El lanzamiento de Liquid AI incluye dos modelos de decisión representativos: d1-3B, un modelo de tamaño medio orientado a entornos con mayor capacidad de computación, y d1-omni-600M, una variante eficiente para el edge o para inferencias de menor coste. Ambos se entrenan y se ofrecen como modelos de decisión, no como generadores de texto: su API devuelve un vector de probabilidades calibradas asociado a un conjunto de etiquetas que defines. Según la configuración, los modelos admiten tareas de decisión con texto, imágenes y audio, y están diseñados para integrarse directamente en flujos de clasificación binaria o multiclase, sin una etapa de decodificación.

En lugar de recurrir al decodificado autorregresivo, un modelo de decisión transforma las entradas en un vector de logits de una sola vez; una función softmax genera probabilidades calibradas que se pueden someter a umbrales o combinar con reglas de negocio. Este proceso sustituye el muestreo, la búsqueda de haces o el decodificado voraz por una sola pasada hacia delante. Las técnicas de calibración aplicadas durante el entrenamiento y a posteriori —como el escalado de temperatura y la regresión isotónica— permiten que las probabilidades se correspondan estrechamente con la precisión observada. Así, el nivel de confianza se convierte en una señal útil para la automatización, la intervención humana o los controles de acceso.

Los modelos de decisión reducen drásticamente la latencia en procesos de gran volumen al eliminar el decodificado token a token. En la asignación de tickets y el filtrado de spam, esa menor latencia ayuda a cumplir los SLA con mayor rapidez y mejora la experiencia de usuario. En cuanto al coste, una sola pasada hacia delante suele consumir menos recursos de computación que generar texto completo, y los resultados de probabilidad, al ser sencillos, facilitan el registro para auditorías y análisis posteriores. Combinar niveles de confianza calibrados con reglas simples permite automatizar de forma predecible y explicable, en mayor sintonía con los controles de riesgo empresariales que las salidas de texto opacas.

Despliega d1-omni-600M en el edge para controles en tiempo real, como la moderación en dispositivos móviles o el control de calidad en el propio dispositivo, y utiliza d1-3B en entornos de nube o híbridos cuando la capacidad adicional del modelo mejore la precisión. Diseña las integraciones en torno a esquemas de etiquetas y umbrales de confianza, y mantén una vía ligera de rechazo o escalado para los casos de baja confianza. Supervisa la deriva de calibración por segmento, registra las distribuciones de probabilidad —no solo la etiqueta con mayor puntuación— y establece procesos de revisión humana con límites de frecuencia para los casos dudosos, a fin de evitar el sesgo de automatización y los fallos silenciosos.

Los modelos de decisión no son una solución universal que pueda incorporarse sin más a cualquier caso de uso. Presuponen un espacio de etiquetas bien definido y datos de entrenamiento suficientes; las tareas abiertas, la escritura creativa y las explicaciones en varios turnos siguen requiriendo modelos generativos. La calibración puede deteriorarse ante cambios en la distribución: valida siempre el rendimiento por segmento y mantén reglas de respaldo. Entre los aspectos de seguridad que hay que considerar están las entradas adversarias que alteran las probabilidades y las filtraciones de datos en despliegues en el edge. Antes de ponerlos en producción, evalúa la robustez y la calibración frente a pruebas adversarias, y define políticas claras de escalado a revisión humana y de registro.