A Liquid AI lançou a 7 de outubro de 2026 dois modelos que recusam fazer aquilo que todos os outros grandes modelos de linguagem fazem: escrever texto. Os novos d1-3B e d1-omni-600M não geram frases, não produzem respostas longas e, em muitos casos, devolvem zero tokens de saída. Em vez disso, decidem. Classificam, pontuam, aprovam ou rejeitam, numa única passagem pela rede, em tempos medidos em milissegundos. É uma aposta deliberada contra o modelo dominante da indústria, e chega numa semana em que a Anthropic, a OpenAI, a Mistral e a JetBrains lançaram atualizações próprias, todas a competir pelo mesmo espaço: inferência mais rápida e mais barata.
O anúncio foi feito através do blogue oficial da Liquid AI e replicado na conta oficial da empresa na rede social X, com a frase “Today, we release d1-3B and d1-omni-600M, two open-weight models in our d1 decision model family” (liquid.ai/blog/d1-open). Os pesos dos modelos estão disponíveis no Hugging Face sob a licença LFM Open License v1.0, e qualquer empresa com receita anual inferior a 10 milhões de dólares pode usá-los comercialmente sem pagar royalties.
O que são os modelos de decisão d1 da Liquid AI
Os modelos de linguagem tradicionais funcionam de forma autorregressiva: preveem o próximo token, acrescentam-no à sequência, correm outra vez a rede, e repetem o processo até terminar a resposta. Um parágrafo de 200 palavras pode exigir centenas de passagens sequenciais pelo modelo. É esse ciclo que consome memória, largura de banda e energia, e que torna caro correr IA a grande escala.
O d1-3B e o d1-omni-600M saltam esse ciclo por completo. Em vez de gerar uma resposta em texto corrido, devolvem diretamente uma decisão estruturada, como uma classificação, uma pontuação de risco ou um sinal binário de aprovação, numa única passagem direta (“forward pass”) pela rede. Para muitas tarefas, isso significa zero tokens de saída gerados, o que elimina praticamente toda a latência de descodificação.
Vale sublinhar uma correção importante face à cobertura inicial que circulou nos primeiros dias após o lançamento: apesar da velocidade e do nome “d1” lembrarem arquiteturas de difusão, a Liquid AI não descreve estes modelos como modelos de difusão. O d1-3B deriva do LFM2.5-VL-3B, um modelo de visão e linguagem decoder-only (decodificador apenas), enquanto o d1-omni-600M deriva do LFM2.5-Encoder-350M, um codificador bidirecional, com codificadores adicionais de visão e de áudio agregados. Não há, nos materiais técnicos publicados, qualquer menção a um processo de remoção de ruído por etapas (denoising) ou a um calendário de passos de difusão, que são as marcas distintivas de um verdadeiro modelo de difusão.
Os números por detrás da velocidade: 8 milissegundos por decisão
Os dados de latência divulgados pela Liquid AI são o argumento central do lançamento. Numa GPU NVIDIA RTX 4090, o d1-3B devolve uma decisão em 8 milissegundos. Numa Jetson AGX Thor, sobe para 16 milissegundos. Numa Jetson AGX Orin, 26 milissegundos. E no extremo mais modesto do catálogo Jetson, a Orin Nano, ainda assim apenas 50 milissegundos. Para contexto, um piscar de olhos humano demora, em média, entre 100 e 400 milissegundos, o que coloca a decisão mais lenta do d1-3B bem dentro do tempo que o olho humano leva a fechar e abrir.
Em termos de capacidade pura, a Liquid AI afirma que o d1-3B lidera entre todos os modelos com menos de 10 mil milhões de parâmetros no seu próprio benchmark, o Decision Index v0.2.1, com uma pontuação de 48,57. A empresa compara ainda este resultado ao de um modelo de referência maior, o Decider 35B-A3B, dizendo que o d1-3B atinge resultados comparáveis apesar de ser aproximadamente 12 vezes mais pequeno. É uma afirmação feita pela própria Liquid AI, sem validação independente publicada até à data, e deve ser lida nesse contexto: é um sinal de intenção competitiva, não uma certificação externa.
