# Liquid AI lança RIPL para executar modelos em tarefas de tempo real

Anúncio de 22 de outubro cita buscas e recomendações; motor atende implantações empresariais em GPUs NVIDIA e apresenta testes da própria fabricante.

Autoria: Angelo Sebastião Silva Goncalves
Publicado: 2026-10-23T16:20:20.741Z
Revisado: 2026-10-23T16:20:20.741Z
URL canônica: https://nextags.com.br/news/liquid-ai-ripl-modelos-tarefas-tempo-real/

A Liquid AI anunciou em 22 de outubro o RIPL, motor de execução para seus Liquid Foundation Models. O [anúncio oficial](https://www.liquid.ai/blog/low-latency) cita buscas e recomendações de produtos como aplicações.

O produto atende implantações empresariais em GPUs NVIDIA. A empresa divulga respostas completas abaixo de 50 milissegundos e compara LFM/RIPL com Qwen/vLLM, combinações diferentes de modelos e motores. Os resultados são da fabricante.

A Shopify é citada como usuária de LFMs em produção, sem confirmação de uso do RIPL.

## Modelo e forma de execução são escolhas distintas

A [documentação atual da biblioteca Liquid](https://docs.liquid.ai/lfm/models/complete-library) separa famílias de modelos por entrada e saída. Há modelos de texto para conversa, chamadas de ferramentas, saída estruturada e classificação; modelos de visão e áudio atendem outros formatos. A página também reúne modelos de decisão voltados a classificação, encaminhamento e pontuação.

O guia recomenda escolher primeiro a família adequada à tarefa e depois o ambiente de execução. Para texto e visão, relaciona alternativas como Transformers, vLLM, SGLang, llama.cpp e MLX, enquanto outras famílias possuem suporte mais restrito.

Essa documentação descreve o catálogo e caminhos de implantação. Não apresenta esses ambientes como um lançamento do RIPL nem garante que a mesma configuração sirva para qualquer modelo ou equipamento.

## Como interpretar o ganho para aplicações de comércio

Na avaliação editorial da Nextags, o interesse para equipes de comércio está em reduzir a espera dentro de uma interação: uma busca de produto exige um ritmo diferente da elaboração de um relatório longo. Ainda assim, uma medição de execução do modelo não resume a experiência inteira do consumidor.

Uma avaliação prática precisa definir a tarefa, o volume de solicitações e a qualidade esperada da resposta. Também deve considerar o tempo gasto nas demais etapas da aplicação, como consulta ao catálogo e entrega do resultado à tela.

As comparações divulgadas trocam mais de um componente ao mesmo tempo. Por isso, não permitem atribuir a diferença inteira apenas ao motor de execução. Para uma operação de marketing ou vendas, o anúncio oferece uma opção de infraestrutura a investigar; ganhos de conversão ou economia exigem evidências específicas da aplicação. O critério final deve combinar tempo de resposta, erros observados e custo de operação.

## Fontes
- [Liquid AI — anúncio do RIPL, 22 de outubro de 2026](https://www.liquid.ai/blog/low-latency)
- [Liquid Docs — biblioteca de modelos e caminhos de execução, contexto técnico](https://docs.liquid.ai/lfm/models/complete-library)
- [Liquid AI — equipe e cofundadores, identificação de Daniela Rus](https://www.liquid.ai/company)
- [Fotografia original — Paul Marotta/Getty Images para TechCrunch, 17/7/2017](https://www.flickr.com/photos/techcrunch/35606200100/)
- [Licença da fotografia — CC BY 2.0](https://creativecommons.org/licenses/by/2.0/)