先看证据
不是聊天模型，而是一组判断的执行器
vLLM Semantic Router 团队发布了 d3-ultra：一款采用 Apache-2.0 许可、约 27B 参数的开放权重多模态决策模型。它面向的不是开放式对话，而是分类、路由、视觉检查等需要程序化结论的任务。调用方提交文本或 JSON，可附图像、视频，再列出要判断的问题，模型返回概率、评分、框选或跟踪结果，而不是一段自然语言回答。
这个接口改变了系统要做的工作。常见生成式流程会先让模型写出答案，再由应用解析答案、判断格式是否有效；d3-ultra则把问题类型和输出形式提前写进请求，让结果更直接地接入后续程序。它的价值因此不只在模型答得对不对，也在于一份输入能否被高效地用于多项判断。
一次读取，优势出现在问题变多之后
d3-ultra的核心机制是让同一请求中的多道题共享输入状态的处理结果。开发者可以围绕一张图提出多个选择题、是非题或定位问题，不必每道题都重新处理图像，也不必从一段生成文本里逐个抽取结论。模型支持 Choice、Yes/No、Score、Box 和 Track 等问题类型；其中 Box 输出一个框及置信度，Track 用于在视频中跟随目标。
团队给出的延迟数据展示了这种设计适用的场景：在单张 AMD Instinct MI325X、使用 AutoModel 的测试中，针对一张照片提一个问题耗时 304 毫秒，提 255 个问题总计 2.16 秒。团队据此报告，首题之后每增加一道问题约增加 7.3 毫秒。这个结果说明高扇出任务有机会摊薄重复读取输入的成本，但它来自特定硬件与测试设置，不能直接当作其他设备或生产负载的延迟承诺。
文本领先，不代表视觉任务全面领先
在团队自建的 SR-Text 测试中，d3-ultra 得分 87.2，高于 GLiDE V1.2 的 85.1、d1-ultra 的 83.4 和 d3-turbo 的 83.1。测试包含 10,411 个请求、73,495 道题，团队称多数题目借鉴了 34 个公开基准的能力设计，另有新任务类型。工具与自动化分项得分为 97.8，显示它在结构化判断任务上的表现值得进一步检验。
但这些数字不是公开统一排行榜的结果：SR-Text 和 SR-Box 都是团队自建的私有测试，外部无法检查完整题目或独立复现。更重要的是，SR-Box 上 d3-ultra 在十个领域得分 58.2%，低于 d3-turbo 的 60.0%；排除图表后分别为 54.6% 和 59.6%。团队称 d3-turbo 在自然图像上更强、d3-ultra在图表上领先。因而，单一总分不能替代按业务任务拆分的评估。
开放权重不等于低成本部署
模型有 26.09B 参数，其中包含 0.46B 的视觉编码器；官方模型卡给出的上限是每道问题 131,072 tokens。配置采用 Qwen3.5 架构，64 层中有 48 层线性注意力和 16 层完整注意力，但模型卡没有披露基础 checkpoint。团队报告的运行测试使用单张 MI325X 和 BF16 权重，目前材料中没有官方量化版本。因此，Apache-2.0 提供的是许可上的开放性，不会自动消除显存、硬件和运维门槛。
部署入口有几种，适合不同集成方式：Transformers 路线通过 AutoModel 加载模型，示例要求 transformers 5.17.0，并可选安装 flash-linear-attention；团队也提供 vLLM Semantic Router Engine 的服务入口，相关支持记录在 2026 年 10 月 25 日的 PR #5449；此外，模型卡列出免费的 API。选择本地部署还是 API，不只是工程偏好，也关系到资源成本、服务边界和系统集成方式。每道问题超过 131,072 tokens 会返回 max_length_exceeded，材料明确说明不会静默截断。
视频能力要连同抽帧限制一起评估
支持视频输入并不等于连续、无遗漏地理解整段视频。运行时文档说明，视频会按配置抽取帧，同时受到帧数和视频输入 token 数的限制；因此，Track 等能力实际能看到什么，取决于抽帧策略和输入上限。公开材料没有给出足以把它描述为逐帧完整分析的证据，视频场景应单独验证关键动作是否会被采样遗漏。
对技术负责人而言，合适的试点不是“用它替换通用多模态模型”，而是挑出一份输入需要产生许多结构化结果的流程，例如一张图对应多项检查，或一段材料需要多个路由判断，再比较批量调用与现有方案的端到端成本。评估时应同时测任务准确性、失败处理、延迟和硬件占用，并把私有基准分数当作供应方线索，而不是业务效果保证。若任务主要依赖自然图像定位、视频细节覆盖或低成本部署，现有证据不足以预设 d3-ultra 更合适。