O d1-omni-600M, o modelo mais pequeno da dupla, com cerca de 600 milhões de parâmetros, obtém 15,95 pontos no mesmo índice. Segundo relatos secundários da imprensa especializada em IA, o modelo destaca-se particularmente em deteção de toxicidade e identificação de paráfrases, duas tarefas de classificação onde a velocidade conta mais do que a eloquência.
| Característica | d1-3B | d1-omni-600M |
|---|---|---|
| Parâmetros | Aproximadamente 3 mil milhões | Aproximadamente 600 milhões |
| Arquitetura base | LFM2.5-VL-3B (decoder-only) | LFM2.5-Encoder-350M (codificador bidirecional) |
| Modalidades de entrada | Texto + imagem | Texto + imagem, ou texto + áudio |
| Pontuação Decision Index v0.2.1 | 48,57 | 15,95 |
| Latência em RTX 4090 | 8 ms | Não divulgada em conjunto completo |
| Latência em Jetson AGX Thor | 16 ms | Não divulgada em conjunto completo |
| Latência em Jetson AGX Orin | 26 ms | Não divulgada em conjunto completo |
| Latência em Jetson Orin Nano | 50 ms | Não divulgada em conjunto completo |
| Licença | LFM Open License v1.0 | LFM Open License v1.0 |
Porque é que isto não é um modelo de difusão
A confusão é compreensível. Nos últimos dois anos, a ideia de usar difusão, a técnica que tornou possível gerar imagens com modelos como o Stable Diffusion, para gerar texto ganhou tração como alternativa à geração token a token. A promessa é a mesma que a Liquid AI persegue com o d1: gerar ou refinar várias partes da resposta em paralelo, em vez de uma sequência estritamente da esquerda para a direita.
Mas o caminho técnico é diferente. Um modelo de difusão de linguagem parte de uma sequência ruidosa ou mascarada e vai refinando-a em múltiplas etapas até convergir numa frase coerente. É essa a abordagem seguida por projetos como o Mercury, da Inception Labs, e pelo projeto experimental Gemini Diffusion da Google, ambos focados em continuar a gerar texto aberto, apenas de forma mais rápida. O d1 da Liquid AI resolve um problema diferente: em vez de perguntar “como gerar texto mais depressa”, pergunta “porque é que preciso de gerar texto de todo, se só quero uma decisão”. Para tarefas fechadas, como aprovar ou rejeitar uma ação de um agente autónomo, essa pergunta tem uma resposta óbvia: não precisa.
Esta distinção importa para qualquer equipa de engenharia a avaliar os dois modelos: o d1 não substitui um assistente de conversação e não deve ser comparado em tarefas de escrita longa, raciocínio em cadeia extensa ou geração de código complexo. É uma ferramenta de nicho, otimizada para decisões estruturadas e repetidas em grande volume.
Para que servem, na prática, modelos que não escrevem texto
A Liquid AI posiciona o d1 para um conjunto específico de tarefas onde gerar prosa seria desperdício de tempo de computação. Entre os casos de uso identificados pela própria empresa e por análises técnicas publicadas nos dias seguintes ao lançamento estão a reordenação (reranking) de resultados de pesquisa ou recomendação, guardrails de agentes autónomos (decidir se uma ação de um agente de IA deve ou não ser permitida), classificação de toxicidade e segurança de conteúdo, identificação de paráfrases, inspeção visual automatizada, decisões baseadas em imagem, e experiências com comandos de voz no caso do d1-omni-600M.
O denominador comum é a inferência na periferia da rede (edge), onde a latência da rede, a privacidade dos dados, o consumo de energia e o custo do hardware pesam mais do que a qualidade literária da resposta. Um sistema de videovigilância que precisa de decidir em tempo real se uma imagem contém um objeto perigoso não precisa de um parágrafo explicativo. Precisa de um sim ou de um não, entregue em milissegundos, correndo localmente num chip Jetson sem depender de uma ligação à nuvem.
É também aqui que a arquitetura “guardrail” ganha relevância crescente. Com a proliferação de agentes de IA autónomos capazes de executar ações no mundo real, desde reservar viagens a modificar código em repositórios, a indústria enfrenta um problema de controlo: como validar, em tempo real e sem adicionar segundos de latência, se uma ação proposta por um agente é segura antes de a executar. Um modelo de decisão de 600 milhões de parâmetros, capaz de correr localmente e devolver uma resposta em menos de 50 milissegundos, é uma peça natural para esse tipo de camada de verificação.
