Modelos · · 9 min de lectura
Liquid AI d1: decisiones con probabilidad, coste por entrada y límites de calibración
Liquid AI d1 devuelve probabilidades sobre opciones cerradas sin generar tokens de salida. Qué cambia en coste, calibración, modalidades y despliegue, con fuentes oficiales.
Revisión editorial: 29 de octubre de 2026.
Liquid AI d1 es un modelo de decisión que devuelve una distribución de probabilidades sobre opciones predefinidas sin generar tokens de salida. La documentación oficial de modelos de decisión y la página específica de d1 describen la interfaz; el anuncio oficial de Liquid AI explica su funcionamiento, sus demos y sus condiciones de uso. Las cifras de rendimiento, latencia y coste son de Liquid AI; no son mediciones independientes de agentes.ai.
TL;DR: d1 separa la decisión de la generación: recibe un estado y una o varias preguntas tipadas y devuelve probabilidades sobre un conjunto cerrado de resultados. Puede encajar cuando un LLM solo se usa para elegir entre opciones conocidas. Que no genere tokens de salida no implica que una llamada sea gratuita ni universalmente más barata: el coste depende de la entrada, de las imágenes y del volumen. Las probabilidades se anuncian como calibradas, pero deben validarse con datos propios. La adopción razonable exige comparar calidad, calibración, latencia y coste total de extremo a extremo.
Qué es d1 y cómo decide
d1 recibe un estado (texto, imágenes o ambos) y una o varias preguntas tipadas, y en una sola pasada devuelve una probabilidad para cada respuesta posible, sin decodificación autoregresiva. La interfaz documentada tiene tres primitivas:
- Noul: pregunta de sí/no, con una probabilidad entre 0 y 1.
- Choice: elección de una etiqueta entre varias, con una probabilidad por etiqueta.
- Score: posición en una escala ordenada, ponderada por la probabilidad de cada nivel.
Una misma petición puede incluir varias preguntas sobre el mismo estado, lo que ahorra tokens de entrada. Esto delimita su utilidad:
- Sí encaja cuando las opciones se conocen de antemano y existe una política para la duda o para un caso fuera de catálogo.
- No sustituye la redacción, el resumen, la planificación abierta ni la generación de una respuesta para el usuario.
- No convierte una mala taxonomía en una buena decisión: si faltan categorías o se mezclan conceptos, el modelo solo podrá elegir dentro de ese espacio incompleto.
La pregunta de diseño previa no es qué prompt usar, sino qué decisión se está automatizando, qué opciones son válidas y qué debe ocurrir cuando ninguna sea suficientemente fiable.
Qué cambia realmente en el coste
La página oficial de precios de Liquid AI, consultada el 29 de octubre de 2026, lista d1 a 0,02 USD por millón de tokens de entrada y 0 USD de salida; d1-ultra, a 0,042 USD por millón de tokens de entrada y 0 USD de salida. El anuncio de lanzamiento usaba 0,04 USD por millón de tokens de entrada para d1 en su metodología de costes, así que conviene tratar la tarifa como dependiente de la fecha y verificarla antes de presupuestar, no como un valor inmutable.
La facturación tiene dos reglas que alteran cualquier cálculo apresurado:
- d1 se factura solo por tokens de entrada; no hay tokens de salida.
- Cada pregunta se factura como su propio prompt, incluyendo su texto y todas las imágenes asociadas. Las imágenes se cuentan como tokens de entrada a 1,5 tokens por parche de 32×32 píxeles, de modo que una imagen de 1024×1024 cuesta 1.536 tokens.
Por tanto, «sin tokens de salida» elimina la decodificación, pero no el coste de entrada. No autoriza por sí solo a calcular un ahorro concreto ni a trasladar a d1 el multiplicador entre tokens de entrada y salida de otros proveedores. La comparación correcta es por decisión completada: modelo, entrada real, reintentos, llamadas al LLM que sigan siendo necesarias, revisión humana y latencia. Un sistema que acierta menos puede ser más caro aunque cada llamada individual salga más barata.
