Liquid AI lança o d1, modelo de decisão hospedado que diz superar o Jev no Decision Index do HF
A Liquid AI, o lab dos modelos LFM, anunciou o d1 em 29 de setembro de 2026, às 15:35 BRT: “our first decision model” e “the first model to outperform Jev on @huggingface’s Decision Index”. O post diz que o d1 ganha em avaliações multilíngues, resiste melhor a prompt injection e lida melhor com inputs longos. Já está no ar na API da Liquid (console.liquid.ai) e chega “em breve” ao OpenRouter. Na manhã seguinte, o post somava cerca de 1,8 mil likes e 680 mil views.
O que saiu. Um endpoint hospedado, POST https://api.liquid.ai/decisions/v1/systemone, com o id d1:free nas docs. Aceita os mesmos três tipos de pergunta do Jev (Noul, Choice, Score) e devolve probabilidades com output_tokens: 0. O quickstart da Liquid usa os SDKs da própria TypeSafe (typesafe-sdk no PyPI, @typesafe-ai/sdk no npm) apontados para https://api.liquid.ai, então código escrito para o Jev migra trocando base URL e chave. Um guia de migração mostra como substituir chamadas de LLM para classificação, roteamento e pontuação, e o cookbook tem uma demo road-decider.
O que não é público. Sem pesos (nada chamado d1 na org da Liquid no Hugging Face), sem número de parâmetros, modelo base ou método de treino, sem números de latência e sem preço além do tier grátis atual. A GIGAZINE diz que o preço sai depois e que a Liquid respondeu “for sure” quando perguntaram se o d1 vai rodar localmente.
O benchmark (UnverifiedClaim). O gráfico do lançamento tem a legenda “Internal reproduction of Decision Index 0.2.1 by Hugging Face”. d1 vs Jev 1.13: Arts 45,5 vs 37,7, Language 67,6 vs 62,0, Retrieval 60,7 vs 55,4, Tools 74,1 vs 75,1, Knowledge 43,3 vs 51,3; Index 58,9 vs 57,9. Os números do Jev batem exatamente com o Space oficial do Decision Index. O d1 não está nesse índice, então a vantagem de um ponto depende da rodada da própria Liquid. O mesmo gráfico mostra o d1 oito pontos atrás do Jev em conhecimento e raciocínio.
Como listamos. O d1 é um modelo de decisão com API tipada pública e documentada que devolve probabilidades, de um lab que o apresenta como modelo próprio. Entra no catálogo e no quadrante com 4,9 de maturidade / 6,5 de capability / 23 de adoção. Por enquanto fica abaixo do Jev (6,0 / 8,2 / 58): calibração e latência não estão documentadas, e o único benchmark é rodada própria. É aí que ele difere da OpenAI Decisions API, anunciada no mesmo dia, que não tem docs e é descrita como uma forma de usar o GPT-6 Luna; ela segue em runtimes.