O contexto: uma semana de lançamentos simultâneos de IA
O d1 da Liquid AI não chegou isolado. A primeira semana de outubro de 2026 tornou-se, segundo vários rastreadores de lançamentos de IA, uma das mais densas do ano em termos de novos modelos. A 7 de outubro, a Anthropic lançou o Claude Haiku 5.5, cortando os preços de input e output em cerca de 75% face ao Haiku 4.5, para 0,10 dólares por milhão de tokens de entrada e 0,50 dólares por milhão de tokens de saída em prompts até 100 mil tokens (anthropic.com/claude-haiku-5-5). No mesmo dia, a OpenAI começou a distribuir o GPT-6 a todos os níveis de subscrição do ChatGPT, acompanhado de uma interface descrita como “Intelligent UI”, que combina texto com elementos interativos como gráficos e calculadoras.
A 8 de outubro, a JetBrains lançou o Mellum2.1 Thinking, a mais recente iteração da sua família de modelos orientados para programação. A 6 de outubro, a Mistral abriu a pré-visualização pública do Large 4, um modelo de mistura de especialistas com 1,05 biliões de parâmetros totais e 49 mil milhões de parâmetros ativos. E, ainda antes, a 1 de outubro, a Cloudflare, uma empresa historicamente associada a infraestrutura de rede e proteção contra ataques distribuídos, lançou os seus próprios modelos de IA, batizados Clef e Clef-Flash.
Esta avalancha de lançamentos simultâneos reflete uma corrida que já não é apenas sobre quem tem o modelo mais inteligente, mas sobre quem consegue entregar inferência mais rápida, mais barata e mais especializada para tarefas concretas. O d1 da Liquid AI representa a versão mais extrema dessa lógica: em vez de competir no mesmo terreno dos modelos generalistas, a empresa optou por um nicho onde a métrica que importa não é a qualidade da escrita, mas o tempo até à decisão.
Quem é a Liquid AI e porque aposta em arquiteturas alternativas
A Liquid AI foi fundada em 2023 por Ramin Hasani, Mathias Lechner, Alexander Amini e Daniela Rus, uma equipa com raízes na investigação em redes neuronais líquidas, uma linha de investigação que procura arquiteturas mais eficientes e adaptáveis do que os transformadores convencionais. Ramin Hasani é identificado como cofundador e diretor executivo da empresa. Em dezembro de 2024, a Liquid AI anunciou uma ronda de financiamento Série A de 250 milhões de dólares, liderada pela AMD, um investimento que sinaliza o interesse da fabricante de chips em modelos otimizados para correr eficientemente em hardware próprio, incluindo aceleradores de borda.
A família de modelos LFM (Liquid Foundation Models) da empresa já incluía variantes de linguagem, de visão e linguagem, e de codificação pura antes do lançamento do d1. Os novos modelos de decisão constroem diretamente sobre essa base: o d1-3B deriva do LFM2.5-VL-3B e o d1-omni-600M do LFM2.5-Encoder-350M, o que significa que a Liquid AI não construiu uma arquitetura nova do zero, mas sim adaptou modelos já existentes para produzir decisões estruturadas em vez de texto livre.
Comparação com outras abordagens de inferência rápida
Para situar o d1 no panorama competitivo, vale comparar diretamente as diferentes estratégias que a indústria está a seguir para reduzir custo e latência de inferência em 2026. Cada abordagem resolve um problema ligeiramente diferente, e nenhuma delas é universalmente superior às outras.