Liquid AI afirma en su anuncio que d1 iguala o supera a GPT-6.1 Sol en cuatro de seis aplicaciones reales y cuesta entre 19 y 200 veces menos, con respuestas más rápidas en todas las tareas. Esas cifras proceden de una sola ejecución por modelo el 5 de octubre de 2026, con precios de lista y sin descuentos por caché de prompt, sobre seis aplicaciones elegidas por el proveedor. Deben atribuirse a Liquid AI y no extrapolarse a una carga de trabajo distinta sin medirla.
Probabilidades calibradas: una propiedad que hay que validar
Una probabilidad está bien calibrada cuando las predicciones agrupadas en torno a 0,8 aciertan aproximadamente el 80% de las veces en la población evaluada. Esa propiedad permite diseñar umbrales con una relación más clara entre score y frecuencia de acierto.
No basta con que el modelo devuelva números que sumen uno ni con una afirmación de confianza en texto. En una prueba de producción conviene:
- Reservar ejemplos representativos con resultados conocidos.
- Medir calibración global y por segmentos relevantes, no solo exactitud.
- Usar métricas adecuadas al problema, como Brier score o error de calibración.
- Repetir la evaluación cuando cambien los datos, las categorías o el contexto.
- Definir una zona de abstención y revisión humana a partir del coste de cada tipo de error.
La calibración puede degradarse con el drift. Además, una probabilidad no explica por qué se eligió una opción ni sustituye la documentación, los controles o la revisión exigidos en un proceso regulado. No se ha encontrado una validación independiente de la calibración de d1 en dominios concretos; la afirmación de calibración es del proveedor.
Modalidades, latencia y disponibilidad
El d1 alojado admite texto e imágenes; la visión se añadió el 5 de octubre de 2026. El audio no pertenece a d1 alojado: las capacidades de audio corresponden a la variante open-weight d1-omni. Un agente de voz con intenciones fijas es un caso candidato, pero hay que comprobar la integración disponible, la calidad con audio y contexto reales, la latencia completa y una vía de abstención o derivación.
La latencia publicada para una decisión de texto es de 200 a 300 ms, suficiente para aplicaciones en tiempo real. Es una cifra del proveedor, no una medición independiente.
El d1 alojado es solo API. Las variantes open-weight d1-3B y d1-omni-600M se publican bajo la LFM Open License: gratuitas para empresas con menos de 10 millones de USD de ingresos anuales y con licencia enterprise por encima de ese umbral. No deben confundirse con el servicio alojado: modelos, licencias, modalidades y latencias son distintas.
Dónde puede encajar en una arquitectura de agentes
Estos son casos candidatos para evaluar, no resultados de despliegues atribuidos a d1:
- Triaje de tickets: elegir categoría, urgencia o equipo cuando las taxonomías están bien definidas.
- Enrutado de intención: seleccionar una intención conocida y derivar los casos ambiguos.
- Selección de herramienta: repartir probabilidad entre funciones disponibles y mantener una salida segura si ninguna supera el umbral.
- Scoring discreto: asignar una banda predefinida, siempre que existan etiquetas fiables para evaluarla.
Una división útil del stack reserva d1 para la elección estructurada y el LLM para las partes que realmente necesitan lenguaje. Si la tarea es puntuar acciones candidatas frente a un estado, el planteamiento de CLM-8B ofrece una comparación próxima: ambos evitan generar una explicación cuando solo se necesita una señal de decisión, pero sus entradas y salidas no son idénticas.
