Elige un compañero y descubre su opinión sobre esta noticia
Artículos relacionados
Liquid AI ha publicado modelos de decisión d1 de pesos abiertos diseñados para ejecutar inferencia multimodal directamente en hardware edge — teléfonos, laptops y chips embebidos — sin enviar datos a un servidor en la nube. Para creadores que quieren inferencia local más rápida y privada en sus flujos de trabajo, esto representa un cambio arquitectónico significativo.
Puntos clave
Los modelos d1 abiertos de Liquid AI son modelos de decisión multimodales de pesos abiertos construidos específicamente para despliegue edge, no infraestructura en la nube.
Los modelos procesan múltiples tipos de entrada — texto, imagen y datos estructurados — dentro de una sola pasada de inferencia en hardware limitado.
«Pesos abiertos» significa que los pesos son descargables públicamente y pueden ejecutarse localmente, modificarse o ajustarse sin una suscripción de API.
El despliegue edge significa menor latencia, sin costo por llamada de API, y sin datos saliendo del dispositivo — relevante para procesar por lotes grandes conjuntos de imágenes localmente.
Los modelos están alojados en Hugging Face, haciéndolos inmediatamente accesibles para creadores que ya usan el Hub para gestión de modelos.
Qué hace diferente la arquitectura d1 realmente
La mayoría de modelos multimodales están diseñados para GPUs de centros de datos y se acceden a través de una API. Los modelos d1 de Liquid AI están construidos alrededor de una prioridad diferente: ejecutar un bucle de decisión completo — percibir entradas, razonar, producir una salida — en hardware con presupuestos ajustados de memoria y cómputo. Según el post del blog de Hugging Face, la familia d1 usa la arquitectura propietaria de Liquid AI (derivada de Redes Neuronales Líquidas) en lugar de una estructura transformer estándar, lo cual es parte de cómo logra la huella de memoria más pequeña.
El resultado práctico: un creador ejecutando una configuración local de ComfyUI o Automatic1111 podría, en principio, insertar un modelo d1 en un nodo de flujo de trabajo que tome decisiones de enrutamiento de imágenes o subtitulado — sin que ese paso llegue a una API externa o añada latencia de la nube.
Los modelos d1 abiertos de Liquid AI procesan texto, imagen y datos estructurados en una sola pasada de inferencia en hardware edge.
El detalle de pesos abiertos que cambia las matemáticas de costos
Pesos abiertos es la palabra clave aquí. Descargas los pesos una vez, los ejecutas en tu propio hardware, y no pagas nada por inferencia. Para un creador que procesa por lotes cientos de imágenes — generando subtítulos, enrutando salidas por tipo de contenido, o ejecutando verificaciones automáticas de calidad — eliminar las tarifas por llamada de API se acumula rápidamente. Compara eso con el acceso a modelos con suscripción que se ha vuelto común en otros lugares: Google recientemente restringió a usuarios gratuitos de Gemini a su nivel más ligero Flash Lite, como se cubrió en nuestro reporte sobre los cambios del plan gratuito de Google.
El ajuste fino también está sobre la mesa. Porque los pesos son abiertos, un creador trabajando en un nicho específico — visualización arquitectónica, generación de hojas de personajes, fotografía de productos — podría ajustar un modelo d1 con datos específicos del dominio para hacer sus decisiones de enrutamiento o subtitulado más precisas para ese caso de uso exacto.
Dónde encaja esto en un pipeline local real
Considera un creador de arte de personajes que genera 200 imágenes en un lote y necesita clasificar automáticamente las salidas por nivel de calidad antes del escalado. Hoy eso usualmente significa revisión manual o una llamada de API a un modelo de visión para cada imagen. Un modelo d1 ejecutándose localmente podría manejar ese paso de clasificación en la misma máquina haciendo la generación — sin salto de red, sin costo por imagen, sin datos saliendo del estudio.
La configuración aún no es plug-and-play. Necesitarás descargar los pesos de Hugging Face, confirmar que tu hardware cumple los requisitos de memoria que especifica Liquid AI, y conectar el modelo a tu pipeline manualmente. Si ya te sientes cómodo descargando modelos del Hub y ejecutando scripts de inferencia, la fricción es baja. Si eres nuevo en el despliegue de modelos locales, las guías de Charmloop cubren los fundamentos de hacer funcionar modelos de pesos abiertos localmente.
Dónde están las brechas
El lanzamiento d1 está en etapa temprana. Los números de benchmark contra modelos edge comparables — los modelos en dispositivo de Apple, el stack de IA edge de Qualcomm, o la serie Phi de Microsoft — aún no están ampliamente disponibles para comparación directa. La arquitectura de Liquid AI también está menos probada en batalla en pipelines creativos que los modelos basados en transformer que tienen años de herramientas comunitarias a su alrededor. Espera algo de rugosidad de integración antes de que las comunidades más amplias de ComfyUI y Automatic1111 construyan nodos estandarizados para ello.
Dicho eso, los modelos multimodales de pesos abiertos optimizados para hardware edge siguen siendo lo suficientemente escasos como para que la familia d1 llene una brecha real — particularmente para creadores que han estado esperando una opción ejecutable localmente que maneje más que solo texto. Explora lo que está disponible para tus propios flujos de trabajo de generación de imágenes mientras las herramientas comunitarias se ponen al día.