| Abordagem | Exemplo | Estratégia técnica | Onde ganha |
|---|---|---|---|
| Modelos de decisão de passagem única | d1-3B / d1-omni-600M (Liquid AI) | Classificação direta sem geração de texto | Decisões estruturadas em tempo real, hardware de borda |
| Difusão de linguagem | Mercury (Inception Labs), Gemini Diffusion (Google) | Geração de texto em paralelo via remoção de ruído por etapas | Texto aberto gerado mais rapidamente que modelos autorregressivos |
| Corte agressivo de preço em modelos pequenos | Claude Haiku 5.5 (Anthropic) | Mesma arquitetura autorregressiva, custo operacional reduzido em 75% | Volume elevado de chamadas API a baixo custo |
| Modelos especializados por domínio | Mellum2.1 Thinking (JetBrains) | Transformador afinado para tarefas de programação | Qualidade em tarefas de código, não velocidade bruta |
| Mistura de especialistas de grande escala | Mistral Large 4 | 1,05 biliões de parâmetros totais, 49 mil milhões ativos por passagem | Capacidade generalista com custo de inferência parcialmente contido |
A leitura desta tabela deixa claro que o d1 não está a competir diretamente com nenhum destes modelos nas mesmas métricas. Comparar o d1-3B ao Claude Haiku 5.5 em capacidade de conversação seria como comparar um sensor de movimento a um assistente pessoal: ambos são úteis, mas para problemas diferentes. A verdadeira pergunta que a indústria está a fazer-se agora é quantas tarefas que hoje são resolvidas com modelos generalistas caros podem, na realidade, ser substituídas por modelos de decisão especializados e muito mais baratos de correr.
Contexto histórico: da geração token a token aos modelos sem tokens
A arquitetura transformer, introduzida em 2017 e popularizada pela geração de modelos GPT a partir de 2018, assentou a indústria de IA generativa na ideia de previsão sequencial de tokens. Durante quase uma década, quase todo o progresso em modelos de linguagem veio de tornar essa previsão sequencial mais precisa, aumentando o número de parâmetros, o tamanho dos conjuntos de treino e, mais recentemente, acrescentando etapas de raciocínio intermédio antes da resposta final.
Só nos últimos dois anos a indústria começou a questionar se a geração sequencial token a token é, de facto, necessária para todas as aplicações. Os modelos de difusão de linguagem, como o Mercury da Inception Labs, foram a primeira tentativa séria de romper com essa sequência, propondo gerar blocos de texto em paralelo. O d1 da Liquid AI representa um segundo tipo de rutura, mais radical em certo sentido: em vez de acelerar a geração de texto, elimina-a nas tarefas onde não é necessária. É uma aposta de que uma fração significativa das chamadas a modelos de IA em produção, hoje feitas a modelos generalistas caros, não precisa de gerar linguagem natural de todo, apenas de produzir um sinal estruturado.
Licenciamento e disponibilidade: o que muda para programadores
Os dois modelos estão disponíveis como pesos abertos (open-weight) no Hugging Face, sob a LFM Open License v1.0. Esta licença não é equivalente a licenças permissivas como a Apache 2.0 ou a MIT: permite uso comercial gratuito apenas a empresas com receita anual inferior a 10 milhões de dólares. Acima desse limiar, é necessário negociar diretamente com a Liquid AI, um modelo de licenciamento híbrido que tem vindo a tornar-se mais comum entre laboratórios de IA que lançam pesos abertos mas querem capturar valor de clientes empresariais de maior escala.
Segundo relatos secundários da imprensa especializada, o d1-3B suporta uma janela de contexto de 32.768 tokens e o d1-omni-600M de 16.384 tokens, embora estes valores não constem explicitamente do anúncio técnico principal e devam ser tratados como metadados de implementação reportados, e não como especificação primária confirmada pela Liquid AI. Para equipas de engenharia que queiram experimentar os modelos, a via mais direta é o repositório oficial no Hugging Face, onde os pesos podem ser descarregados e corridos localmente em hardware compatível com NVIDIA, incluindo estações de trabalho RTX e a linha de aceleradores Jetson para aplicações embutidas.
Declarações oficiais da Liquid AI
A Liquid AI optou por comunicar o lançamento de forma direta e sucinta, tanto no blogue oficial como na conta da empresa na rede social X. No anúncio publicado na plataforma X, a empresa escreveu: “Today we release Open d1: two open-weight multimodal models in our d1 decision model family” (x.com/liquidai). Na mesma publicação, a empresa resumiu as modalidades suportadas por cada modelo, descrevendo o d1-3B como “d1-3B: text + vision” e o d1-omni-600M como “d1-omni-600M: text + image or text + audio”.
Sobre o propósito de implementação, a empresa foi explícita quanto à amplitude de hardware visado, afirmando que os modelos permitem “Real-time decision making anywhere, from data centers such as @nvidia DGX to RTX workstations to Jetson at the edge” (x.com/liquidai). Esta formulação resume bem a estratégia de posicionamento da empresa: não tentar vencer a corrida dos modelos generalistas maiores, mas cobrir todo o espetro de hardware, do centro de dados ao dispositivo mais pequeno na periferia da rede, com uma única família de modelos de decisão.
