vLLMセマンティックルーター チームは、Apache-2.0ライセンスの下で動作する27B規模のマルチモーダル意思決定モデル「d3-ultra」を公開しました。d3-ultra意思決定モデルはテキストを生成せず、入力を一度読み込んで、あらゆる質問に対する各回答の確率を返します。開発者にとっては、これにより、ルーティング、分類、視覚的グラウンディング、動画検証といった処理を、1回のオープンウェイト呼び出しで実行できるようになります。
要約
サイズ：26.09Bパラメータ（密集型、0.46Bのビジョンエンコーダを含む）；各質問に対するコンテキストは131,072トークン。
動作環境：BF16 重みで AMD Instinct MI325X 1枚にてテスト済み；公式の量子化バリアントはまだ掲載されていません。
パフォーマンス：チーム独自のプライベートテストにおける6つの決定モデルのうち、最も高いSR-Textスコア。
最高：SR-Textツールおよびオートメーションにおける97.8（チャンス補正済み正確度）。
最悪：SR-Boxでは54.6%（9ドメイン）、同系列のd3-turboより5.0ポイント下回る。
d3-ultraとは何ですか？
d3-ultraは、vLLMセマンティックルーターによるSystem Oneの意思決定モデルで、入力された質問に対して確率を伴う回答を提供します。これは、0.6Bから27Bまでの規模を持つDecision 3.0ファミリーの最新メンバーです。
あなたは、状態（テキストまたはJSON、さらに画像や動画）と一連の質問を送信します。各質問にはタイプが設定されています：
選択肢：複数のオプションから1つを選んでください。
はい／いいえ：「はい」の確率を返します。
スコア：スケールに基づく評価。
Box：画像や動画の特定の瞬間に存在するものを検出します。
トラック：動画全体にわたって対象を追跡する。
画像は質問や選択肢の中にも配置できます。クイズでは、写真を表示した後、4つのエッチングを解答として提示することも可能です。
d3-ultraはどのように動作しますか？
核心的な考え方は、一度だけ状態を保持することです。モデルはリクエストごとに入力を一度読み取り、その単一の読み取りからすべての質問に回答します。
設定には、64層からなるQwen3.5アーキテクチャのバックボーンが示されています。そのうち48層は線形注意層、16層はフル注意層です。このカードには、ベースとなるチェックポイントの名称は記載されていません。vLLMのレシピによれば、同系列のd3はQwen3.8-27Bから訓練されたとされています。
Boxの回答は常に、信頼度が1であるボックスを1つだけ返します。信頼度が0に近い場合、対象物は画像内に存在しないことを意味します。131,072トークンを超える質問は、max_length_exceededエラーで失敗し、何も無視されて切り捨てられます。
d3-ultraはベンチマークにおいてどのような性能を発揮しますか？
研究チームは、社内テスト2件において、d3-ultraをGLiDE V1.2、d1-ultra、d3-turbo、d3、およびJev 1.14と比較しています。
SR-Textには、73,495の質問を含む10,411件のテキストリクエストがあります。その多くは、34の公開ベンチマークから再現されたスキルに新たな項目を加えたものです。さらに、SQLチェックやチケットルーティングなど、43の新しいタスクファミリーから成る4,896件の質問も含まれています。スコアはランダム予想レベルで補正されており、0がランダム、100が完璧を示します。
d3-ultra：87.2
GLiDE V1.2：85.1
d1-ultra：83.4
d3-turbo：83.1
d3: 81.4
ジェヴ 1.14：73.1
d3-ultraは、芸術と人間の嗜好を除くすべての分野でトップに立っています。その分野では、d1-ultraが89.6に対し90.8を記録しており、誤差範囲内です。
SR-Boxには、10のドメインにまたがる4,984枚の画像に対して5,678件のボックスアノテーション質問が含まれています。IoUが0.5以上の場合、そのボックスは正解とみなされます。d3-ultraは10ドメインで58.2％、9ドメインで54.6％を記録しています。d3-turboはそれぞれ60.0％と59.6％を達成しています。Jev 1.14は45.7％と46.9％を示しています。チームによると、d3-turboは自然画像においてより優れた性能を維持する一方で、d3-ultraはチャートにおいて優位性を発揮します。
レイテンシ：AutoModelを搭載したAMD Instinct MI325X上で、写真に関する1つの質問には304ミリ秒かかります。255の質問を処理するのに2.16秒かかり、追加の質問1つあたり約7.3ミリ秒です。
d3-ultraはどのようにデプロイしますか？
4つのルートがあります：
Transformers: AutoModel.from_pretrained("vllm-sr/d3-ultra", trust_remote_code=True) で、transformers==5.17.0 を使用します。オプションの flash-linear-attention パッケージは、高速な GPU カーネルを追加します。
vLLM セマンティックルーター エンジン：vllm-sr serve -e vllm-sr/d3-ultra、2026年10月25日付のプルリクエスト #5449 で追加されました。
無料API：カードには、decision.vllm-sr.aiがd3-ultraを提供し、無料のキーが付属すると記されています。
デモ：公式のHugging Face Space。
d3-ultra 対 GLiDE V1.2、d1-ultra、Jev 1.14 および d3-turbo
注目3-ultrad3-turboGLiDE V1.2d1-ultraJev 1.14開発者vLLMセマンティックルーターvLLMセマンティックルーターFastino LabsLiquid AITypeSafeParameters26.09B26.09B26B 非公開非公開質問ごとのコンテキスト131,07232,768 デフォルト；long_context使用時は131,07240,000 デフォルト32,768 262,144 重み／ライセンスオープン、Apache-2.0オープン、Apache-2.0オープン、Fastinoコミュニティライセンスホスト型のみホスト型のみ、プロプライエタリ入力テキスト、JSON、画像、動画テキスト、JSON、画像、動画テキスト、JSON、画像テキスト、画像テキスト、画像ボックス／トラックボックス＋トラックボックス＋トラックなしなしボックスのみSR-Text（vLLM-SRによる自己報告）87.283.185.183.473.1SR-ボックス、10ドメイン58.2%60.0%対応なし対応なし45.7%公開インデックススコア提出済み、まだ搭載未定70.2 Jev DI（独自推定）71.5 決定インデックス0.4.165 AA決定インデックス57 AA決定インデックス価格無料API、セルフホスト無料API、セルフホスト$0.04／M入力 $0.042／M入力$0.042／M入力
主なポイント
d3-ultraは、テキストを一切生成しない27B規模のApache-2.0ライセンスの意思決定モデルです。
入力を一度読み込むだけで、1枚の写真に関する255問の質問に2.16秒かかります。
同チームのSR-Textテストで87.2を記録し、GLiDE V1.2の85.1を上回っています。
Boxにおけるグラウンディングでは、d3-turboを下回っており、58.2%対60.0%です。
すべてのベンチマーク数値は、プライベートなテストセット上で自己申告されたものです。
モデルカード、GitHubリポジトリ、Decision 3.0コレクション、およびHugging Face Spaceをご覧ください。また、Twitterでもぜひフォローしていただき、15万人超のML SubRedditへの参加とニュースレターの購読もお忘れなく。おっと！Telegramをお使いですか？今ならTelegramでも私たちに参加できます。
GitHubリポジトリ、Hugging Faceページ、製品リリース、ウェビナーなどのプロモーションについて、当社と提携しませんか？ぜひご連絡ください。
投稿「vLLM セマンティックルーターが d3-ultra をリリース：27B規模のオープンマルチモーダル意思決定モデル」は、MarkTechPost に最初に掲載されました。