d1-2B مقابل Liquid AI d1-omni-600M: عندما يكون المدخل الحاسم صوتًا

ضع ملاحظة صوتية وفاتورة مصوّرة أمام هذين النموذجين، فلن يستطيع الإجابة إلا واحد منهما، وهو ليس النموذج صاحب الدرجة الأفضل. d1-2B يقرأ النصوص وJSON والصور والفيديو، ولا يمكنه قبول الصوت إطلاقًا. Liquid AI d1-omni-600M يقرأ النص مع الصور أو النص مع ما يصل إلى 30 ثانية من الكلام، ولا يمكنه قبول الصوت والصور في الطلب نفسه. هذا التباين الوحيد يحدد معظم عمليات النشر الفعلية قبل الرجوع إلى أي اختبار قياسي. وما يلي هو النسخة الصادقة من المقارنة على أي حال: أين يكون نموذج 587M منافسًا حقًا، وأين لا يكون نموذج 1.92B قريبًا من أن يكون قابلًا للاستبدال، ونمط خط الأنابيب الوحيد الذي يستخدم كليهما من دون التظاهر بأنهما بديلان.

القرار مسألة تتعلق بالنمط، وليس مسألة درجة.

يأخذ نموذج القرار حالة ومجموعة من الأسئلة المسماة ويعيد احتمالًا لكل إجابة، دون رموز مولّدة. الحالة هي المدخل كله، ونوع الحالة هو القيد الملزم. تسرد بطاقة d1-2B النص وJSON والصور والفيديو. تسرد بطاقة Liquid AI d1-omni-600M النص مع الصور، أو النص مع الصوت — ويطبّق الكود الاستبعاد: تمرير صورة ومقطع صوتي معًا إلى system_one يرفع ValueError.

إذن، السؤال الأول ليس أيّ النموذجين يحصل على درجة أعلى. بل ما إذا كان الشيء الذي تحتاج إلى الحكم عليه يصل في صورة بكسلات، أو نص، أو موجة صوتية. وإذا كان يصل في صورة موجة صوتية، فثمة إجابة واحدة في هذا الزوج، وبقية هذه الصفحة تدور حول مقدار الدقة التي تتخلى عنها للحصول عليها.

ما الذي يشتريه 587 مليونًا في الواقع

إنّ 600M ليس نسخة صغيرة من d1-2B. بل هو بناء مختلف، ويستحق أن تُرى ميزانيته مفصّلة بنداً بنداً لأنها تفسّر نقاط قوته وسقفه معاً.

• المعاملات — إجمالي 587M: جذع مشترك ورأس قرار بحجم 381M، ومشفّر رؤية بحجم 94M، ومشفّر صوت بحجم 112M. تمر كل وسيلة عبر أوزان الجذع نفسها.

• النسخة الأساسية — LFM2.5-Encoder-350M، مُشفِّر ثنائي الاتجاه، مزوَّد ببرج رؤية SigLIP2 مستعار من LFM2.5-VL-450M وFastConformer ذي 17 طبقة للصوت.

• السياق — 16,384 رمزًا عبر مواضع النص والصورة والصوت معًا، ومفردات من 65,536 رمزًا. نافذة d1-2B هي 128K.

• الصوت — حتى 30 ثانية من الكلام الأحادي القناة بتردد 16 كيلوهرتز لكل طلب. وتوضّح البطاقة صراحةً أن الجانب الصوتي دُرِّب على طلبات بين متحدث بالإنجليزية ومساعد، وهو توزيع ضيّق لنموذج سيوجّهه الناس إلى تسجيلات المكالمات.

• قاعدة الوسائط — صور أو صوت، وليس كليهما أبدًا. توثّق البطاقة خطأ ValueError بدلًا من تركك تكتشفه بنفسك.

• الترخيص — LFM Open License v1.0، بنفس بنية الحدود الخاصة بـ d1-2B: الاستخدام التجاري في ظل إيرادات سنوية أقل من 10,000,000 دولار.

• السرعة — غير منشور. لا تذكر البطاقة أي أرقام لزمن الاستجابة، وتصف النموذج بأنه إصدار بحثي مبكر قيد التطوير النشط. ينشر d1-2B زمن 5.7 ms على H100 PCIe، و3.8 ms على MI325X، و18.6 ms على M5 Pro.

جدول التشغيل نفسه، والصفوف التي تكون فيها الفجوة صغيرة.

كلا {{1}}الطرازين{{/1}} يظهران في جدول المعايير على بطاقة {{2}}d1-2B{{/2}}، والذي يقيّم أربعة من {{3}}طرازات d1{{/3}} المفتوحة على عناصر متطابقة باستخدام مقيّم متطابق. وهذا يجعل المقارنة أنظف من معظم المقارنات بين البطاقات، مع تحفظ واحد: تذكر بطاقة {{4}}d1-omni-600M{{/4}} نفسها {{5}}15.95{{/5}} على Decision Index {{6}}0.2.1{{/6}}، بينما يذكر هذا الجدول {{7}}18.3{{/7}} على الإصدار {{8}}0.3{{/8}}. الفرق هو إصدار المؤشر، وكلا الرقمين صحيحان لاختباره الخاص.

