Liquid AI lanza d1: un modelo de decisión solo API que devuelve probabilidades calibradas sin tokens de salida

Liquid AI anunció el 29 de septiembre de 2026 el lanzamiento público de d1, un modelo de decisión solo API que la compañía marca como d1:free. A diferencia de los grandes modelos de lenguaje tradicionales que emiten tokens de texto, d1 devuelve únicamente valores de probabilidad calibrados, y el servicio informa cero tokens de salida por cada llamada. El anuncio fue cubierto por MarkTechPost y está documentado en las propias páginas de referencia del modelo de decisión de Liquid AI. El modelo se posiciona como un complemento a la IA generativa, ofreciendo una interfaz determinista y sin tokens para una variedad de tareas de estilo clasificación.

Cómo funciona d1

Según la documentación de Liquid AI, d1 acepta una carga JSON que combina una descripción del estado actual con una o más preguntas tipificadas. Cada pregunta se asigna a un primitivo específico, y el modelo devuelve un conjunto de probabilidades calibradas que responden a la consulta sin producir ninguna corriente de tokens textuales. El servicio registra el campo usage.output_tokens como cero para cada solicitud, lo que la compañía destaca como una forma de evitar la facturación basada en tokens y simplificar el procesamiento posterior. Las salidas de probabilidad están diseñadas para ser consumidas directamente por aplicaciones que necesitan una puntuación de confianza numérica en lugar de texto libre.

Liquid AI define tres primitivos básicos que dan forma a la forma en que se interpretan las preguntas. El primero, llamado Noul, es un primitivo probabilístico de sí/no que devuelve una única probabilidad que indica la probabilidad de una respuesta verdadera. El segundo, Choice, produce una distribución de probabilidad sobre una lista predefinida de opciones con nombre, lo que permite la clasificación multiclase en una sola llamada. El tercer primitivo, Score, devuelve una rúbrica ordenada de puntuaciones, cada una asociada a un peso numérico, lo que resulta útil para tareas de clasificación o calificación. Al restringir las entradas a estas formas tipificadas, d1 puede ofrecer salidas bien calibradas en dominios diversos.

El punto final público para d1 es una solicitud POST a /decisions/v1/systemone, según se indica en la referencia oficial de la API. Las llamadas deben incluir un token de autenticación y el cuerpo JSON descrito anteriormente. La carga de respuesta contiene un campo llamado “probabilities” que alberga los valores calibrados para cada primitivo invocado, junto con metadatos como la latencia de la solicitud y la métrica de uso de token cero. Los documentos de Liquid AI señalan que el punto final está alojado en la infraestructura en la nube de la compañía y no está disponible para despliegues locales.

Casos de uso previstos

Liquid AI comercializa d1 para un conjunto de aplicaciones orientadas a decisiones. Tareas de clasificación como detección de spam o análisis de sentimiento pueden expresarse como consultas Noul o Choice, entregando una puntuación de confianza que los sistemas posteriores pueden actuar. Las decisiones de enrutamiento —determinar qué canal de servicio o paso de flujo de trabajo invocar— encajan de forma natural en el primitivo Choice. La puntuación y la calificación, por ejemplo la evaluación de la calidad del contenido o el cumplimiento, aprovechan la rúbrica ordenada del primitivo Score. El modelo también se promociona para tuberías de moderación, reordenamiento de resultados de búsqueda y como componente LLM‑as‑judge que valida las salidas de modelos generativos sin generar texto adicional.

Al mismo tiempo, Liquid AI aconseja a los clientes que continúen usando LLM generativos para tareas que requieren creación de lenguaje natural, como redactar correos electrónicos, resumir documentos, mantener diálogos, escribir código o realizar razonamiento en varios pasos. En la visión de la compañía, d1 sobresale cuando el problema se reduce a una decisión binaria o multiclase que necesita confianza calibrada, mientras que los modelos generativos siguen siendo la herramienta preferida para la generación de contenido abierto. Esta división del trabajo pretende reducir los costos de tokens y mejorar la interpretabilidad de los puntos de decisión dentro de pipelines de IA más amplios.

En la práctica, un servicio de comercio electrónico podría enviar una solicitud POST a /decisions/v1/systemone que contenga los detalles del pedido como estado y una pregunta Choice que enumere posibles niveles de riesgo de fraude como “bajo”, “medio” y “alto”. d1 devolvería una probabilidad calibrada para cada nivel, por ejemplo 0,92 para “bajo”, 0,07 para “medio” y 0,01 para “alto”. La plataforma podría entonces dirigir los pedidos con una probabilidad superior a un umbral elegido a una cola de revisión manual, mientras aprueba automáticamente el resto. Dado que la respuesta contiene solo puntuaciones numéricas, la integración evita el análisis de texto y puede ejecutarse en milisegundos, encajando en pipelines de decisión en tiempo real.

Limitaciones y consideraciones operativas

Liquid AI deja claro que d1 se ofrece únicamente como un servicio alojado. La compañía no proporciona un modelo descargable, ni permite a los clientes afinar o entrenar de otro modo el motor de decisiones con datos privados. Esta restricción simplifica el cumplimiento y el control de versiones, pero también implica que las organizaciones no pueden ejecutar el modelo en infraestructura aislada ni personalizar sus parámetros internos. El acceso está limitado al punto final de la API, y la tarificación se basa en el volumen de solicitudes en lugar del consumo de tokens, reflejando el diseño de cero tokens de salida.

El hecho de que usage.output_tokens se informe como cero no implica que el servicio no genere gasto computacional. El monitoreo interno de Liquid AI sigue rastreando ciclos de CPU y GPU, uso de memoria y latencia, todos los cuales contribuyen a la estructura de costos detrás de escena. La métrica de token cero es principalmente una abstracción de facturación que separa las cargas de trabajo de toma de decisiones del modelo de precios basado en tokens que se usa para llamadas a LLM generativos. Por lo tanto, los usuarios deben anticipar que un tráfico de decisiones de alto volumen seguirá generando cargos medibles, aun cuando no se emitan tokens de texto.

Con d1 ya disponible públicamente, los desarrolladores pueden integrar lógica de decisión calibrada en aplicaciones sin gestionar presupuestos de tokens ni analizar texto libre. El lanzamiento indica un movimiento más amplio de la industria hacia servicios de IA especializados que complementan, en lugar de reemplazar, a los grandes modelos de lenguaje. Las organizaciones que necesiten puntuaciones de confianza rápidas e interpretables para enrutamiento, moderación o calificación pueden adoptar d1 hoy, mientras siguen confiando en modelos generativos para tareas creativas y de razonamiento. En la práctica, la nueva opción transforma la forma en que los pipelines de IA asignan cómputo, presupuestando las llamadas de decisión por separado de la generación de texto y potencialmente reduciendo los costos operacionales totales.