d3-ultra：27B 决策模型读一次图答 255 问，还能框出位置、追完整段视频
d3-ultra 是 vLLM Semantic Router 的 Decision 3.0 系列最新一版 27B 多模态决策模型：26.09B 参数（含 0.46B 视觉编码器），Apache-2.0。用法是把一段文本或 JSON（可带多张图片、视频）连同要问的问题一起给它——选项题、是/否、打分、或在图上和视频某一刻指出位置——模型读一次输入就把所有问题答完，每个答案返回一个概率，不生成文本。单问题上下文 131,072 token；官方给的性能数字是同一张图上问 1 到 255 个问题耗时 304 毫秒到 2.16 秒（中位，单卡 AMD Instinct MI325X，AutoModel 推理）。
相比 10-19 的 d3-turbo，变化集中在三处。一是新增 Box：用自然语言问「东西在哪」，直接给一个框和置信度，置信度接近零就表示不存在。二是视频支持某一刻的框，也支持整段给 track 与目标可见概率。三是团队自建测试的分数：SR-Text 从 d3-turbo 的 83.1、d3 的 81.4 提到 87.2（同表里 GLiDE V1.2 是 85.1、d1-ultra 83.4），SR-Box 十域 58.2%、九域 54.6%——十域这一项比 d3-turbo 的 60.0% 略低，而更早的 d3、d1-ultra 与 GLiDE V1.2 不支持 Box。
这类模型不做生成，把路由、判定、定位压进一次前向，延迟与成本能按毫秒和分钱算；d3-ultra 把空间定位与视频追踪并进来，等于同一个模型可以同时当语义路由器和视觉判定器用。需要说清的边界是：SR-Text 与 SR-Box 都是团队自建测试（SR-Text 是六个部分的机会校正准确率均值，题库共 4,896 条自写问题），不是公开榜单；官方博客 vllm.ai/blog 的 2026 年 10 月列表里没有这一篇（最新停在 10-23），官网 decision.vllm-sr.ai 页面全文仍只提 d3-turbo，因此本条的能力与日期都取自官方 HF 仓与模型卡，而不是厂商公告。