d1-2B vs Liquid AI d1-omni-600M: Wenn der entscheidende Input Klang ist

Legen Sie diesen beiden Modellen eine Sprachnachricht und eine fotografierte Rechnung vor, und nur eines von ihnen kann antworten – und es ist nicht das mit der besseren Punktzahl. d1-2B liest Text, JSON, Bilder und Video und kann überhaupt kein Audio annehmen. Liquid AI d1-omni-600M liest Text mit Bildern oder Text mit bis zu 30 Sekunden Sprache und kann Audio und Bilder nicht in derselben Anfrage annehmen. Diese einzige Asymmetrie entscheidet die meisten realen Bereitstellungen, bevor überhaupt ein Benchmark herangezogen wird. Was folgt, ist trotzdem die ehrliche Version des Vergleichs: wo das 587M-Modell wirklich konkurrenzfähig ist, wo das 1,92B-Modell nicht annähernd ersetzbar ist und das eine Pipeline-Muster, das beide nutzt, ohne vorzugeben, sie seien Alternativen.

Die Entscheidung ist eine Frage der Modalität, nicht des Punktestands.

Ein Entscheidungsmodell nimmt einen Zustand und eine Menge benannter Fragen und gibt pro Antwort eine Wahrscheinlichkeit zurück, ohne generierte Tokens. Der Zustand ist die gesamte Eingabe, und der Typ des Zustands ist die bindende Einschränkung. Die Karte von d1-2B listet Text, JSON, Bilder und Video auf. Die Karte von Liquid AI d1-omni-600M listet Text mit Bildern oder Text mit Audio auf – und der Code erzwingt den Ausschluss: Wenn sowohl ein Bild als auch ein Audioclip an system_one übergeben werden, wird ein ValueError ausgelöst.

Die erste Frage ist also nicht, welches Modell besser abschneidet. Sie lautet vielmehr, ob das, was Sie beurteilen müssen, als Pixel, als Text oder als Wellenform eintrifft. Wenn es als Wellenform eintrifft, gibt es in diesem Paar nur eine Antwort, und der Rest dieser Seite handelt davon, wie viel Genauigkeit Sie aufgeben, um sie zu bekommen.

Was man für 587 Mio. tatsächlich bekommt

Das 600M ist keine kleine Version von d1-2B. Es ist eine andere Konstruktion, und es lohnt sich, das Budget aufgeschlüsselt zu sehen, weil es sowohl seine Stärken als auch seine Obergrenze erklärt.

• Parameter — insgesamt 587 Mio.: ein gemeinsamer Trunk und Entscheidungskopf mit 381 Mio. Parametern, ein Vision-Encoder mit 94 Mio. und ein Audio-Encoder mit 112 Mio. Jede Modalität läuft über dieselben Trunk-Gewichte.

• Base — LFM2.5-Encoder-350M, ein bidirektionaler Encoder, mit einem von LFM2.5-VL-450M übernommenen SigLIP2-Vision-Tower und einem 17-schichtigen FastConformer für Audio.

• Kontext — 16.384 Token über Text-, Bild- und Audiopositionen hinweg zusammengenommen und ein Vokabular von 65.536 Token. Das Fenster von d1-2B beträgt 128K.

• Audio — bis zu 30 Sekunden 16-kHz-Mono-Sprache pro Anfrage. Die Karte stellt ausdrücklich klar, dass die Audioseite mit Anfragen zwischen einem englischen Sprecher und einem Assistenten trainiert wurde, was für ein Modell, das man auf Anrufaufzeichnungen ansetzen wird, eine enge Verteilung darstellt.

• Medienregel — Bilder oder Audio, niemals beides. Die Karte dokumentiert den ValueError, anstatt dass Sie ihn selbst entdecken müssen.

• Lizenz — LFM Open License v1.0, die gleiche Schwellenwertstruktur wie d1-2B: kommerzielle Nutzung bei einem Jahresumsatz unter 10.000.000 US-Dollar.

• Geschwindigkeit — nicht veröffentlicht. Die Karte nennt keine Latenzwerte und bezeichnet das Modell als frühe Forschungsversion, die sich aktiv in der Entwicklung befindet. d1-2B veröffentlicht 5,7 ms auf einer H100 PCIe, 3,8 ms auf einer MI325X und 18,6 ms auf einem M5 Pro.

Die Tabelle für denselben Lauf und die Zeilen, in denen die Lücke klein ist

Beide Modelle erscheinen in der Benchmark-Tabelle auf der Karte von d1-2B, die vier offene d1-Modelle an identischen Items mit einem identischen Scorer bewertet. Das macht den Vergleich sauberer als die meisten kartenübergreifenden Vergleiche, mit einem Vorbehalt: Die eigene Karte von d1-omni-600M meldet 15,95 auf Decision Index 0.2.1, während diese Tabelle 18,3 auf Version 0.3 meldet. Der Unterschied ist die Index-Edition, und beide Zahlen sind für ihren jeweiligen Test korrekt.

