O lançamento da Liquid AI inclui dois modelos de decisão representativos: o d1-3B, um modelo de porte médio voltado a ambientes com maior capacidade computacional, e o d1-omni-600M, uma versão eficiente para inferência na borda ou de menor custo. Ambos são treinados e disponibilizados como modelos de decisão, não como geradores de texto: a API retorna um vetor de probabilidades calibradas alinhado a um conjunto de rótulos definido por você. Dependendo da configuração, os modelos oferecem suporte a tarefas de decisão com texto, visão e áudio e foram projetados para integração direta a fluxos de trabalho de classificação binária ou multiclasse, sem um pipeline de decodificação.

Em vez de usar decodificação autorregressiva, um modelo de decisão mapeia as entradas para um vetor de logits de uma só vez; uma função softmax gera probabilidades calibradas que podem ser submetidas a limites ou combinadas com regras de negócio. Esse pipeline substitui a amostragem, a busca em feixe ou a decodificação gulosa por uma única passagem. Técnicas de calibração aplicadas durante o treinamento e posteriormente — como ajuste de temperatura e regressão isotônica — fazem com que a distribuição de probabilidades corresponda de perto à precisão observada. Assim, o nível de confiança se torna um indicador útil para automação, encaminhamento a uma pessoa ou aplicação de critérios de controle.

Os modelos de decisão reduzem drasticamente a latência em pipelines de alto volume ao eliminar a decodificação token por token. No roteamento de chamados e na filtragem de spam, essa redução significa cumprir SLAs mais rapidamente e oferecer uma experiência melhor às pessoas usuárias. Em termos de custo, uma única passagem costuma exigir menos computação do que a geração de texto completo, e resultados simples em forma de probabilidades facilitam o registro para auditorias e análises posteriores. Combinar níveis de confiança calibrados com regras simples permite uma automação previsível e explicável, mais alinhada aos controles de risco empresarial do que resultados opacos em texto.

Implante o d1-omni-600M na borda para decisões em tempo real, como moderação em dispositivos móveis e controle de qualidade no próprio equipamento, e use o d1-3B na nuvem ou em configurações híbridas, quando a capacidade adicional do modelo puder melhorar a precisão. Estruture as integrações em torno de esquemas de rótulos e limites de confiança; mantenha um caminho simples de rejeição ou encaminhamento para casos de baixa confiança. Monitore desvios de calibração em cada recorte, registre as distribuições de probabilidade — não apenas os rótulos mais prováveis — e estabeleça processos de revisão humana com limites de frequência para pontuações limítrofes, evitando o viés de automação e falhas silenciosas.

Os modelos de decisão não são uma solução pronta para qualquer caso de uso. Eles pressupõem um espaço de rótulos bem definido e cobertura de treinamento suficiente; tarefas abertas, escrita criativa ou explicações em várias etapas ainda exigem modelos generativos. A calibração pode se deteriorar quando há mudanças na distribuição — valide sempre o desempenho por segmento e mantenha regras alternativas. Entre as questões de segurança estão entradas adversariais capazes de distorcer as probabilidades e vazamentos de dados em implantações na borda. Antes de levar o modelo à produção, avalie sua robustez e calibração em testes adversariais e defina políticas claras de encaminhamento para revisão humana e de registro de dados.