No blogue oficial da empresa, o anúncio reforça a mesma mensagem central, afirmando: “Today, we release d1-3B and d1-omni-600M, two open-weight models in our d1 decision model family” (liquid.ai/blog/d1-open). A repetição quase idêntica da frase entre a rede social e o blogue sugere uma comunicação cuidadosamente alinhada, típica de lançamentos de produto coordenados entre equipas de engenharia e de marketing em laboratórios de IA de média dimensão.
Impacto no mercado de IA na periferia da rede
O mercado de inferência de IA na periferia da rede (edge AI) tem crescido em paralelo com a adoção de câmaras inteligentes, robótica industrial e veículos autónomos, todos cenários onde enviar dados para a nuvem e esperar por uma resposta introduz latência inaceitável ou riscos de privacidade. Chips como a família Jetson da NVIDIA, citada explicitamente nos testes de latência da Liquid AI, têm vindo a posicionar-se como a infraestrutura de referência para este tipo de carga de trabalho.
Ao lançar modelos otimizados para essa gama de hardware com pesos abertos, a Liquid AI aposta que uma parte do crescimento futuro da IA virá de modelos pequenos e especializados a correr localmente, e não apenas de modelos cada vez maiores em centros de dados. Essa aposta coloca a empresa em concorrência direta com fornecedores de visão computacional tradicionais, que durante anos dominaram tarefas de classificação em tempo real sem recorrer a arquiteturas de tipo transformador.
Para integradores de sistemas, a disponibilidade de um modelo com pesos abertos, licenciamento gratuito até 10 milhões de dólares de receita anual, e latência de dois dígitos num chip tão acessível como a Jetson Orin Nano, reduz a barreira de entrada para adicionar decisões baseadas em IA a produtos que antes dependiam de regras fixas.
O que os resultados do Decision Index não mostram
É importante ler os números divulgados pela Liquid AI com algum distanciamento crítico. O Decision Index v0.2.1 é um benchmark próprio da empresa, não um teste padronizado e amplamente adotado pela indústria como o MMLU, o SWE-bench ou o HumanEval. Não há, até ao momento, confirmação de que terceiros tenham reproduzido de forma independente os resultados de 48,57 pontos para o d1-3B ou de 15,95 para o d1-omni-600M.
Relatos secundários indicam que o d1-3B atingiu uma média de 82,9% em sete benchmarks de texto, mas os materiais disponíveis não especificam os nomes exatos desses testes, os conjuntos de dados usados, nem a metodologia de avaliação completa. Esta falta de transparência total não invalida os resultados, mas significa que qualquer equipa a avaliar o d1 para produção deve correr os seus próprios testes internos antes de confiar nas afirmações de desempenho da empresa, uma prática recomendável, de resto, para qualquer modelo recém-lançado, independentemente do laboratório de origem.
Previsões para a próxima fase dos modelos de decisão
Com base no padrão de lançamentos observado em outubro de 2026 e na estratégia de posicionamento da Liquid AI, há várias direções plausíveis para os próximos meses.
- É provável que outros laboratórios de IA, incluindo concorrentes diretos com famílias de modelos pequenos já estabelecidas, lancem variantes próprias de “modelos de decisão” nos próximos dois a três trimestres, à medida que a procura por guardrails de agentes autónomos cresce.
- Os fabricantes de hardware de borda, como a NVIDIA com a linha Jetson, deverão intensificar parcerias com laboratórios como a Liquid AI para certificar modelos otimizados para os seus chips, repetindo o padrão já visível no financiamento da AMD à própria Liquid AI.
- É esperável que surjam benchmarks independentes dedicados especificamente a modelos de decisão sem geração de texto, à medida que mais destes modelos chegam ao mercado e a comparação direta entre fornecedores se torna mais relevante para compradores empresariais.
- A distinção entre “modelo de difusão” e “modelo de decisão de passagem única” deverá tornar-se um ponto de atrito recorrente na cobertura jornalística e técnica, dada a tendência observada nos primeiros dias após o lançamento do d1 para confundir os dois conceitos.
