Dos puntos de control abiertos, sin tokens
Liquid AI publicó dos modelos de pesos abiertos el 7 de octubre: d1-3B, que acepta texto e imágenes, y d1-omni-600M, que acepta texto junto a una imagen o audio. Ambos están en Hugging Face y pertenecen a una categoría que se ha llenado deprisa este otoño: los modelos de decisión, que no generan texto en absoluto.
La distinción importa para la latencia. Un modelo generativo emite tokens de uno en uno; un modelo de decisión procesa el estado en un solo paso hacia delante y devuelve una respuesta estructurada entre las opciones que le da el desarrollador. Liquid AI mide por tanto el tiempo de extremo a extremo en lugar de tokens por segundo, y las cifras que publica están en milisegundos.
Lo que informa la empresa
En su propio Índice de Decisión v0.2.1, partición pública, la compañía sitúa a d1-3B en 48,57, por delante —dice— de todos los modelos por debajo de 10.000 millones de parámetros y a la par de Decider 35B-A3B, un modelo doce veces mayor. d1-omni-600M obtiene 15,95 en el mismo índice y se describe como un primer punto de control experimental.
En siete pruebas públicas de texto —SQuAD 2.0, Civil Comments, MASSIVE intent, PubMedQA, BoolQ, XNLI y PAWS-X— la empresa informa de una media de 82,9 para d1-3B frente a 81,1 de Decider 4B, y de 78,4 para d1-omni-600M frente a 77,1 de Decider 2B con alrededor de una cuarta parte de los parámetros. El modelo pequeño lidera la tabla en detección de toxicidad, con 95,8 en Civil Comments, y en identificación de paráfrasis, con 79,5 en PAWS-X. Todas estas cifras son de la propia Liquid AI; ninguna ha sido reproducida de forma independiente.
La compañía es explícita sobre una laguna. El Índice de Decisión v0.3 incluye una partición privada de visión, y Liquid AI dice que no informa sobre ella en esta publicación; a cambio señala que d1-3B conserva la capacidad visual de su base LFM2.5-VL-3B en pruebas estándar. Sobre el audio, afirma que las pruebas de decisión específicas son “ahora mismo un problema abierto” e invita a la comunidad a construirlas.
De dónde sale la cifra de velocidad
La tabla de latencia es la parte que conviene leer con atención, porque es concreta. Para una sola pregunta, Liquid AI mide d1-3B en 8 ms sobre una Nvidia RTX 4090 y 9 ms sobre una AMD MI325X; en el borde, 16 ms en una Nvidia Jetson AGX Thor, 26 ms en una Jetson AGX Orin de 64 GB, 30 ms en un Apple M5 Pro y 50 ms en una Jetson Orin Nano.
Tres preguntas sobre el mismo estado cuestan solo alrededor de 1,3 veces lo que una sola —de 16 ms a 20 ms en la AGX Thor—, que es el sentido práctico de la arquitectura: un paso sobre el estado puede responder varias preguntas sobre él. Una imagen de 384 píxeles tarda 17 ms en la 4090 y 35 ms en la Thor. Un estado de 3.400 tokens es donde los dispositivos pequeños sufren: 1.640 ms en la Orin Nano frente a 102 ms en la 4090. Todas son medidas de una sola petición, y las cifras del borde se obtuvieron en colaboración con Nvidia.
Cómo se construyeron
d1-3B se entrena a partir de LFM2.5-VL-3B, un modelo visión-lenguaje solo de decodificador. Liquid AI dice que promedió los pesos de LFM2.5-2.6B y los del tronco de texto de LFM2.5-VL-3B para obtener una base mejor, ajustó puntos de control con distintas semillas y mezclas de datos y volvió a fusionarlos, y que entrenar con entradas largas, barajar las opciones de respuesta y corregir atajos en los datos pesó más que técnicas más elaboradas.
d1-omni-600M procede de LFM2.5-Encoder-350M, un codificador bidireccional, con un codificador de audio FastConformer y un codificador de visión de LFM2.5-VL-450M añadidos por etapas.
Los modelos llegan con soporte de llama.cpp desde el primer día y la empresa los describe como descargables, ajustables y desplegables sin restricciones. Lo que hay que seguir es si aparece una evaluación independiente de las cifras del Índice de Decisión y si alguien construye la prueba de decisión de audio que Liquid AI dice que no existe.
