Los modelos de decisión responden en milisegundos: Jev cuesta 0,042 $ por millón de tokens
Los Decision Models son modelos de decisión: no redactan la respuesta con palabras, sino que devuelven directamente probabilidades para cada opción. Por ejemplo, ante la queja «se me cobró el pedido, pero no aparece», el modelo responde «soporte técnico: 87 %, contabilidad: 10 %» y nada más. El primero de ellos, Jev, de TypeSafe AI, costó al lanzarse 0,042 $ por millón de tokens de entrada, mientras que los de salida no se tarifaban. Por eso, en los agentes conviene delegar las decisiones rutinarias en un modelo así y reservar los casos complejos para un LLM grande.
Procesado por IA desde Habr AI; editado por Hamidun News
Imagine que desarrolla un agente de IA para atención al cliente. El cliente escribe: «Ayer pagué el pedido, el dinero se cobró, pero en mi cuenta personal no aparece el pedido». El agente solo necesita decidir a quién derivar la consulta, pero para ello recurre a un modelo de lenguaje caro que primero razona durante tres párrafos.
En otoño de 2026 surgió una clase específica de soluciones para este problema: los Decision Models, es decir, modelos de decisión. No conversan con las personas ni redactan texto, sino que devuelven probabilidades para opciones predefinidas. El primero en salir, en septiembre, fue Jev, de la empresa TypeSafe AI, que cuesta 0,042 $ por millón de tokens de entrada (un token es aproximadamente un fragmento de palabra), mientras que los datos de salida no se tarifaban al lanzamiento.
A modo de comparación, Gemini Decision 1, de Google, cobra 0,10 $ por millón de tokens de entrada.
Qué hace un modelo así con un ejemplo sencillo
El nombre alude al libro de Daniel Kahneman: el «Sistema 1» es el pensamiento intuitivo y rápido, y el «Sistema 2», el lento y deliberado. Los Decision Models, o System One Models, son la parte «rápida» de la IA. Ante la queja sobre el dinero cobrado, el modelo devuelve solo cifras: soporte técnico: 87 %, contabilidad: 10 %, envíos: 2 %, ventas: 1 %. Sin explicaciones, solo lo que el programa puede usar de inmediato.
La mayoría de los modelos resuelven tres tipos de tareas:
- Choice: elegir una opción de una lista, por ejemplo, a quién derivar la consulta o qué acción ejecutar a continuación.
- Yes/No: verificar una condición, como si un documento cumple los requisitos, si hay un error en una respuesta o si hace falta una persona.
- Score: valorar en una escala, por ejemplo, la urgencia de una tarea o el grado en que un documento se ajusta a una consulta.
Muchos modelos aceptan varias preguntas a la vez sobre un mismo objeto y responden en una sola consulta.
En qué se diferencia de un clasificador y de un LLM
Los clasificadores existen desde hace tiempo: regresión logística, bosques aleatorios, CatBoost. Pero un modelo antifraude entrenado con transacciones no puede valorar la calidad de una respuesta de soporte: para una tarea nueva hace falta otro modelo o un reentrenamiento. Un Decision Model intenta combinar la versatilidad de un LLM con la comodidad de un clasificador. Las opciones de respuesta y los criterios se definen directamente en la consulta, sin reentrenar nada. El autor advierte que, para tareas estables y bien definidas, un clasificador especializado puede resultar más preciso, más rápido y más barato.
Frente a un LLM convencional, los nuevos modelos tienen cuatro ventajas:
- Velocidad. Un LLM genera la respuesta token a token, aunque solo haga falta un «sí» o un «no». Muchos Decision Models evalúan las opciones en una sola pasada de la red, y la respuesta llega en decenas o cientos de milisegundos.
- Precio. Liquid d1-ultra cuesta aproximadamente lo mismo que Jev. Para una sola consulta la diferencia es pequeña; para millones de decisiones diarias, se nota.
- Formato. La respuesta se limita al conjunto de opciones definido. Pero un formato correcto no garantiza una decisión acertada: estos modelos también se equivocan.
- Confianza. Las probabilidades permiten resolver automáticamente los casos sencillos y enviar los complejos a un modelo potente o a una persona. Si un modelo dice «90 %» cien veces, debería acertar en unos 90 casos. Esto hay que comprobarlo con datos propios.
