O lançamento
Em 7 de outubro de 2026, a Liquid AI publicou no Hugging Face os pesos de dois modelos incomuns: o d1-3B e o d1-omni-600M. Eles são "modelos de decisão": não geram texto. Você entrega um estado (um ticket de suporte, um JSON, uma foto ou tudo junto) e perguntas nomeadas, e o modelo devolve respostas lidas diretamente da sua distribuição de probabilidades. O contador de uso registra 0 tokens de saída.
Três tipos de pergunta
- Sim/não: devolve a probabilidade de "sim", de 0 a 1.
- Escolha: escolhe um rótulo de uma lista e devolve o rótulo, a confiança e a probabilidade de cada opção.
- Escala: posiciona o estado numa escala ordenada de 2 a 10 níveis.
Várias perguntas sobre o mesmo estado são respondidas numa só passada: segundo a Liquid, três perguntas custam cerca de 1,3 vez o tempo de uma. Sem texto gerado, não há JSON quebrado, loops ou formato inventado.
Os dois modelos
- d1-3B (3,12B parâmetros): derivado do LFM2.5-VL-3B, lê texto e imagens, contexto de 32.768 tokens e 16 idiomas.
- d1-omni-600M (587M): um encoder que lê texto, imagens e até 30 segundos de áudio com os mesmos pesos. É marcado como versão inicial de pesquisa.
Números (da própria Liquid)
- Decision Index 0.2.1: o d1-3B marca 48,57, o melhor abaixo de 10B na tabela da empresa e acima de um modelo de decisão 12 vezes maior. A pontuação foi calculada pela própria Liquid, não submetida ao ranking público.
- Latência: cerca de 8 ms por pergunta numa RTX 4090 e 50 ms no menor Jetson Orin Nano.
- Em demonstrações, a empresa separou peças boas e defeituosas de linhas de produção com 85% a 97% de acerto, sem treino específico, e afirma igualar ou superar modelos de ponta em 4 de 6 tarefas, custando de 19 a 200 vezes menos. São testes escolhidos e executados pelo fornecedor; ainda não há reprodução independente.
Onde roda
Há suporte a llama.cpp, versões GGUF e quantizadas, e stack NVIDIA até Jetson. A Liquid também oferece uma API hospedada que cobra só tokens de entrada. A licença é própria da Liquid (não é Apache nem MIT): leia os termos antes de uso comercial.
Por que importa
Muitas tarefas de IA nas empresas não precisam de texto: classificar tickets, aprovar ou recusar, detectar defeitos, decidir rota. Usar um LLM generativo para isso é caro e frágil (parsing de JSON, respostas fora do formato). Um modelo que só decide, em milissegundos, pode servir de filtro barato antes da chamada cara ao LLM.
Como testar
- Escolha uma tarefa de classificação real com rótulos claros.
- Compare acerto, latência e custo com o LLM que você usa hoje.
- Use a confiança retornada para mandar só os casos duvidosos a um humano ou a um modelo maior.
Fontes
- Hugging Face, LiquidAI/d1-3B: https://huggingface.co/LiquidAI/d1-3B
- Hugging Face, LiquidAI/d1-omni-600M: https://huggingface.co/LiquidAI/d1-omni-600M
- OrcaRouter, análise (8/10/2026): https://www.orcarouter.ai/blog/liquid-ai-d1-open-weights-release
Quer automatizar decisões e triagens com IA de forma barata e confiável? A KGA IT oferece uma consulta gratuita: kga-it.com.