Liquid AI d1 مقابل Liquid AI d1-omni-600M: نموذج القرار المفتوح الذي يمكنه سماعك

ابحث عن الاسم Liquid AI d1 وستصل إلى نموذج بثلاثة مليارات معامل يقرأ النصوص والصور. نقطة التفتيش المفتوحة الأخرى في العائلة نفسها تبلغ خُمس الحجم، وتتناول حتى ثلاثين ثانية من الكلام، وهي الوحيدة من بين الاثنين التي يمكنها أن تقرر أي شيء على الإطلاق بشأن صوت. ويُدعى Liquid AI d1-omni-600M، وإذا كنت قد وجدت العائلة عبر مكتبة وقت تشغيل محلية بدلاً من وثائق البائع نفسه، فهناك احتمال جيد ألا تكون قد رأيت اسمه قط. هذا هو الوضع الذي وُجدت هذه المقارنة لتصحيحه، لأن النموذجين ليسا إجابتين متنافستين على السؤال نفسه. إنهما إجابتان لسؤالين مختلفين، وواحد فقط منهما يتضمن الاستماع.

كل رقم أدناه يأتي من مواد Liquid AI الخاصة: بطاقة نموذج LiquidAI/d1-omni-600M، والمستودع المرافق d1-omni-600M-GGUF، ومنشور الإصدار الصادر في 7 أكتوبر الذي أعلن عن نقاط التحقق المفتوحة كليهما دفعة واحدة. سُجّلت صفوف الأداء من قِبل المورّد على مؤشر يديره بنفسه بدلًا من تقديمها للتصنيف العام، ويقول المنشور صراحةً إن المعايير المرجعية المخصصة لقرارات الصوت مشكلة مفتوحة. ولم يُعِد أحد خارج المختبر إنتاج أي شيء مما ورد هنا.

مِمَّ تتكوَّن 587 مليون معلمة؟

الرقم الرئيسي يخفي تقسيمًا غير معتاد. يبلغ إجمالي المعاملات 587 مليونًا، وهي ليست كتلة واحدة: جذع مشترك بحجم 381 مليونًا متصل به رأس القرار، ومشفّر رؤية بحجم 94 مليونًا، ومشفّر صوتي بحجم 112 مليونًا. تمر كل وسيطية عبر أوزان الجذع نفسها، وهذا هو القرار التصميمي الذي يبقي الكل صغير الحجم — النموذج ليس ثلاثة نماذج تتنكر في معطف واحد، بل جذع واحد يتخذ القرار وله طريقتان لتغذيته.

تأتي القطع من مواضع مختلفة في كتالوج Liquid. ينحدر الجذع من LFM2.5-Encoder-350M، وهو مشفّر ثنائي الاتجاه، بدلًا من خط المفكّك فقط الذي جاء منه الشقيق الأكبر. برج الرؤية هو SigLIP2 مأخوذ من LFM2.5-VL-450M مع مُهايئ وتحديثات LoRA مطبَّقة على العمود الفقري. أما مسار الصوت فهو مشفّر FastConformer من 17 طبقة بمُهايئ خاص به، مضبوط بدقة مقابل عمود فقري نصي مجمَّد. تذكر البطاقة سياقًا من 16,384 رمزًا مشتركًا عبر مواضع النص والصورة والصوت معًا، مع تقليص النص إلى 896 رمزًا عند وجود الصور، ومفردات من 65,536 رمزًا — نصف 128,000 لدى شقيقه الأكبر. هذا الرقم الأخير يستحق الملاحظة إذا كنت تعمل بلغة لا تغطيها العائلة إلا جزئيًا.

ثنائي الاتجاه مقابل فك التشفير فقط هو السبب في أن النموذجين يبدوان مختلفين لأي شخص جرب كليهما. الجذع على شكل مُشفِّر يقرأ الحالة بأكملها دفعة واحدة، في كلا الاتجاهين، قبل إنتاج أي شيء. النموذج على شكل فاك التشفير يقرأ إلى الأمام بالطريقة التي يفعلها نموذج اللغة. تم تدريب كليهما على الإبلاغ عن الإجابات من توزيع بدون رموز إخراج، لذلك لا يكتب أي منهما نصًا — لكن الآلية الكامنة وراء ذلك هي فئة مختلفة من النماذج، وفجوة الدقة التي نوقشت أدناه هي التكلفة المرئية للتصميم الأصغر على شكل مُشفِّر.