Quién ya ha lanzado modelos
La ola empezó el 15 de septiembre de 2026 con Jev; TypeSafe AI la fundó Diogo Almeida, antiguo empleado de OpenAI. Después llegaron Tev1, de Together AI (22 de septiembre), el modelo abierto Kev (24 de septiembre), Clef, de Cloudflare (1 de octubre), la d1 multimodal de Liquid AI (5 de octubre), Liquid d1-ultra (15 de octubre), Decisions API de OpenAI (22 de octubre) y Gemini Decision 1 (11 de noviembre). El 17 de noviembre salió Liquid AI d1.2.
Se accede por API a Jev, Liquid d1.1 y d1-ultra, Gemini Decision 1 (texto, imágenes, audio, vídeo y PDF), la Decisions API de OpenAI basada en GPT-6 Luna, Perplexity Decider y Decider Flash v1.3, así como a la familia Clef, Clef-flash y Clef-omni.
Se pueden desplegar en local Kev 4B, basado en Qwen3.5, Liquid d1-2B y d1-Omni-2B, el experimental d1-omni-600M de 600 millones de parámetros, Perplexity Decider Flash, la familia Laya basada en ModernBERT y mmBERT, los pesos abiertos de Clef y Clef-flash, y Tev1 4B y 0.8B. Por dentro están construidos de forma distinta: unos no generan tokens, y otros son modelos de lenguaje ajustados que responden con una salida muy corta.
Qué hacer con esto
El esquema más evidente para los agentes es el de «cerebro y reflejos». Un LLM potente diseña la estrategia y los planes, mientras que un Decision Model pequeño elige constantemente el siguiente paso y solo llama al modelo grande en situaciones no estándar. Otras aplicaciones: enrutar consultas entre agentes, seleccionar herramientas, verificar las respuestas de otros modelos, evaluar código, moderar contenido y detectar intentos de manipular al agente.
También hay limitaciones. El autor aún no ha presentado tablas comparativas propias y promete incluirlas en una continuación, así que las cifras de calidad deberá verificarlas usted mismo. Empiece con un conjunto pequeño de ejemplos etiquetados de su propio flujo y compare las decisiones del modelo con el etiquetado manual. Después, compruebe la calibración: si la confianza declarada coincide con la proporción real de respuestas correctas. Solo entonces fije el umbral por debajo del cual la decisión pasa a un modelo grande o a una persona.
- 21 nov 2026OpenAI revisa sus prompts para GPT-6.2: menos preguntas, menos pruebas
- 21 nov 2026CoreWeave debe $47.000 millones por los chips de Nvidia y pierde $709 millones en un trimestre
- 21 nov 2026Apple prepara un agente de IA y complica el acceso a los de terceros: el permiso ahora requiere 14 pasos, no 4
- 21 nov 2026Un desarrollador prescinde de Pinecone: búsqueda en 72 450 fragmentos de código en 50 ms
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hace un modelo así con un ejemplo sencillo?
El nombre alude al libro de Daniel Kahneman: el «Sistema 1» es el pensamiento intuitivo y rápido, y el «Sistema 2», el lento y deliberado. Los Decision Models, o System One Models, son la parte «rápida» de la IA. Ante la queja sobre el dinero cobrado, el modelo devuelve solo cifras: soporte técnico: 87 %, contabilidad: 10 %, envíos: 2 %, ventas: 1 %. Sin explicaciones, solo lo que el programa puede usar de inmediato.
¿Qué se sabe sobre En qué se diferencia de un clasificador y de un LLM?
Los clasificadores existen desde hace tiempo: regresión logística, bosques aleatorios, CatBoost. Pero un modelo antifraude entrenado con transacciones no puede valorar la calidad de una respuesta de soporte: para una tarea nueva hace falta otro modelo o un reentrenamiento. Un Decision Model intenta combinar la versatilidad de un LLM con la comodidad de un clasificador. Las opciones de respuesta y los criterios se definen directamente en la consulta, sin reentrenar nada.
¿Qué se sabe sobre Quién ya ha lanzado modelos?
La ola empezó el 15 de septiembre de 2026 con Jev; TypeSafe AI la fundó Diogo Almeida, antiguo empleado de OpenAI. Después llegaron Tev1, de Together AI (22 de septiembre), el modelo abierto Kev (24 de septiembre), Clef, de Cloudflare (1 de octubre), la d1 multimodal de Liquid AI (5 de octubre), Liquid d1-ultra (15 de octubre), Decisions API de OpenAI (22 de octubre) y Gemini Decision 1 (11 de noviembre). El 17 de noviembre salió Liquid AI d1.2.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.