Comparativa práctica: d1 frente a un LLM generativo
| Criterio | d1, según lo documentado | LLM generativo |
|---|---|---|
| Salida | Distribución sobre opciones fijas | Texto o estructuras generadas |
| Generación de salida | Sin tokens de salida | Decodificación de tokens |
| Caso principal | Clasificación y elección dentro de un catálogo | Lenguaje, síntesis y tareas abiertas |
| Incertidumbre | Explícita; calibración pendiente de validación en el dominio | Una confianza expresada en texto no equivale a calibración |
| Catálogo incompleto | Necesita abstención o rediseño de opciones | Puede responder fuera del catálogo, con otros riesgos |
| Auditoría | Registrar entradas, opciones, scores y umbral | Registrar entradas, salidas, versión y controles; el texto no basta |
La tabla no convierte a d1 en ganador universal. La elección depende de si el problema es verdaderamente cerrado y de qué motor ofrece mejores resultados totales en la evaluación.
Guía de decisión antes de un piloto
1. Acotar la decisión. Documentar opciones, ejemplos fronterizos, opción de abstención y consecuencias de falsos positivos y falsos negativos.
2. Conservar un baseline. Comparar con el sistema actual —LLM, clasificador o reglas— sobre los mismos casos, sin retirar los controles durante la prueba.
3. Evaluar más que accuracy. Medir calibración, cobertura de automatización, errores por segmento y comportamiento ante entradas fuera de distribución.
4. Medir operación completa. Registrar latencia total, coste por decisión, reintentos y porcentaje derivado a otra capa.
5. Diseñar mantenimiento. Asignar responsable de revisar drift, taxonomía, umbrales y recalibración. Si nadie puede asumirlo, el piloto todavía no está listo para producción.
Preguntas frecuentes sobre Liquid AI d1
¿Qué es Liquid AI d1 exactamente?
Es un modelo de decisión alojado que, según la documentación oficial, recibe un estado y una pregunta tipada y devuelve probabilidades sobre resultados predefinidos, sin generar tokens de salida. Está pensado para elecciones estructuradas, no para generación de texto.
¿Cuánto cuesta d1 comparado con un LLM?
La página oficial de precios, consultada el 29 de octubre de 2026, lista d1 a 0,02 USD por millón de tokens de entrada y 0 USD de salida; d1-ultra, a 0,042 USD por millón de tokens de entrada y 0 USD de salida. El anuncio de lanzamiento usaba 0,04 USD para d1, por lo que la tarifa debe verificarse en la fecha de presupuesto. La ausencia de tokens de salida elimina esa decodificación, pero el ahorro depende del precio de la llamada, del procesamiento de entrada (incluidas las imágenes), de la infraestructura y de la calidad obtenida. Debe compararse el coste por decisión completada con tarifas verificadas.
¿d1 sustituye a GPT o Claude?
No como sustituto general. Puede asumir una decisión cerrada dentro de un pipeline y dejar el LLM para redacción, resumen o razonamiento abierto. La conveniencia de esa separación debe demostrarse en cada flujo.
¿Se puede usar d1 en un agente de voz?
El d1 alojado admite texto e imágenes; el audio corresponde a d1-omni, una variante open-weight. Un agente de voz con intenciones fijas es un caso candidato para evaluar este tipo de decisión, pero antes hay que comprobar la integración disponible, la calidad con audio y contexto reales, la latencia completa y una vía de abstención o derivación.
¿Qué significa que las probabilidades estén calibradas?
Que el score guarda una relación medible con la frecuencia real de acierto: entre predicciones cercanas a 0,8, aproximadamente un 80% debería ser correcto en una evaluación representativa. No es una garantía por llamada, debe validarse con datos propios y revisarse con el tiempo y por segmentos.
¿Es d1 open source?
El servicio alojado d1 no es open source. Las variantes open-weight d1-3B y d1-omni-600M se publican bajo la LFM Open License, con condiciones distintas de licencia y despliegue. No conviene confundir el modelo alojado con los pesos abiertos.
Temas relacionados en agentes.ai
Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:
- Directorio de agencias de agentes de voz
- Agencias de IA en Sevilla y en Zaragoza
- Explora el directorio completo de agencias de IA
- Sigue las últimas noticias de IA en tiempo real