INTELIGÊNCIA ARTIFICIAL. PENSAMENTO CRÍTICO.Acompanhe por RSS
AnálisesANÁLISE COM FONTES

Open d1 ou EmbeddingGemma 2: decisões estruturadas ou busca multimodal local?

Entenda quando avaliar os modelos open d1 para classificar entradas e quando usar EmbeddingGemma 2 para recuperar conteúdo, com limites para português brasileiro.

EM POUCAS LINHAS

  • O open d1 é voltado a respostas estruturadas para perguntas definidas pela aplicação.
  • EmbeddingGemma 2 aproxima consultas e conteúdos multimodais para busca e recuperação.
  • Embeddings também podem participar de fluxos de classificação; não há comparação direta entre os modelos.
  • Faltam evidências específicas para português brasileiro e confirmação dos requisitos no equipamento pretendido.

A escolha começa pela saída desejada. Se a aplicação precisa responder a uma pergunta definida — como qual fila deve receber uma solicitação —, vale examinar um modelo de decisão. Se precisa encontrar itens semelhantes a uma consulta em um acervo, faz mais sentido começar por embeddings. Essa distinção orienta a avaliação, mas não estabelece que uma família seja incapaz de cumprir tarefas da outra.

A Liquid AI anunciou os modelos d1-3B e d1-omni-600M em 7 de outubro de 2026. O anúncio do EmbeddingGemma 2, publicado pelo Google em 6 de outubro de 2026, serve aqui de referência comparativa, não de segundo lançamento inédito para esta análise. O acervo já traz um guia para avaliar buscas multimodais com EmbeddingGemma 2 em português brasileiro; a questão agora é distinguir esse fluxo da decisão estruturada.

Quando uma decisão pronta é o objetivo

Segundo a Liquid AI, os modelos open d1 respondem em uma única passagem, sem gerar tokens como seus modelos generativos. Em vez de pedir uma resposta livre e depois interpretá-la, a aplicação pode definir previamente perguntas e critérios. No exemplo publicado pela empresa, o d1-3B recebe o texto de uma solicitação e responde a perguntas nomeadas sobre reembolso, encaminhamento a uma equipe e urgência, com formatos de escolha e pontuação. Trata-se de uma proposta para decisões delimitadas, não de uma garantia de acerto para qualquer política de atendimento.

As entradas também importam: o d1-3B aceita texto e imagem; o d1-omni-600M aceita texto com imagem ou texto com áudio e é apresentado como versão experimental em estágio inicial de pesquisa. Portanto, uma tarefa que envolva áudio aponta para a avaliação do omni dentro das combinações descritas, mas o anúncio não autoriza presumir que ele tenha a mesma maturidade do d1-3B. Tampouco demonstra que qualquer dos dois interpretará corretamente categorias próprias de uma organização.

Quando encontrar o conteúdo importa mais

O Google descreve o EmbeddingGemma 2 como um modelo que mapeia combinações de texto, imagem, áudio e vídeo para um espaço compartilhado de embeddings. Nesse fluxo, a aplicação representa consultas e itens do acervo como vetores e procura correspondências por similaridade. É uma escolha natural quando a pergunta é qual registro, gravação ou trecho se aproxima do que o usuário buscou, em vez de qual rótulo fixo atribuir à entrada.

O anúncio cita localizar um trecho de vídeo a partir de áudio e pesquisar gravações de áudio usando texto. Para uma biblioteca mantida no dispositivo, isso sugere avaliar a relevância dos resultados, o processamento do acervo e o armazenamento dos vetores. Gerar embeddings localmente permite projetar uma busca que funcione sem conexão, conforme o Google descreve; isso não prova, por si só, que uma aplicação inteira seja privada ou opere offline, pois essas propriedades dependem dos demais componentes.

A fronteira entre busca e classificação não é rígida

Seria enganoso resumir a escolha a d1 para classificar e EmbeddingGemma 2 exclusivamente para buscar. O Google também propõe usar EmbeddingGemma 2 em mecanismos de classificação e roteamento por meio da MediaPipe Decision Task API. Assim, quem já precisa indexar um acervo pode investigar se o mesmo fluxo atende a decisões posteriores. A fonte não demonstra, porém, que essa configuração e o open d1 produzam resultados equivalentes para a mesma entrada.

Um exemplo hipotético ajuda a separar as perguntas: numa aplicação que recebe relatos de clientes em texto e fotos, decidir se cada relato deve ir para atendimento técnico ou financeiro é uma tarefa de classificação com critérios explícitos; recuperar relatos parecidos para consulta de um atendente é uma tarefa de busca. É possível querer ambas. A avaliação deve medir cada saída separadamente, inclusive casos ambíguos e consequências de encaminhamentos errados, antes de escolher um fluxo único ou combinar abordagens.

O que conferir antes de usar localmente no Brasil

Disponibilidade anunciada não equivale a adequação técnica. A Liquid AI afirma que os pesos dos dois modelos d1 estavam disponíveis no Hugging Face na data do anúncio; isso não confirma licença específica de uso dos pesos nem compatibilidade com o equipamento do leitor. Seu exemplo para d1-3B exige transformers na versão 5.14 ou superior e carrega código fornecido com o modelo, usando trust_remote_code=True. Antes de adotar esse procedimento em um ambiente de trabalho, é prudente avaliar a procedência e as implicações de executar esse código.

Para o outro lado da comparação, o Google anuncia os pesos do EmbeddingGemma 2 no Hugging Face e no Kaggle, descreve uma licença Apache 2.0 e indica ferramentas de implantação local. Essas informações não substituem a verificação dos artefatos, da configuração necessária e dos termos aplicáveis ao caso concreto. A disponibilidade ou o suporte específico no Brasil não ficam estabelecidos pelos anúncios.

Por fim, desempenho divulgado não é comparação controlada. A Liquid AI relata avaliações de texto, mas não publica benchmarks de visão ou áudio dos d1 no artigo nem números de velocidade para o d1-omni-600M. As publicações não apresentam um confronto dos produtos sob as mesmas tarefas e condições, nem comprovam qualidade em português brasileiro para o uso pretendido. Para entradas locais em português brasileiro, permanece necessário testar, com dados representativos e critérios previamente definidos, tanto o acerto das decisões quanto a relevância da recuperação. As datas acima são de publicação dos anúncios, não datas de um estudo comparativo entre os modelos.

Fontes e referências

  1. Multimodal open d1 decision models for the edgehuggingface.co · Consultado em 08/10/2026
  2. EmbeddingGemma 2 is a best-in-class open model for natively multimodal embeddingsblog.google · Consultado em 08/10/2026
Transparência editorial. Este texto foi pesquisado, redigido e revisado com agentes de IA. A revisão automatizada confere fontes, consistência e clareza; não equivale a uma auditoria humana independente. Resultados de terceiros são identificados. Conheça a política editorial.
Compartilhar no WhatsAppSugerir correção