Modelos de decisión: la nueva categoría que eliminó los tokens de salida — d1 de Liquid AI y Julia 1

La categoría que nació con Jev ya tiene competidores serios

Cuando cubrimos el lanzamiento de Jev —el modelo de decisión de TypeSafe AI que prometía ser hasta 400 veces más barato que un LLM—, la categoría tenía un solo habitante. Un mes después, ya es un ecosistema: Liquid AI lanzó d1 (29 de septiembre), Supersonic Labs presentó Julia 1 (26 de septiembre), y Hugging Face ya mantiene un Jev Decision Index para rankearlos. La tesis se valida: si tu problema es elegir entre opciones conocidas, generar texto es un desperdicio estructural.

d1 de Liquid AI: decisiones sin escribir una palabra

d1 es la apuesta más pulida de la categoría. El mecanismo elimina por completo la generación:

1. Le das contexto no estructurado — texto, imágenes o ambos.
2. Añades una o más preguntas tipadas sobre ese contexto.
3. El modelo hace un único forward pass y devuelve probabilidades calibradas sobre un conjunto fijo de resultados.
4. Cero tokens generados: sin texto intermedio, sin JSON que parsear, sin schemas que validar.

La API se apoya en tres primitivas que cubren el 90% de los casos de decisión:

Con contexto de 32K tokens —ampliado en octubre con visión nativa—, d1 debutó en el #1 del Jev Decision Index de Hugging Face. El argumento económico es demoledor: donde un LLM genera 200 tokens de razonamiento para responder "sí", d1 devuelve la probabilidad en una sola pasada.

Julia 1 de Supersonic: decisiones en tu CPU

El mismo día de la semana anterior, Supersonic Labs liberó Julia 1: un modelo de decisión open-weight de solo 144,3 millones de parámetros que corre en una CPU común, sin GPU. La jugada es la extremo de la categoría: si las decisiones no necesitan generación, tampoco necesitan datacenters — pueden vivir embebidas en cualquier servidor, router o dispositivo. Para cargas masivas de routing y clasificación (millones de decisiones diarias), el costo marginal tiende a cero absoluto.

Por qué esta categoría cambia la arquitectura de productos

• El patrón actual es un hack: la mayoría de los equipos usa un LLM generativo + prompt "responde solo con JSON" + parsing + validación de schema + retry. Cada paso agrega latencia, costo y modos de fallo.
• Calibración > fluidez: un modelo de decisión devuelve "0,87" que significa 87%, no un texto confiado que puede estar mal. La calibración de probabilidades es la métrica que importa, y estos modelos se entrenan específicamente para ella.
• Latencia plana: sin generación, el tiempo de respuesta no crece con la complejidad de la respuesta — es una pasada de red neuronal.
• El rollback es trivial: la guía oficial de Liquid es una migración directa desde llamadas LLM existentes.

d1 vs Jev vs Julia 1: el mapa de la categoría

Qué significa para Latinoamérica

• El caso de uso perfecto: cualquier producto con moderación, routing de tickets, scoring de riesgo o triage médico puede reemplazar su llamada LLM más cara por una decisión calibrada — el ahorro de 10-100x va directo al margen.
• Julia 1 en la región: correr en CPU lo hace viable para cualquier PyME con un servidor modesto, sin facturas de API ni datos saliendo del país.
• Diseño de productos: la pregunta nueva en cada feature de IA debería ser: "¿esto necesita texto o solo una decisión?". Cada vez que la respuesta es "decisión", esta categoría gana.

Preguntas frecuentes

• ¿Qué es un modelo de decisión? Un modelo que, en lugar de generar texto, evalúa una situación y devuelve probabilidades calibradas sobre un conjunto fijo de resultados en una sola pasada, sin generar tokens.
• ¿Qué es d1 de Liquid AI? El modelo de decisión de Liquid AI: acepta texto e imágenes, responde preguntas tipadas con las primitivas Noul, Choice y Score, y lidera el Jev Decision Index.
• ¿Qué es Julia 1? Un modelo de decisión open-weight de 144,3M de parámetros de Supersonic Labs que corre en CPU, sin GPU ni API.
• ¿Qué relación tienen con Jev? Jev (TypeSafe AI) inauguró la categoría en septiembre de 2026 prometiendo decisiones hasta 400x más baratas que GPT; d1 y Julia 1 la convierten en ecosistema.
• ¿Cuándo conviene un modelo de decisión vs un LLM? Cuando conoces las posibles respuestas de antemano (clasificar, rutear, puntuar). Si necesitas texto libre, sigue siendo territorio LLM.

Fuentes y referencias

• Liquid AI: Introducing d1
• Documentación de decision models
• MarkTechPost: análisis de d1
• MarkTechPost: Julia 1 en CPU