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

A Liquid AI anunciou, no dia 29 de setembro de 2026, o lançamento público do d1, um modelo de decisão que funciona exclusivamente através de uma API e que a própria empresa designa como d1:free. Ao contrário dos grandes modelos de linguagem tradicionais, que geram sequências de tokens de texto, o d1 devolve apenas valores de probabilidade calibrados e, para cada chamada, o serviço regista zero tokens de saída. O anúncio foi coberto pelo MarkTechPost e está documentado nas páginas de referência de modelos de decisão da própria Liquid AI. O modelo é apresentado como um complemento à IA generativa, oferecendo uma interface determinística e livre de tokens para uma variedade de tarefas do tipo classificação.

Como funciona o d1

De acordo com a documentação oficial 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 associada a um primitivo específico, e o modelo devolve um conjunto de probabilidades calibradas que respondem à consulta sem produzir qualquer fluxo de tokens textuais. O serviço regista o campo usage.output_tokens como zero em todas as solicitações, o que a empresa destaca como forma de evitar a faturação baseada em tokens e simplificar o processamento posterior. As saídas de probabilidade são concebidas para serem consumidas diretamente por aplicações que necessitam de uma pontuação numérica de confiança, em vez de texto livre.

A Liquid AI define três primitivos fundamentais que estruturam a forma como as perguntas são interpretadas. O primeiro, denominado Noul, é um primitivo probabilístico de sim/não que devolve uma única probabilidade indicando a probabilidade de uma resposta verdadeira. O segundo, Choice, produz uma distribuição de probabilidades sobre uma lista pré‑definida de opções nomeadas, permitindo a classificação multiclasse numa única chamada. O terceiro primitivo, Score, devolve um rubro ordenado de pontuações, cada uma associada a um peso numérico, sendo útil para tarefas de classificação ou avaliação. Ao limitar as entradas a estas formas tipificadas, o d1 consegue oferecer resultados bem calibrados em domínios muito diversos.

O ponto de extremidade público do d1 consiste num pedido 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 denominado “probabilities” que armazena os valores calibrados para cada primitivo invocado, juntamente com metadados como a latência da solicitação e a métrica de uso de tokens zero. A documentação da Liquid AI indica que o ponto de extremidade está alojado na infraestrutura de cloud da empresa e não está disponível para implementação on‑premise.

Casos de utilização previstos

A Liquid AI comercializa o d1 para um conjunto de aplicações orientadas a decisões. Tarefas de classificação, como deteção de spam ou análise de sentimento, podem ser expressas como consultas Noul ou Choice, fornecendo uma pontuação de confiança que os sistemas downstream podem acionar. Decisões de encaminhamento — determinar qual canal de serviço ou etapa de fluxo de trabalho invocar — encaixam‑se naturalmente no primitivo Choice. A pontuação e avaliação, por exemplo a avaliação da qualidade de conteúdo ou conformidade, aproveitam o rubro ordenado do primitivo Score, que é útil para tarefas de ranking ou classificação. O modelo também é promovido para pipelines de moderação, re‑ranking de resultados de pesquisa e como componente LLM‑as‑judge que valida as saídas de modelos generativos sem gerar texto adicional.

Ao mesmo tempo, a Liquid AI aconselha os clientes a continuarem a utilizar LLMs generativos para tarefas que exigem criação de linguagem natural, como a redação de e‑mails, a sumarização de documentos, a participação em diálogos, a escrita de código ou a execução de raciocínios em múltiplas etapas. Na perspetiva da empresa, o d1 destaca‑se quando o problema se reduz a uma decisão binária ou multiclasse que requer confiança calibrada, enquanto os modelos generativos permanecem a ferramenta preferida para a geração de conteúdo aberto. Esta divisão de trabalho pretende reduzir os custos de tokens e melhorar a interpretabilidade dos pontos de decisão dentro de pipelines de IA mais amplos.

Na prática, um serviço de comércio eletrónico poderia enviar um pedido POST para /decisions/v1/systemone contendo os detalhes do pedido como estado e uma pergunta Choice que enumere os níveis de risco de fraude possíveis, tais como “baixo”, “médio” e “alto”. O d1 devolveria 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 os pedidos com probabilidade acima de um limiar escolhido para uma fila de revisão manual, aprovando automaticamente os restantes. Como a resposta contém apenas pontuações numéricas, a integração evita a necessidade de analisar texto e pode ser executada em milissegundos, encaixando‑se em pipelines de decisão em tempo real.

Limitações e considerações operacionais

A Liquid AI deixa claro que o d1 é oferecido exclusivamente como um serviço alojado. A empresa não disponibiliza um modelo descarregável, nem permite que os clientes façam fine‑tuning ou treinem o motor de decisão com dados privados. Esta restrição simplifica a conformidade e o controlo de versões, mas também significa que as organizações não podem executar o modelo em infraestruturas isoladas nem personalizar os seus parâmetros internos. O acesso está limitado ao ponto de extremidade da API, e a tarifação baseia‑se no volume de solicitações em vez do consumo de tokens, refletindo o design de saída zero‑token.

O facto de usage.output_tokens ser reportado como zero não implica que o serviço não incorra em despesas computacionais. O monitoramento interno da Liquid AI continua a registar ciclos de CPU e GPU, uso de memória e latência, todos contribuindo para a estrutura de custos por trás dos panos. A métrica zero‑token serve principalmente como uma abstração de faturação que separa as cargas de trabalho de decisão do modelo de preços baseado em tokens usado para chamadas a LLMs generativos. Os utilizadores devem, portanto, antecipar que um tráfego de decisão de alto volume ainda gerará encargos mensuráveis, embora nenhum token de texto seja emitido.

Com o d1 agora disponível ao público, os programadores podem integrar lógica de decisão calibrada nas suas aplicações sem ter de gerir orçamentos de tokens ou analisar texto livre. O lançamento sinaliza uma tendência mais ampla da indústria para serviços de IA especializados que complementam, em vez de substituir, os grandes modelos de linguagem. As organizações que necessitam de pontuações de confiança rápidas e interpretáveis para encaminhamento, moderação ou avaliação podem adotar o d1 hoje, mantendo a dependência dos modelos generativos para tarefas criativas e de raciocínio. Na prática, esta nova opção altera a forma como os pipelines de IA alocam recursos de computação, separando as chamadas de decisão das de geração de texto e potencialmente reduzindo os custos operacionais globais.