- Empresas de médio porte, abaixo do limiar de 10 milhões de dólares de receita anual previsto na licença LFM Open License v1.0, deverão ser as primeiras adotantes em massa, dado o custo zero de entrada e a simplicidade de implementação local.
O que isto significa para equipas de engenharia na Europa
Para equipas de engenharia em Portugal e no resto da Europa, a chegada de modelos de decisão com pesos abertos e licenciamento favorável a pequenas e médias empresas representa uma oportunidade concreta de reduzir a dependência de chamadas constantes a APIs de modelos generalistas caros para tarefas que, no fundo, são decisões binárias ou classificações simples. Setores como a indústria transformadora, a logística e a videovigilância, onde a inferência na periferia da rede já é uma prioridade por razões de latência e de conformidade com regras de proteção de dados, são candidatos naturais a beneficiar primeiro desta nova categoria de modelos.
Há também uma dimensão de soberania tecnológica: ao correr um modelo de decisão localmente, numa fábrica ou num armazém, em vez de enviar dados sensíveis para uma API externa na nuvem, as empresas reduzem a exposição de dados e simplificam o cumprimento do Regulamento Geral de Proteção de Dados, uma vantagem que pesa cada vez mais nas decisões de arquitetura de IA na Europa.
Perguntas frequentes
O d1 da Liquid AI é um modelo de difusão?
Não. Apesar do nome e da velocidade sugerirem uma arquitetura de difusão, a Liquid AI descreve o d1-3B como derivado de um modelo decoder-only (LFM2.5-VL-3B) e o d1-omni-600M como derivado de um codificador bidirecional (LFM2.5-Encoder-350M). Não há evidência pública de um processo de remoção de ruído por etapas, que é a característica definidora de um modelo de difusão.
Posso usar o d1-3B para substituir um chatbot?
Não é essa a finalidade do modelo. O d1-3B foi desenhado para devolver decisões estruturadas, como classificações ou pontuações, e não para manter conversas abertas ou gerar texto longo. Para essas tarefas, modelos generalistas como o Claude Haiku 5.5 ou o GPT-6 continuam a ser a escolha adequada.
Quanto custa usar os modelos d1?
Os pesos são abertos e gratuitos para uso comercial para qualquer empresa com receita anual inferior a 10 milhões de dólares, segundo a LFM Open License v1.0. Acima desse limiar, é necessário contactar a Liquid AI diretamente para negociar os termos de licenciamento.
Em que hardware correm os modelos d1?
A Liquid AI testou os modelos em GPUs NVIDIA RTX 4090 e em toda a linha de aceleradores Jetson, incluindo a AGX Thor, a AGX Orin e a Orin Nano. A empresa afirma também compatibilidade com centros de dados equipados com sistemas NVIDIA DGX.
Qual é a diferença entre o d1-3B e o d1-omni-600M?
O d1-3B é o modelo maior, com cerca de 3 mil milhões de parâmetros, aceita texto e imagem, e deriva de um modelo decoder-only. O d1-omni-600M é mais pequeno, com cerca de 600 milhões de parâmetros, aceita texto com imagem ou texto com áudio, e deriva de um codificador bidirecional com codificadores de modalidade adicionais.
O Decision Index é um benchmark independente?
Não. É um benchmark próprio da Liquid AI, sem confirmação pública de reprodução independente por terceiros até à data deste artigo. Os resultados divulgados devem ser tratados como afirmações do fabricante e validados internamente antes de qualquer decisão de produção.
Como se compara o d1 a modelos de difusão de linguagem como o Mercury?
São abordagens diferentes para problemas diferentes. O Mercury, da Inception Labs, e o Gemini Diffusion, da Google, tentam gerar texto aberto mais rapidamente usando técnicas de difusão. O d1 não gera texto aberto: produz decisões estruturadas numa única passagem, evitando a geração de texto sempre que possível.
A Liquid AI é uma empresa nova no mercado de IA?
Foi fundada em 2023 por Ramin Hasani, Mathias Lechner, Alexander Amini e Daniela Rus, e recebeu uma ronda de financiamento Série A de 250 milhões de dólares em dezembro de 2024, liderada pela AMD. A família de modelos LFM da empresa já incluía variantes de linguagem e de visão antes do lançamento do d1.