• مجموعة Decision Index العامة الإصدار v0.3 — 51.1 لـ d1-2B مقابل 18.3 لـ Liquid AI d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 77.1 مقابل 58.7.

• Decision Bench (decisionbench.ai) v4 — 85.2 مقابل 57.9.

• ImajevBench v2.0-lite — 75.5 مقابل 21.7، وهي أوسع فجوة على جانب القرار بين الاثنين.

• WorkflowEvals — 81.6 مقابل 48.8.

• متوسط الرؤية، 18 معيارًا — 70.2 مقابل 42.8.

• VisualWebBench — 96.2 مقابل 14.9، وهذا ليس مقارنة بقدر ما هو بيان عن مقدار ما يستطيع مُرمِّز رؤية بسعة 94M أن يحمله.

ثم تأتي الصفوف التي تدعو إلى ضبط النفس. Typed Decisions يسجل 61.3 مقابل 57.5 — بفارق 3.8 نقاط لطراز يمتلك ثلث عدد المعاملات. POPE، معيار الهلوسة المتعلق بالأجسام، يسجل 88.7 مقابل 82.7. JevBench يسجل 77.9 مقابل 58.0، وهو فارق واسع، لكن DecisionBench v4 يسجل 85.2 مقابل 57.9، والاثنان معًا يقولان إن نموذج 600M متفاوت الأداء وليس ضعيفًا بشكل موحد. وتضع منشورات الإطلاق الخاصة بـ Liquid AI متوسطه على سبعة معايير عند 78.4، وهو مرتفع بالنسبة لنموذج 587M؛ ولا تنشر بطاقة d1-2B متوسطًا مكافئًا، لذا لا ينبغي وضع الرقمين جنبًا إلى جنب.

الرقم الوحيد الذي لا يُجامل أيًّا من النموذجين هو الرقم المستقل. شغَّل Efraín Garay نموذج Liquid AI d1-omni-600M على عينة من 6000 طلب من Decision Index 0.3، فحصل على 14.0، مقابل 14.17 التي سجّلها المورّد نفسه على العينة نفسها — إعادة إنتاج قريبة. ووجد أيضًا أن 1,758 طلبًا تجاوزت ميزانية التعليمات والخيارات الخاصة بالنموذج ورُفضت، وتم احتسابها على أنها خاطئة، وهو ما يمثل تكلفة حقيقية لنافذة 16K على مجموعة مصممة لحالات أطول.

حيث يكون 600M هو الخيار الوحيد

توجيه الصوت هو الحالة التي بُني النموذج من أجلها، وأمثلة البطاقة ملموسة: توجيه المكالمات والرسائل الصوتية، وأحداث الصوت، والتعليمات المنطوقة فوق حالة مكتوبة. لا شيء من ذلك متاح من d1-2B بأي دقة، لأنه لا يملك مُرمِّز صوت ولا مواضع صوتية في مخطط إدخاله.

ثمة نقطتان مستقلتان من البيانات ينبغي أن تخففا من حماسة العرض الترويجي. الأولى هي التقييم أعلاه، حيث سجّل نموذج 600M في مهام البيانات الحقيقية قيمة AUC قدرها 0.580 لكشف الطلقات و0.593 لتوقع المطر — بالكاد يزيد على الصدفة، ويتخلف عن كل نموذج أكبر خضع للاختبار. والثانية مراجعة تطبيقية قاست استخدامًا لأقل من 2GB من VRAM أثناء التشغيل، ووجدت أن النموذج يصنّف أسلوب الإلقاء والنبرة في الصوت بموثوقية أكبر بكثير من المعنى الدلالي، مع أسئلة بنمط الاستدلال تقترب من رمي عملة معدنية. وكلتاهما تشيران إلى الاتجاه نفسه: هذا نموذج فرز. إنه جيد في تحديد "أي نوع من الأشياء هذا"، وليس بديلًا عن نموذج يفهم ما قيل.

هذا ليس انتقادًا لنقطة تحقق بحجم 587M. بل هو ما يمنحه 587M عندما يكون 381M منه جذعًا مشتركًا. سبب استخدامه هو التكلفة والبصمة — أقل من 2GB من VRAM، ومستودع GGUF منذ 6 أكتوبر، وإصدارات MLX منذ 12 أكتوبر، وقرار في تمريرة أمامية واحدة — وليس الدقة.

تتالي يستخدم كليهما

الخطأ هو التعامل مع هذين كمنافسين. فهما مرحلتان من المرشح نفسه، والمسار الطبيعي للمعالجة يشغّل النموذج الأقل تكلفة أولاً.