ثلاثون ثانية من الكلام، ولا شيء لتقييمه به

الصوت هو السبب في وجود نقطة التحقق هذه. وهي تقبل مقطعًا صوتيًا واحدًا يصل إلى 30 ثانية، بتردد 16 كيلوهرتز وأحادي القناة، في التمريرة الأمامية نفسها التي تنتج الإجابة، وهي العضو الوحيد مفتوح الأوزان في العائلة القادر على ذلك. بالنسبة للعمل على الجهاز، هذه ليست ميزة هامشية. الكاميرا التي ترصد عيبًا على خط إنتاج هي مشكلة رؤية يتعامل معها الشقيق الأكبر بالفعل؛ أما الجهاز الذي يوجّه طلبًا منطوقًا، أو يصنّف عبارة منطوقة، أو يقرر ما إذا كان المتصل يطلب استردادًا للمال، فهي مشكلة لا يمكن توجيهها إلا إلى هذا النموذج.

يوجد قيدان يعلوان تلك الإمكانية، وكلاهما موثق، مما يعني أنه لا عذر للتعثر بهما في الإنتاج. أولاً، يحمل الطلب الواحد صوراً أو صوتاً، وليس كليهما أبداً — تمرير كليهما يرفع ValueError بدلاً من إسقاط أحدهما بصمت، لذا فإن الفشل صارخ وسهل الاكتشاف أثناء الاختبار. ثانياً، تم تدريب مسار الصوت على محادثات بين متحدث إنجليزي ومساعد، مع اقتصاص المقاطع عند 30 ثانية. هذه هندسة متحدث واحدة، وبنية دور واحدة، وتوزيع لهجة واحد. توجيهه إلى تسجيلات مراكز الاتصال أو الصوت الميداني هو مطالبة بسلوك لا تدّعيه البطاقة، وهو بالضبط نوع الفجوة التي قد يكشفها معيار قياس لو وُجد أحدها.

لا يوجد أي منها. يصف منشور الإصدار مقاييس الأداء المخصّصة لاتخاذ القرارات الصوتية بأنها "مشكلة مفتوحة حالياً" ويدعو المجتمع إلى بناء واحد منها، وهو أمر صريح أن يكتبه مختبر، وقيود حقيقية لأي شخص يقيّم النموذج. Liquid AI d1-omni-600Mيُطالَب بتبرير وجوده استناداً إلى قدرة لا يستطيع أحد قياسها بعد. كما حجبت الشركة المورّدة أرقام الاستدلال بالكامل، بحجة معلنة مفادها أن النموذج إصدار بحثي مبكر قيد التطوير النشط. لذا لا يوجد أي رقم لزمن الاستجابة للنموذج 600M على الإطلاق — لا للنص، ولا للرؤية، ولا لمسار الصوت الذي هو جوهر الأمر كله.

ما يمكن قوله دون اختلاق أي شيء هو حسابٌ على عدد المعاملات المنشور: عند دقة float16 التي توصي بها البطاقة لوحدات GPUs، فإن 587M معامل يبلغ نحو 1.2 GB من الأوزان قبل التنشيطات، مقابل نحو 6.2 GB للنموذج الشقيق بحجم 3.12B عند الدقة نفسها. وتحمل البطاقة أيضًا تحذيرًا بشأن الدقة يسهل تجاوزه بلمحة سريعة ولا ينبغي أن يكون كذلك: فقد دُرّب النموذج بدقة float32، ويوصى باستخدام float16 على وحدات GPUs، كما غيّر bfloat16 الإجابة الأعلى في بعض الصفوف أثناء الاختبار. إذا كانت حزمة الخدمة لديك تستخدم bfloat16 افتراضيًا، فهذا نموذج لا يكون فيه هذا الافتراضي آمنًا.

لماذا يسهل إغفال النصف الأصغر للعائلة

السبب الذي يجعل القارئ يصل إلى 3B ويتوقف عنده بنيوي لا عرضي. يسرد فهرس وثائق Liquid AI ثلاثة صفوف تحت نماذج القرار، ولا تُقرأ بالطريقة نفسها: d1-3B وd1-omni-600M يحملان روابط Hugging Face وGGUF مع كلمة "لا" في عمود قابلية التدريب، بينما d1 يقع في صف خاص به مع أحرف "API" المجردة حيث يُفترض أن تكون روابط تنزيل كل النماذج الأخرى. ويسمي منشور الإصدار d1 اسم عائلة، ولا يميز أبدًا بين نقطة النهاية المقدمة عبر الخدمة ونقطة التفتيش المفتوحة. ثم تختار مكتبات التشغيل المحلية 3B، لأنه النموذج الذي يتوافق حجمه وعدد أنماطه مع الإدخال الذي تريد نشره، ولا يظهر 600M في القائمة نفسها على الإطلاق.

