Liquid AI lança d1: um modelo de decisão apenas API que devolve probabilidades calibradas sem tokens de saída

A Liquid AI anunciou em 29 de setembro de 2026 o lançamento público do d1, um modelo de decisão apenas API que a empresa denomina d1:free. Diferente dos modelos de linguagem de grande porte tradicionais que emitem tokens de texto, o d1 devolve apenas valores de probabilidade calibrados, e o serviço registra zero tokens de saída para cada chamada. O anúncio foi coberto pelo MarkTechPost e está documentado nas próprias páginas de referência de modelo de decisão da Liquid AI. O modelo é posicionado como um complemento à IA generativa, oferecendo uma interface determinística e sem tokens para uma variedade de tarefas do tipo classificação.

Como o d1 funciona

De acordo com a documentação da Liquid AI, o d1 aceita um payload JSON que combina uma descrição do estado atual com uma ou mais perguntas tipificadas. Cada pergunta é mapeada para uma primitiva específica, e o modelo devolve um conjunto de probabilidades calibradas que respondem à consulta sem produzir nenhum fluxo de tokens textuais. O serviço registra o campo usage.output_tokens como zero para cada solicitação, o que a empresa destaca como forma de evitar cobrança baseada em tokens e simplificar o processamento downstream. As saídas de probabilidade são projetadas para serem consumidas diretamente por aplicações que precisam de uma pontuação numérica de confiança em vez de texto livre.

A Liquid AI define três primitivas centrais que moldam a forma como as perguntas são interpretadas. A primeira, chamada Noul, é uma primitiva probabilística de sim/não que devolve uma única probabilidade indicando a chance de uma resposta verdadeira. A segunda, Choice, produz uma distribuição de probabilidade sobre uma lista pré‑definida de opções nomeadas, permitindo classificação multiclasse em uma única chamada. A terceira primitiva, Score, devolve um rubrico ordenado de pontuações, cada uma associada a um peso numérico, útil para tarefas de ranqueamento ou avaliação. Ao restringir as entradas a esses formatos tipificados, o d1 pode entregar saídas bem calibradas em domínios diversos.

O endpoint público do d1 é uma requisição POST para /decisions/v1/systemone, conforme listado na referência oficial da API. As chamadas devem incluir um token de autenticação e o corpo JSON descrito anteriormente. O payload de resposta contém um campo chamado “probabilities” que armazena os valores calibrados para cada primitiva invocada, juntamente com metadados como latência da requisição e a métrica de uso de token zero. A documentação da Liquid AI observa que o endpoint está hospedado na infraestrutura de nuvem da empresa e não está disponível para implantação on‑premise.

Casos de uso pretendidos

A Liquid AI comercializa o d1 para um conjunto de aplicações orientadas a decisão. Tarefas de classificação, como detecção de spam ou análise de sentimento, podem ser expressas como consultas Noul ou Choice, entregando uma pontuação de confiança que sistemas downstream podem acionar. Decisões de roteamento — determinar qual canal de serviço ou etapa de fluxo de trabalho invocar — encaixam‑se naturalmente na primitiva Choice. Avaliações e pontuações, por exemplo ao avaliar a qualidade de conteúdo ou conformidade, utilizam o rubrico ordenado da primitiva Score. O modelo também é promovido para pipelines de moderação, reordenação de resultados de busca e como componente LLM‑as‑judge que valida as saídas de modelos generativos sem gerar texto adicional.

Ao mesmo tempo, a Liquid AI recomenda que os clientes continuem usando LLMs generativos para tarefas que exigem criação de linguagem natural, como redigir e‑mails, resumir documentos, conduzir diálogos, escrever código ou executar raciocínio em múltiplas etapas. Na visão da empresa, o d1 se destaca quando o problema se reduz a uma decisão binária ou multiclasse que requer confiança calibrada, enquanto os modelos generativos permanecem a ferramenta de escolha para geração de conteúdo aberto. Essa divisão de trabalho pretende reduzir custos de token e melhorar a interpretabilidade dos pontos de decisão dentro de pipelines de IA maiores.

Na prática, um serviço de comércio eletrônico poderia enviar uma requisição POST para /decisions/v1/systemone contendo os detalhes do pedido como estado e uma pergunta Choice que lista possíveis níveis de risco de fraude, como “baixo”, “médio” e “alto”. O d1 retornaria uma probabilidade calibrada para cada nível, por exemplo 0,92 para “baixo”, 0,07 para “médio” e 0,01 para “alto”. A plataforma poderia então encaminhar pedidos com probabilidade acima de um limiar escolhido para uma fila de revisão manual, enquanto aprova automaticamente o restante. Como a resposta contém apenas pontuações numéricas, a integração evita a análise de texto e pode ser executada em milissegundos, adequando‑se a pipelines de decisão em tempo real.

Limitações e considerações operacionais

A Liquid AI deixa claro que o d1 é oferecido exclusivamente como serviço hospedado. A empresa não disponibiliza um modelo para download, nem permite que clientes façam fine‑tuning ou treinem o motor de decisão em dados privados. Essa restrição simplifica conformidade e controle de versão, mas também significa que organizações não podem executar o modelo em infraestrutura isolada ou personalizar seus parâmetros internos. O acesso está limitado ao endpoint da API, e a precificação baseia‑se no volume de requisições em vez de consumo de tokens, refletindo o design de zero tokens de saída.

O fato de usage.output_tokens ser reportado como zero não implica que o serviço não gere despesa computacional. O monitoramento interno da Liquid AI ainda rastreia ciclos de CPU e GPU, uso de memória e latência, todos contribuindo para a estrutura de custos nos bastidores. A métrica zero‑token é principalmente uma abstração de cobrança que separa cargas de trabalho de decisão do modelo de precificação baseado em tokens usado para chamadas de LLMs generativos. Portanto, os usuários devem antecipar que tráfego de decisão em alto volume ainda gerará cobranças mensuráveis, embora nenhum token de texto seja emitido.

Com o d1 agora disponível publicamente, desenvolvedores podem integrar lógica de decisão calibrada em aplicações sem gerenciar orçamentos de tokens ou analisar texto livre. O lançamento sinaliza um movimento mais amplo da indústria rumo a serviços de IA especializados que complementam, em vez de substituir, grandes modelos de linguagem. Organizações que precisam de pontuações de confiança rápidas e interpretáveis para roteamento, moderação ou avaliação podem adotar o d1 hoje, enquanto continuam a depender de modelos generativos para tarefas criativas e de raciocínio. Na prática, a nova opção remodela como pipelines de IA alocam computação, orçando chamadas de decisão separadamente da geração de texto e potencialmente reduzindo custos operacionais gerais.