المرحلة الأولى: يتولّى Liquid AI d1-omni-600M العنصر الوارد — ملاحظة صوتية، أو مكالمة دعم، أو شكوى مكتوبة مع مرفق — ويجيب عن أسئلة عامة. هل هذه مشكلة فواتير أم مشكلة تقنية؟ هل المتصل غاضب؟ هل تحتوي هذه الرسالة على طلب أصلاً؟ مع حجم أقل من 2GB وتمريرة واحدة، يكون ذلك رخيصًا بما يكفي لتشغيله على كل عنصر.

المرحلة الثانية: أي شيء يضعه 600M قريبًا من منتصف مقياسه، أو أي شيء يصل مع صورة تحتاج إلى قراءة، يُصعَّد إلى d1-2B. ويحصل 2B على نافذة 128K، وإدخال فيديو، ونحو ثلاثة أضعاف متوسط الرؤية، ولا يرى إلا الجزء من حركة المرور الذي لم تستطع المرحلة الأولى حسمه.

العتبات هي العمل نفسه. كلتا البطاقتين تُرجعان احتمالات، وكلتاهما تخبرك بأن تعاير على بياناتك الخاصة — وبطاقة d1-2B تقول ذلك صراحةً. التتابع ذو النطاق الأوسط غير المعاير إمّا أن يُصعّد كل شيء، وعندها كان 600M مجرد زينة، وإمّا ألّا يُصعّد شيئًا، وعندها لا يصحّح 2B أبدًا المرحلة التي لا تستطيع القراءة.

هناك مرحلة ثالثة في معظم الأنظمة الحقيقية: النموذج الذي يكتب الرد. هنا يدخل API مستضاف، وهنا يصبح OrcaRouter ذا صلة. لا نقدّم أيًا من نموذجي Liquid AI، لذا تبقى عُقد القرار على وحدة معالجة الرسوميات الخاصة بك؛ أما الخطوة التوليدية التي تستهلك تصنيفاتهما فيمكن أن تأتي من مفتاح واحد متوافق مع OpenAI يغطي أكثر من 200 نموذج، مع هامش ربح 0% على أسعار قوائم المزوّدين وتحويل تلقائي عند الفشل إذا توقف أحد المزوّدين أثناء حركة المرور. كما أن DSL التوجيه هو الطريقة الصادقة للتعبير عن التسلسل نفسه — نموذجا القرار كخطوتين على جانب GPU، وتوليد الرد كخطوة مستضافة، مُركَّبين بدلًا من لصقهما معًا في كود التطبيق.

ما لا يفعله أيٌّ من النموذجين، والخيار الثالث

لا يكتب أيٌّ منهما نصًا. كلاهما يعيد إجابات محددة النوع واحتمالات دون أي رموز إخراج؛ وإذا كانت الخطوة التالية تحتاج إلى نص نثري، فهذا نموذج مختلف. لا يتعامل أيٌّ منهما مع الفيديو المصحوب بالصوت: فـ d1-2B يستقبل إطارات الفيديو لكن دون صوت، و600M يستقبل الصوت لكن ليس إلى جانب الصور، وسقف الصوت البالغ 30 ثانية حدٌّ صارم وليس توصية.

إذا كان الشرط هو حقًا «الصوت والصور في الطلب نفسه»، فالإجابة ليست أيًا من هذين — بل d1-Omni-2B، النموذج الشقيق البالغ 2.17B الذي أنشأته Liquid AI بعد أربع وعشرين ثانية من d1-2B، والذي يقبل النص والصور وإطارات الفيديو ومقاطع الصوت في قائمة وسائط واحدة. درجة مؤشر القرار (Decision Index) الخاصة به هي 49.0 على جدول v0.3 نفسه، ومتوسط الرؤية لديه 67.7، وهو يفتقر إلى الاختبار المستقل بالطريقة نفسها التي يفتقر إليها d1-2B. وتكلفته تعادل نحو أربعة أضعاف معاملات الـ600M، وهو ثمن عدم الاختيار بين الوسائط.

إذن القاعدة قصيرة. إذا كانت الحالة تحتوي على كلام ولم يكن هناك شيء آخر يحتاج إلى رؤية، فإن Liquid AI d1-omni-600M هو العضو الوحيد في هذا الزوج القادر على العمل، وينبغي التعامل معه كشاشة. وإذا كانت الحالة نصًا أو صورًا أو فيديو وكانت الإجابة يجب أن تصمد، فإن d1-2B هو النموذج — وهو النموذج الذي يملك رقم زمن استجابة منشورًا، ونافذة 128K، وتفوقًا في الاختبارات المعيارية يصمد عند قراءته صفًا صفًا. وإذا كانت الحالة تجمع بين الاثنين، فلا أي منهما هو الجواب، بل نموذج 2.17B omni.