Liquid AI lança open d1: modelos de decisão multimodais com pesos abertos para dispositivos de borda
A Liquid AI anunciou o projeto open d1, uma iniciativa que coloca à disposição dois modelos de decisão multimodais de pesos abertos, projetados para operar em dispositivos de borda, ou seja, em hardware local e limitado, sem depender de servidores potentes na nuvem. Batizados de d1-3B e d1-omni-600M, os modelos já estão disponíveis no Hugging Face e representam uma proposta diferente da adotada pelos grandes modelos de linguagem tradicionais.
A diferença começa na forma de responder. Em vez de gerar texto token por token, como fazem os modelos de conversação convencionais, os modelos de decisão do projeto open d1 recebem um estado de entrada e um conjunto de perguntas nomeadas, e devolvem respostas tipadas, com formato definido, lidas diretamente da distribuição de probabilidades que a rede calcula sobre as opções possíveis. Isso acontece em uma única passagem pela rede neural, com zero tokens de saída, sem etapa de geração nem de interpretação de texto produzido. O resultado prático é uma operação mais rápida e enxuta, adequada ao desempenho exigido por celulares, notebooks modestos e outros equipamentos de borda.
O primeiro lançamento, o d1-3B, é um modelo de decisão com 3 bilhões de parâmetros construído sobre a base LFM2.5-VL-3B, da própria Liquid AI. Ele aceita como estado de entrada texto, dados em formato JSON, imagens ou uma combinação desses elementos, junto com o conjunto de perguntas, e retorna respostas calibradas, o que significa que o nível de confiança atribuído a cada resposta acompanha a probabilidade real de ela estar correta. Tudo isso é entregue em uma única passagem, sem custo de geração de texto.
Já o d1-omni-600M é a versão compacta da família, com 600 milhões de parâmetros, construída sobre o codificador LFM2.5-Encoder-350M. Apesar do tamanho reduzido, ele amplia o leque de entradas: recebe texto ou JSON acompanhados de imagens ou de um clipe de voz, e responde a perguntas nomeadas com o mesmo mecanismo de leitura direta da distribuição sobre as opções, também com zero tokens de saída. A combinação de modalidades em um modelo leve reforça o foco da empresa em inteligência artificial que funciona em qualquer dispositivo.
O anúncio, publicado no blog da comunidade do Hugging Face e assinado por pesquisadores e engenheiros da Liquid AI, entre eles Aurelien Lac, Fernando Fernandes Neto, Edoardo Mosca, Maxime Labonne e Leonie Monigatti, detalha como os modelos foram construídos e inclui seções dedicadas a resultados de avaliação, velocidade e instruções de uso. Nos testes descritos no material, a equipe pontuou o d1-3B com o avaliador oficial do desafio, enquanto os demais resultados comparativos vieram do placar público em sua versão 0.2.1.
Uma evidência apresentada sobre a capacidade multimodal chama atenção: ao remover as imagens das entradas, o desempenho do modelo nas mesmas perguntas cai para 45,1 pontos, o que demonstra, segundo os autores, que as respostas efetivamente derivam do conteúdo visual analisado, e não de padrões memorizados no texto. Esse tipo de verificação é importante para mostrar que o modelo de decisão de fato processa o que enxerga, e não apenas adivinha a partir do enunciado.
Para quem quiser experimentar sem instalar nada, a Liquid AI disponibilizou o Open d1 Arcade, uma coleção de dez demonstrações que usam o d1-3B e rodam em um Space do Hugging Face, ambiente de execução direto no navegador. As demonstrações permitem observar na prática como o modelo responde a perguntas sobre estados compostos por texto e imagens, sem necessidade de configuração.
Os dois modelos de decisão do open d1 são abertos em pesos e podem ser baixados a partir de suas páginas no Hugging Face. O anúncio completo, com a metodologia de construção, os resultados de avaliação e os exemplos de uso, está disponível no blog oficial da Liquid AI. Com o lançamento, a empresa reforça sua aposta em modelos especializados em decidir, e não em conversar, executando decisões multimodais de forma rápida e econômica diretamente nos dispositivos dos usuários.
