d1

Última atualização:

Beta—$0.02/M input

Notas do quadrante

Ver o quadrante completo

Pontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.

  • Maturidade5.4/10

    API hospedada self-serve (console.liquid.ai, tier grátis d1:free) com docs públicas e guia de migração; funciona com os SDKs oficiais da TypeSafe via base_url. No ar no OpenRouter desde 01/10 (lançou a US$ 0,04/M, hoje US$ 0,02/M de input) e disponível pelo Vercel AI Gateway desde 09/10. Sem SLA.

  • Capability6.5/10

    Noul / Choice / Score completos numa chamada, zero tokens gerados. Calibração é alegada, mas sem método nem ECE publicados, e não há números de latência. O único benchmark é a rodada interna da Liquid do Decision Index 0.2.1 do HF; o d1 não está no índice oficial.

  • Adoção27/100

    Lançamento grande para a categoria (~1,8 mil likes / ~680 mil views no X em um dia, repercussão na imprensa), vindo de um lab estabelecido. Agora listado no OpenRouter (post com ~160 likes / ~22 mil views). Ainda sem casos de produção.

Vendor claims

Notícias sobre este modelo

O d1 é o primeiro modelo de decisão da Liquid AI, empresa da família de modelos LFM. A Liquid anunciou o modelo em 29 de setembro de 2026 (15:35 BRT) como “the first model to outperform Jev on @huggingface’s Decision Index”, com API hospedada em console.liquid.ai e OpenRouter “em breve”.

Ele segue o contrato System One que o Jev inaugurou: você manda o state e perguntas tipadas com nome, e recebe respostas tipadas com probabilidades. A documentação da Liquid diz que o d1 responde “in a single call with zero generated tokens”, e todos os exemplos de resposta trazem usage.output_tokens: 0.

Ficha

Atributo Valor
Empresa Liquid AI
Lançamento 29/09/2026 (anúncio no X, 15:35 BRT)
Status API pública self-serve; nas docs o id é d1:free. A Liquid não fala em GA
Endpoint POST https://api.liquid.ai/decisions/v1/systemone
Autenticação Chave Bearer do console.liquid.ai (começa com liquid_)
Tipos de pergunta noul (probabilidade de sim/não), choice (distribuição sobre opções nomeadas), score (posição ponderada por probabilidade numa rubrica ordenada)
SDKs Os próprios clientes da TypeSafe: pip install typesafe-sdk / npm install @typesafe-ai/sdk com base_url="https://api.liquid.ai"
Preço API da Liquid: tier grátis d1:free. OpenRouter (desde 01/10): US$ 0,02 / M de input, US$ 0 de output, contexto de 65K (lançou a US$ 0,04 / M; a página de preços da Liquid e o OpenRouter listam US$ 0,02 em 16/10/2026)
Pesos O checkpoint hospedado d1 segue sem publicação. Em 7/10/2026 a Liquid lançou uma família aberta à parte, d1-3B e d1-omni-600M. Esses cards não dizem ser o modelo hospedado
Parâmetros / modelo base Não divulgados
Latência Nenhum número publicado (o 0–0ms do frontmatter quer dizer “sem dado”)

No OpenRouter (1º de outubro de 2026)

O @OpenRouter anunciou em 1º de outubro de 2026 (15:30 BRT) que o d1 está no ar como liquid/d1: perguntas sim/não, choice ou score com probabilidade para cada opção, “zero data retention” (palavras do OpenRouter; ver a nota de dados abaixo), US$ 0,04 / M de input, US$ 0 de output, contexto de 65K no lançamento (o preço depois caiu para US$ 0,02 / M). Cumpre o “em breve no OpenRouter” do lançamento e dá ao d1 a primeira distribuição de terceiros. Ver a news.

Tratamento de dados: correção (17/10/2026)

“Zero data retention” vem do post do OpenRouter de 1º/10, não da Liquid. A página atual liquid/d1 do OpenRouter não tem declaração de política de dados para o d1; a frase “may be retained and used to train Liquid models” que aparece nela é de outros modelos da Liquid na lista lateral (LFM2.5-Embedding-350M e LFM2.5-2.6B). Nossa nota de radar de 16/10 leu isso como sendo do d1; estava errado. Fontes da própria Liquid: os Termos permitem “retain Your Content and Usage Data as reasonably necessary to provide, secure, and improve the Services”, sujeitos a termos específicos do serviço ou da plataforma; a política de privacidade lista a melhoria de modelos com “inputs and outputs you share”; a página de preços diz que nunca treina com dados de clientes na camada enterprise; as docs do d1 não dizem nada. Não conseguimos confirmar zero retenção em nenhuma das duas rotas. Detalhes na notícia.

