测图文比例、视频取样、排队和真实费用。若某类错误损失很高，给它保留人工或更强模型的升级出口；若只需检查确定性金额、日期或规章，先用明确规则，不要为每个条件都调模型。

Decision 3.0 真正带来的新选项，是把「看见一张凭证／一段动作，然后在规定答案里作答」放进同一个开放模型系列，并提供从约 0.6B 到 27B 的部署跨度。现在值得做的是拿自己的错题试这件事，而不是让一张图替你签下生产承诺。关于小型型号的 Core ML 转换，团队另有Apple Silicon 文章；那是发布方在特定 Mac 上的自测，不应与本文的 MI325X 延迟相拼。