• Decision Index öffentliche Suite v0.3 — 51,1 für d1-2B vs. 18,3 für Liquid AI d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 77,1 gegenüber 58,7.

• Decision Bench (decisionbench.ai) v4 — 85,2 vs. 57,9.

• ImajevBench v2.0-lite — 75,5 vs. 21,7, die größte Lücke auf der Entscheidungsseite zwischen den beiden.

• WorkflowEvals — 81,6 vs. 48,8.

• Vision-Durchschnitt, 18 Benchmarks — 70,2 vs. 42,8.

• VisualWebBench — 96,2 gegenüber 14,9, was weniger ein Vergleich als vielmehr eine Aussage darüber ist, wie viel ein 94-M-Vision-Encoder tragen kann.

Dann die Zeilen, die für Zurückhaltung sprechen. Typed Decisions liegt bei 61,3 gegenüber 57,5 – eine Lücke von 3,8 Punkten für ein Modell mit einem Drittel der Parameter. POPE, der Benchmark für Objekt-Halluzinationen, liegt bei 88,7 gegenüber 82,7. JevBench liegt bei 77,9 gegenüber 58,0, eine große Lücke, aber DecisionBench v4 liegt bei 85,2 gegenüber 57,9, und die beiden zusammen zeigen, dass das 600M-Modell ungleichmäßig statt durchgängig schwach ist. Der eigene Launch-Post von Liquid AI beziffert den Mittelwert über sieben Benchmarks auf 78,4, was für 587M hoch ist; die Model Card von d1-2B veröffentlicht keinen entsprechenden Mittelwert, daher sollten die beiden Zahlen nicht nebeneinandergestellt werden.

Die eine Zahl, die keinem der beiden Modelle schmeichelt, ist die unabhängige. Efraín Garay ließ Liquid AI d1-omni-600M auf einer Stichprobe von 6.000 Anfragen aus Decision Index 0.3 laufen und erhielt 14,0 gegenüber den 14,17 des Anbieters auf derselben Stichprobe – eine enge Reproduktion. Er stellte außerdem fest, dass 1.758 Anfragen das Instruktions- und Optionsbudget des Modells überschritten und abgelehnt wurden, gewertet als falsch, was echte Kosten eines 16K-Fensters in einer Suite sind, die für längere Zustände ausgelegt ist.

Wo der 600M die einzige Option ist

Audio-Routing ist genau der Fall, für den das Modell gebaut wurde, und die Beispiele auf der Karte sind konkret: Routing von Anrufen und Sprachnachrichten, Klangereignisse, gesprochene Anweisungen über einem schriftlich dargestellten Zustand. Nichts davon ist mit d1-2B in irgendeiner Genauigkeit verfügbar, denn es besitzt keinen Audio-Encoder und keine Audio-Positionen in seinem Eingabeschema.

Zwei unabhängige Datenpunkte sollten die Verkaufsargumentation dämpfen. Der erste Punkt ist die obige Evaluierung, bei der das 600M bei Aufgaben mit realen Daten eine AUC von 0,580 für die Schusserkennung und eine AUC von 0,593 für die Regenvorhersage erzielte – nur knapp über dem Zufallsniveau und hinter jedem getesteten größeren Modell zurück. Der zweite ist ein Praxistest, bei dem im Betrieb weniger als 2 GB VRAM gemessen wurden und der feststellte, dass das Modell Sprechweise und Tonfall in Audio deutlich zuverlässiger klassifiziert als die semantische Bedeutung, wobei Fragen im Inferenzstil kaum besser als ein Münzwurf abschnitten. Beide weisen in dieselbe Richtung: Dies ist ein Screening-Modell. Es ist gut darin, zu bestimmen, „was für eine Art von Sache das ist“, und es ist kein Ersatz für ein Modell, das versteht, was gesagt wurde.

Das ist keine Kritik an einem 587M-Checkpoint. Es ist das, was 587M kaufen, wenn 381M davon ein gemeinsamer Trunk sind. Der Grund, ihn zu verwenden, sind Kosten und Footprint – unter 2 GB VRAM, ein GGUF-Repository seit dem 6. Oktober, MLX-Builds seit dem 12. Oktober und eine Entscheidung in einem einzigen Forward-Pass – nicht Wiedergabetreue.

