# 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

> Decision 3.0 发布 0.6B 至 27B 六款开放决策模型，输入可包含图像、视频，返回预定义答案的概率。借官方收据和视频示例看用途、尺寸取舍，以及榜单版本和单卡延迟的边界。

- Published: 2026年10月12日
- Author: PiRouter Team, Engineering
- Tags: models, local-llm, routing
- Canonical: https://pirouter.ai/zh/blog/decision-3-multimodal-six-sizes

---
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](https://huggingface.co/vllm-sr/d3)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](https://huggingface.co/vllm-sr/d3)，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](https://huggingface.co/vllm-sr/d3)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](/zh/blog/jev-typed-decision-routing-layer)；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](https://huggingface.co/spaces/vllm-sr/d3-decision-model)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**。

![官方演示页的预填客服描述、图片上传区和问题结构；右侧不含已运行模型的预测](/blog/images/decision-3-multimodal-six-sizes-demo-page.png "公开演示界面截图，只证实页面展示的输入和 schema，未运行模型；该截图不证明视频演示能力。来源：[vLLM Semantic Router 的 d3 演示页](https://huggingface.co/spaces/vllm-sr/d3-decision-model)")

## 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](https://huggingface.co/vllm-sr/d3)：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](https://huggingface.co/vllm-sr/d3)，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](https://huggingface.co/collections/vllm-sr/decision-30)把 d3、d3-flash、d3-mini、d3-nano、d3-lite、d3-edge 放在同一族；逐一[模型卡](https://huggingface.co/vllm-sr/d3)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。

| 型号 | 官方卡片中的总参数与底座 | 更适合先验证的问题，而非已证实的适用范围 |
|---|---|---|
| [d3](https://huggingface.co/vllm-sr/d3) | 26.09B；Qwen3.8-27B | 质量优先、已有较大推理资源时，作为能力基准 |
| [d3-flash](https://huggingface.co/vllm-sr/d3-flash) | 8.39B；Qwen3.5-9B 系 | 希望缩小部署规模，又不想立刻落到最小模型 |
| [d3-mini](https://huggingface.co/vllm-sr/d3-mini) | 4.54B；Qwen3.5-4B 系 | 有大量重复的票据或图像分类，先测质量／延迟拐点 |
| [d3-nano](https://huggingface.co/vllm-sr/d3-nano) | 2.21B；Qwen3.5-2B 系 | 场景更窄、资源预算更紧，能接受逐项验错 |
| [d3-lite](https://huggingface.co/vllm-sr/d3-lite) | 0.85B；Qwen3.5-0.8B 系 | 可明确界定选项的轻量任务，关注部署占用 |
| [d3-edge](https://huggingface.co/vllm-sr/d3-edge) | 0.59B；Qwen3.5-0.8B 系 | 硬件约束最严，先验证最低可接受正确率 |

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](https://huggingface.co/vllm-sr/d3)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。

![发布方尺寸与指数图，d3 标 64.7；原图左下角注明 d3 是内部评测，其他模型为 10 月 10 日公开榜单快照](/blog/images/decision-3-multimodal-six-sizes-vendor-index.png "发布方的 0.3.1 文字比较图，不是本文所述 0.3.2 榜单数据。原图完整保留左下角限定：d3 internal evaluation；其他为 2026-10-10 公开榜单快照。来源：[d3 官方模型卡](https://huggingface.co/vllm-sr/d3)")

我们另核了第三方 [Decision Index 的原始榜单数据](https://huggingface.co/spaces/multimodalart/jev-decision-index/raw/main/data/v03.json)：**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](https://huggingface.co/spaces/multimodalart/jev-decision-index/raw/main/data/vision.json)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](https://github.com/apolinario/decision-index)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](https://github.com/apolinario/decision-index/pull/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](/zh/blog/microsoft-decision-1-speed-calibration)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](https://huggingface.co/vllm-sr/d3)）。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](https://github.com/vllm-project/semantic-router)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](https://vllm-sr.ai/blog/decision-3-0-on-apple-silicon/)；那是发布方在特定 Mac 上的自测，不应与本文的 MI325X 延迟相拼。

---

## Sources

### huggingface.co

- [Decision 3.0](https://huggingface.co/vllm-sr/d3)
- [演示页](https://huggingface.co/spaces/vllm-sr/d3-decision-model)
- [官方集合](https://huggingface.co/collections/vllm-sr/decision-30)
- [d3-flash](https://huggingface.co/vllm-sr/d3-flash)
- [d3-mini](https://huggingface.co/vllm-sr/d3-mini)
- [d3-nano](https://huggingface.co/vllm-sr/d3-nano)
- [d3-lite](https://huggingface.co/vllm-sr/d3-lite)
- [d3-edge](https://huggingface.co/vllm-sr/d3-edge)
- [Decision Index 的原始榜单数据](https://huggingface.co/spaces/multimodalart/jev-decision-index/raw/main/data/v03.json)
- [视觉数据](https://huggingface.co/spaces/multimodalart/jev-decision-index/raw/main/data/vision.json)

### github.com

- [方法](https://github.com/apolinario/decision-index)
- [项目仓库](https://github.com/vllm-project/semantic-router)

### vllm-sr.ai

- [Apple Silicon 文章](https://vllm-sr.ai/blog/decision-3-0-on-apple-silicon/)