النتيجة هي عائلة تبدو قصتها المنشورة عن الوصول، عند قراءتها بسرعة، وكأنها نموذج واحد وسطر API واحد. ما هو معروض فعليًا هو نقطتا تحقق مفتوحتان بجذعين مختلفين ووسائط مختلفة، وفجوة مقدارها 32 نقطة بين درجاتهما على مؤشر المورّد نفسه، إضافة إلى نقطة نهاية مستضافة لم يؤكد المورّد علاقتها بأيٍّ من نقطتي التحقق. نموذج 600M ليس مخفيًا خلف أي شيء. ليس له ببساطة اسمٌ يمكن لبحث عن d1 أن يُظهره، وهو الوحيد من بين الاثنين الذي يسمع.

النتائج الموجودة، والعمود الوحيد الذي يستحق القراءة

على Decision Index 0.2.1، يذكر البائع 15.95 لـ Liquid AI d1-omni-600M مقابل 48.57 لنظيره الأكبر — فجوة كبيرة بما يكفي لدرجة أن الإجمالي يكاد يكون عديم الفائدة كأساس للاختيار. الدرجات الفرعية أكثر إفادة من المجموع، وإحداها مفاجئة حقًا.

• المعرفة — 8.3 مقابل 23.8

• اللغة — 12.9 مقابل 56.4

• الاسترجاع — 35.0 مقابل 52.8

• أدوات — 15.1 مقابل 74.5

• الفنون — 6.8 مقابل 36.3

الاسترجاع هو المجال الذي يصمد فيه النموذج الصغير، إذ يخسر أقل من ثلث نتيجة النموذج الأكبر، بينما في الأعمدة الأربعة الأخرى يخسر من 60 إلى 80 بالمئة. يتوافق هذا النمط مع ما ينبغي أن يكون المشفّر المدرّب بارعًا فيه: مطابقة حالة ما مع المحتوى قريبة مما بُني له الجذع، وهي تعتمد بدرجة أقل بكثير على القدرة اللغوية الطبقية التي ورثها النظير الشبيه بمفكك التشفير من تدريب مسبق أكبر بكثير. أما عمود الأدوات فهو القصة المعاكسة، والفجوة البالغة 59 نقطة هناك هي الرقم الذي ينبغي أن تحدّق فيه إذا كان عبء عملك يتمثل في توجيه طلب إلى الدالة الصحيحة.

على سبعة معايير نصية عامة، تخف حدة الصورة. يفيد المورّد بمتوسط 78.4 للنموذج 600M مقابل 82.9 للنموذج 3B، حيث يخسر النموذج الصغير بفارق ضئيل في SQuAD 2.0 (74.0 مقابل 85.3)، وPubMedQA (61.3 مقابل 66.0)، وBoolQ (77.7 مقابل 86.7)، وXNLI (74.7 مقابل 85.0)، بينما يفوز في كشف السمية في Civil Comments (95.8 مقابل 93.0) وتحديد إعادة الصياغة في PAWS-X (79.5 مقابل 76.9). وتصوغ Liquid الأمر بنفسها على أساس أن 600M يتغلب على متوسط 77.1 لنموذج قرار بحجم 2B برُبع عدد المعلمات. تعطي مجموعتا معايير اختبار حكمين ظاهريين مختلفين، وكلاهما مُبلَّغ عنه ذاتيًا، والقراءة الصادقة هي أن أياً منهما لا يحسم شيئًا بخصوص مسار الصوت، لأن مسار الصوت غير موجود في أي من المجموعتين.

حيث يلتقي الاثنان فعليًا

على الرغم من كل التباعد، فإن نموذج البرمجة متطابق، وهذا ما يجعلهما قابلين للتبادل بمعنى واحد محدد. كلاهما يجيب عن أسئلة noul والاختيار والتنقيط استنادًا إلى حالة، وكلاهما يعيد الإجابة المختارة مع خريطة احتمالات وقيمة ثقة بين 0 و1، وكلاهما يبلّغ عن output_tokens: 0. حقل الثقة هو الذي يسيء الناس قراءته: فهو يقيس مدى قوة ترجيح الاحتمالات لإجابة واحدة، لا احتمالات أن تكون الإجابة صحيحة. قيمة 0.96 على سؤال رديء الصياغة إجابةٌ خاطئة واثقة، ولن يحذّرك الحقل.

