Liquid AI lanza d1: un modelo de decisión que devuelve probabilidades calibradas con tokens de salida cero

Liquid AI ha lanzado d1, un modelo de decisión creado para elecciones estructuradas en lugar de generación de texto. Le das contexto y una serie de preguntas escritas. Devuelve probabilidades calibradas a través de un conjunto fijo de resultados en una sola llamada, sin tokens generados. El objetivo es el trabajo que muchos equipos todavía envían a los LLM generales: clasificación, enrutamiento de tickets, puntuación, moderación, reclasificación y verificaciones de LLM como juez.

¿Es desplegable? Sí, hoy, como API alojada. d1 se ejecuta en Liquid API con el nombre de modelo d1:free. La biblioteca de modelos de Liquid lo enumera como API únicamente y no entrenable, por lo que no hay pesos GGUF, MLX u ONNX para autohospedarse.

¿Qué es un modelo de decisión?

Un modelo de decisión evalúa una situación y devuelve una respuesta escrita a partir de las opciones que usted define antes de la llamada. No escribe texto. En cada respuesta, use.output_tokens es 0. La guía de migración de Liquid AI ofrece una regla simple: si la respuesta es una de N opciones conocidas, use un modelo de decisión. Si el modelo debe componer una nueva cadena, conserve su LLM.

Los 3 Primitivos: Noul, Choice y Score

Noul es una pregunta de sí/no que devuelve una probabilidad entre 0 y 1. En el ejemplo de Liquid, “¿Es este mensaje una queja?” devolvió 0,999. Choice elige una opción de un conjunto con nombre. Devuelve la primera elección, la distribución completa y un valor de confianza. Un billete con doble cargo obtuvo una puntuación de 0,9997 en ‘facturación’. La puntuación califica la entrada en una rúbrica ordenada y devuelve una posición ponderada por probabilidad. Los niveles están indexados desde 0, por lo que una rúbrica de urgencia de 4 niveles abarca del 0 al 3. Una interrupción de la producción obtuvo una puntuación de 2,9995.

Puede combinar los 3 tipos en una sola solicitud. El modelo evalúa cada pregunta frente al mismo estado en un viaje de ida y vuelta.

Cómo funciona una llamada API d1

Cada solicitud tiene 3 partes: el modelo, el estado (texto sin formato o un objeto JSON) y las preguntas. Las llamadas van a POST https://api.liquid.ai/decisions/v1/systemone. Las claves provienen de console.liquid.ai y comienzan con liquid_. Los clientes son typesafe-sdk de TypeSafe AI para Python y @typesafe-ai/sdk para TypeScript.

desde typesafe_sdk importe TypeSafeClient, cliente Noul = TypeSafeClient(api_key=os.environ[“LIQUID_API_KEY”]base_url=”https://api.liquid.ai”) result = client.system_one( model=”d1:free”, state=”He estado esperando más de tres semanas por mi pedido…”, questions={“is_complaint”: Noul( instrucciones=”¿Es este mensaje una queja del cliente?”)}, ) print(result.answers[“is_complaint”].noul) # 0.999

Por qué trasladar las convocatorias de clasificación LLM a d1

La guía de migración enumera las diferencias concretas con respecto a un LLM con resultados estructurados:

Sin tokens de salida facturados: un LLM factura la salida incluso para una etiqueta de una palabra. Latencia predecible: no existe un bucle de decodificación que crezca con la longitud de salida. Sin errores de esquema: las respuestas siempre coinciden con el tipo de pregunta, por lo que los JSON con formato incorrecto y los reintentos desaparecen. Incertidumbre utilizable: obtienes probabilidades calibradas en lugar de un número autoinformado. Menos viajes de ida y vuelta: 3 convocatorias de clasificación secuenciales pasan a ser 1.

Las probabilidades hacen que los umbrales sean prácticos. El ejemplo de moderación de Liquid bloquea por encima de 0,8, permite por debajo de 0,2 y envía la banda media a revisión humana. Su ejemplo de enrutamiento vuelve al nivel de modelo más capaz cuando la confianza del enrutador cae por debajo de 0,5. Liquid también dice que las evaluaciones repetidas de la misma información son más consistentes, lo que reduce los cambios de veredicto.

Mantenga un LLM para resumir, redactar, chatear en varios turnos, generar código y razonamiento complejo de varios pasos.

Demostración: Decididor de carreteras

El libro de cocina decisivo de Liquid es un juego de carreras de supervivencia con pixel art. d1 usa una pregunta de elección para elegir hacia la izquierda, el centro o la derecha en cada tic de decisión, aproximadamente de 2 a 5 veces por segundo, dependiendo de la velocidad del juego. La aplicación es JavaScript básico en Node.js 18+, con un proxy Vite que mantiene la clave API en el lado del servidor. Un modo “Jev vs d1” compite con d1 contra typesafe/jev-1.13 de TypeSafe a través de OpenRouter. La lección más útil es sobre el diseño del Estado. Los resúmenes por carril con la distancia hasta el primer obstáculo produjeron decisiones más seguras que una cuadrícula sin editar de la carretera.

Explicador interactivo: d1 paso a paso

‘;el.appendChild(d);});setTimeout(function(){var f=el.querySelectorAll(‘.fill’);keys.forEach(function(k,i){f[i].style.width=Math.max(obj[k]*100,0.6)+’%’});},60);post();} function pills(el,list,cb){el.innerHTML=”;list.forEach(function(x,i){var b=document.createElement(‘span’);b.className=”pill”+(i?”:’ on’);b.textContent=x.name;b.onclick=function(){el.querySelectorAll(‘.pill’).forEach(function(p){p.classList.remove(‘on’)});b.classList.add(‘on’);cb(x)};el.appendChild(b)});cb(list[0]);} /* pestañas */ var runners={}; R.querySelectorAll(‘.tab’).forEach(function