No Vercel AI Gateway (9/10/2026)

A Vercel disponibilizou o Liquid d1 pelo AI Gateway, incluindo entrada de visão, a interface experimental_decide do Vercel AI SDK e rotas compatíveis com a Decisions API da OpenAI e com a TypeSafe. Isso acrescenta um caminho de distribuição e integração; não muda o checkpoint hospedado nem traz benchmark independente. As notas do catálogo ficam iguais. Anúncio.

Compatível com a TypeSafe de propósito

Os formatos de requisição e resposta são os mesmos do /v1/systemone da TypeSafe, e o quickstart da Liquid usa os SDKs oficiais da TypeSafe em Python e TypeScript apontados para https://api.liquid.ai. Código escrito para o Jev deve migrar trocando base URL, chave e id do modelo. O guia de migração da Liquid também mostra como trocar chamadas de LLM para classificação, roteamento, moderação e pontuação pelo d1. Há ainda uma demo road-decider no cookbook da Liquid.

O claim do Decision Index

O gráfico do lançamento traz a legenda “Internal reproduction of Decision Index 0.2.1 by Hugging Face” e compara o d1 com o Jev 1.13:

Área d1 Jev 1.13 Dif. Benchmarks
Arts 45,5 37,7 +7,8 7
Language 67,6 62,0 +5,6 10
Retrieval 60,7 55,4 +5,3 6
Tools 74,1 75,1 −1,0 5
Knowledge 43,3 51,3 −8,0 10
Index 58,9 57,9 +1,0 5 áreas

UnverifiedClaim. Quem rodou foi a própria Liquid. O Space oficial do Decision Index (dados v0.2.1, gerados em 28/09/2026) não lista o d1. O que deu para conferir: a coluna do Jev bate com a linha oficial do Jev 1.13.0 (balanced skill 57,91; Knowledge 51,4, Language 62,0, Retrieval 55,4, Tools 75,1, Arts 37,7). Ou seja, a Liquid usou a linha de base publicada do Jev e rodou o d1 por conta própria. A linha Index é o balanced skill do índice, não a média simples das cinco áreas.

Lendo o gráfico inteiro: o d1 fica à frente em arts e language, empata em tools e perde feio em knowledge e raciocínio. A vantagem geral é de um ponto. Os claims de robustez multilíngue, prompt injection e inputs longos não vêm com números próprios.

Quando usar / quando não usar

Serve quando você precisa de: um endpoint System One hospedado que não seja da TypeSafe, um A/B fácil contra o Jev (mesmo SDK) ou classificação de texto multilíngue, onde a Liquid diz ter vantagem.

Não serve quando você precisa de: inferência local ou on-prem (ainda sem pesos; perguntada sobre rodar localmente, a Liquid respondeu “for sure”), julgamentos que dependem de conhecimento (a pior área no próprio gráfico), garantias publicadas de latência ou preço, ou acurácia verificada por terceiros.

Limites

  • Sem SLA público. A API da própria Liquid ainda só mostra d1:free; o primeiro preço foi o do OpenRouter (US$ 0,04 / M de input no lançamento; US$ 0,02 / M em 16/10, também na página de preços da Liquid).
  • Parâmetros, arquitetura, modelo base e método de treino do d1 hospedado não foram divulgados. O d1-3B e o d1-omni-600M abertos (7/10/2026) são outro lançamento, com bases publicadas (LFM2.5-VL-3B e LFM2.5-Encoder-350M). Não substituem a api.liquid.ai.
  • “Probabilidades calibradas” é claim do vendor, sem ECE nem método publicados.
  • Todos os números de benchmark acima são da própria Liquid (UnverifiedClaim).

A Liquid apresenta o d1 como um modelo de decisão treinado por ela, não como um LLM genérico atrás de um wrapper de decisão. Ele tem API tipada pública e documentada que devolve probabilidades. Isso passa nos critérios do catálogo do mesmo jeito que o Jev hospedado passa. Compare com a OpenAI Decisions API, que a OpenAI descreve como uma forma de usar o GPT-6 Luna e que não tem docs públicas; ela continua em runtimes.

Artificial Analysis Decision Index v1.0 (13/10/2026)

Pelo artigo de lançamento do AA, o d1 tem a maior acurácia no AA-Omniscience-Decision (41) entre os modelos de decisão, mas taxa de não alucinação de 2 (quase nunca escolhe “não sei”). A nota do índice só aparece no gráfico, não no texto, então não citamos e as notas ficam iguais. O AA é um placar separado e independente (quatro avaliações: AA-Omniscience-Decision, HLE-MultiChoice, When2Call, WildGuardTest). Notas e posições não se comparam com o Decision Index 0.3 nem com o JevBench. O AA acha todos os modelos de decisão confiantes demais no geral, sobretudo nas tarefas de conhecimento e raciocínio; a maioria é razoavelmente calibrada em When2Call e WildGuardTest.