نقطة التقائهما عمليًا هي التتابع. افحص باستخدام Liquid AI d1-omni-600M — بتكلفة منخفضة، ومحليًا، وبما في ذلك الحالات الصوتية التي لا يستطيع أي مُقيِّم نصي فقط أن يتعامل معها — ثم صعِّد العناصر التي يضعها قرب منتصف مقياسه إلى نقطة التحقق الأكبر لاتخاذ قرار أدق. قواعد التصعيد هي الثقة والتوزيع اللذان يعيدهما 600M بالفعل، لذا لا يحتاج منطق التوجيه إلى نموذج إضافي، وعلى عبء عمل ذي أغلبية قوية من العناصر السهلة، لا تصل معظم الحركة أبدًا إلى المرحلة الثانية. ينجح هذا التركيب لأن كلا النموذجين يعيدان النوع نفسه من الكائن. أما أي نموذجان عشوائيان فلن يفعلا ذلك.

إذا كانت تلك السلسلة المتتالية تتحكم في استدعاء نموذج توليدي تستأجره بدلاً من تشغيله، فإن الطبقة التي تحتها هي حيث تصبح البنية التحتية مثيرة للاهتمام، وهي أيضًا حيث ندخل نحن. إن توجيه قرار عبر سلسلة من النماذج هو بالضبط شكل المشكلة التي وُجدت قاعدة التوجيه من أجلها: يقوم OrcaRouter بتكوين عدة نماذج خلف نقطة نهاية واحدة متوافقة مع OpenAI، كل منها بسعر سعر قائمة مزودها ممرر بهامش ربح 0%، مع التحويل التلقائي عند الفشل بين المزودين بحيث أن أي تصعيد يفشل على مستوى المزود يُعاد محاولته على خيار احتياطي بدلاً من فشل الطلب. نحن لا نستضيف أي نموذج من Liquid AI — لقد تحققنا قبل كتابة هذا — لذا لا شيء مما سبق يُعد ادعاءً بشأن استدعاء هذه الأوزان من خلالنا. النقطة هي أن نموذج القرار هو الجزء الرخيص من خط الأنابيب والنموذج المستعار على الجانب الآخر هو الجزء الذي يتعطل.

من أين يأتي الملف، إذا أردت تشغيله اليوم

للنشر المحلي، يوفر مستودع GGUF الخاص بالبائع لطراز 600M إصدار Q8_0 بحجم 407 ميغابايت، و F16 و BF16 بحجم 764 ميغابايت لكل منهما، مع عدم إدراج أي إصدار 4-بت — لذا فإن أصغر تنزيل رسمي أصغر بنحو سبع مرات من الإصدار المقابل للطراز الأكبر وحوالي نفس حجم صورة متوسطة الدقة. يبدأ مثال البطاقة نفسها خادم llama.cpp بأعلام دفعات 4096 ويقترح رفعها إلى 16384 للحالات الأطول، ثم يستعلم عن نفس نقطة النهاية /v1/systemone التي يستخدمها الشقيق الأكبر.

الشيء الوحيد الذي لا يمنحك إياه المسار المحلي هو أرقام مسار الصوت، لأنها غير موجودة. إذا كنت تنوي تشغيل الكلام عبر هذا أمام مستخدمين حقيقيين، فإن التقييم عليك أن تبنيه: مجموعة مقاطع مصنّفة، وأنواع الأسئلة الثلاثة نفسها، ومعدل إجابة مقيس لكل فئة. هذا ليس رفضًا للنموذج — فنقطة تفتيش بحجم 587M تقرر بشأن مقطع صوتي في تمريرة واحدة هي أداة مختلفة فعلًا عن مصنّف نصي مربوط بخطوة نسخ، وهي تستحق اختبارًا حقيقيًا لا اختبارًا قائمًا على الانطباعات.

إذا كانت تلك السلسلة المتتالية تتحكم في استدعاء نموذج توليدي تستأجره بدلًا من تشغيله، فإن OrcaRouter يجمع عدة نماذج خلف نقطة نهاية واحدة متوافقة مع OpenAI، كل منها بسعر القائمة الخاص بمزوّده، مُمرَّرًا بهامش ربح 0%.

اختيار نقطة تفتيش شاملة بدلاً من نقطة التفتيش النصية فقط هو أيضًا وقت جيد للنظر في ما حدث بالفعل من أخطاء في هذه الفئة: الحوادث الموثقة للذكاء الاصطناعي وإخفاقات الوكلاء التي تتضمن نماذج متعددة الوسائط صغيرة تم جمعها في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي، حيث يحمل كل إدخال مصادره الخاصة ودرجة الخطورة ودرجة الثقة وعلامة النزاع.