Eine Kaskade, die beides verwendet

Der Fehler besteht darin, sie als Konkurrenten zu behandeln. Sie sind zwei Stufen desselben Filters, und die natürliche Pipeline führt zuerst das günstige Modell aus.

Stufe eins: Liquid AI d1-omni-600M nimmt das eingehende Element entgegen – eine Sprachnotiz, einen Support-Anruf, eine schriftliche Beschwerde mit Anhang – und beantwortet grobe Fragen. Handelt es sich um ein Abrechnungsproblem oder um ein technisches? Ist der Anrufer wütend? Enthält diese Nachricht überhaupt eine Anfrage? Mit unter 2 GB und einem Durchlauf ist das günstig genug, um bei jedem Element ausgeführt zu werden.

Stufe zwei: Alles, was das 600M nahe der Mitte seiner Skala einordnet, oder alles, was mit einem Bild ankommt, das gelesen werden muss, wird an d1-2B eskaliert. Das 2B erhält ein 128K-Fenster, Videoeingabe und etwa das Dreifache des Vision-Durchschnitts, und es sieht nur den Bruchteil des Datenverkehrs, den die erste Stufe nicht klären konnte.

Die Schwellenwerte sind die eigentliche Arbeit. Beide Karten geben Wahrscheinlichkeiten zurück, und beide sagen dir, dass du auf deinen eigenen Daten kalibrieren sollst — die Karte von d1-2B sagt das ausdrücklich. Eine Kaskade mit einem unkalibrierten mittleren Band eskaliert entweder alles, wobei das 600M nur Dekoration war, oder eskaliert nichts, wobei das 2B nie die Stufe korrigiert, die nicht lesen kann.

In den meisten realen Systemen gibt es eine dritte Stufe: das Modell, das die Antwort schreibt. Hier kommt eine gehostete API ins Spiel, und hier ist OrcaRouter relevant. Keines der Liquid-AI-Modelle wird von uns bereitgestellt, daher bleiben die Entscheidungsknoten auf Ihrer eigenen GPU; der generative Schritt, der ihre Labels verarbeitet, kann von einem OpenAI-kompatiblen Schlüssel kommen, der über 200 Modelle abdeckt, mit 0 % Aufschlag auf die Listenpreise der Anbieter und automatischem Failover, falls ein Anbieter mitten im Datenverkehr ausfällt. Die Routing-DSL ist außerdem der ehrliche Weg, die Kaskade selbst auszudrücken – die beiden Entscheidungsmodelle als GPU-seitige Schritte, die Antwortgenerierung als gehosteter Schritt, zusammengesetzt statt im Anwendungscode zusammengeklebt.

Was keines der beiden Modelle tut, und die dritte Option

Keines der beiden schreibt Text. Beide liefern typisierte Antworten und Wahrscheinlichkeiten ohne Ausgabe-Tokens zurück; wenn der nächste Schritt Fließtext benötigt, ist das ein anderes Modell. Keines der beiden verarbeitet Video mit Ton: d1-2B nimmt Videoframes, aber keinen Ton auf, das 600M nimmt Ton, aber nicht zusammen mit Bildern auf, und die 30-Sekunden-Obergrenze für Audio ist eine harte Grenze und keine Empfehlung.

Wenn die Anforderung wirklich „Audio und Bilder in derselben Anfrage“ lautet, ist die Antwort keines von beiden – sondern d1-Omni-2B, das 2,17-Milliarden-Parameter-Geschwistermodell, das Liquid AI vierundzwanzig Sekunden nach d1-2B erstellt hat und das Text, Bilder, Videoframes und Audioclips in einer einzigen Medienliste akzeptiert. Sein Decision-Index-Wert liegt bei 49,0 in derselben v0.3-Tabelle, sein Vision-Durchschnitt liegt bei 67,7, und es fehlt ihm wie d1-2B an unabhängigen Tests. Es kostet ungefähr viermal so viele Parameter wie das 600M-Modell, was der Preis dafür ist, nicht zwischen Modalitäten wählen zu müssen.

Die Regel ist also kurz. Wenn der Zustand Sprache enthält und sonst nichts weiter betrachtet werden muss, ist Liquid AI d1-omni-600M das einzige Mitglied dieses Paars, das laufen kann, und es sollte als Bildschirm behandelt werden. Wenn der Zustand Text, Bilder oder Video ist und die Antwort Bestand haben muss, ist d1-2B das Modell — und es ist dasjenige mit einer veröffentlichten Latenzangabe, einem 128K-Fenster und einem Benchmark-Vorsprung, der auch beim zeilenweisen Lesen Bestand hat. Wenn der Zustand beides enthält, ist keines von beiden die Antwort, sondern das 2.17B-Omni-Modell.