d1-Omni-2B vs d1-omni: Ein Tag, zwei Checkpoints und eine achtfache Lücke

Laden Sie d1-omni heute herunter, und Sie erhalten ein Entscheidungsmodell mit 587 Mio. Parametern in 850 MB. Laden Sie d1-omni:2b herunter, und Sie erhalten 4,4 GB von etwas völlig anderem — d1-Omni-2B, das Audio-Entscheidungsmodell, das Liquid AI mit der LFM3-Familie am 27. Oktober 2026 ausgeliefert hat, im Gegensatz zu d1-omni, dem Namen, den Ollama seit Anfang Oktober für den d1-omni-600M-Checkpoint des Anbieters verwendet. Sie sind nicht die Antworten zweier Anbieter auf dieselbe Frage. Sie sind zwei Generationen derselben Idee, deren Parameterzahl um den Faktor acht auseinanderliegt, und die Wahl zwischen ihnen ist wirklich eine Wahl darüber, wo das Modell laufen muss. Eines passt auf ein Telefon. Das andere will eine GPU und erledigt im Gegenzug Dinge, die das kleinere überhaupt nicht kann.

Die Namensgebung macht das schwieriger, als es sein müsste, daher lohnt es sich, vor den Zahlen klar festzuhalten: Es gibt kein Modell von Liquid AI, das einfach d1-omni heißt. In der Dokumentation des Anbieters werden d1-omni-2B und d1-omni-600M als offene Gewichte aufgeführt und d1.1 sowie d1-ultra als nur gehostet. „d1-omni“ ist ein Paketname – der 587M-Checkpoint unter einer kürzeren Bezeichnung. Das ist der Gegner in diesem Vergleich, und es ist derjenige, den die meisten bereits auf der Festplatte haben.

Was jedes einzelne tatsächlich ist

Beides sind Entscheidungsmodelle im Sinne des Begriffs von Liquid AI: Man übergibt ihnen einen Zustand und eine Liste benannter Fragen, und sie liefern typisierte Antworten mit Wahrscheinlichkeiten in einem einzigen Vorwärtsdurchlauf zurück. Keines von beiden schreibt Text, keines erzeugt Sprache, und beide melden null Ausgabe-Tokens. Die Ähnlichkeit endet an der Schnittstelle.

• Parameter — 2,17 Mrd. für d1-Omni-2B gegenüber 587 Mio. für d1-omni, im kleinen Modell aufgeteilt in einen gemeinsamen 381 Mio. großen Stamm samt Entscheidungskopf, einen 94 Mio. großen Vision-Encoder und einen 112 Mio. großen Audio-Encoder.

• Architektur — ein LFM3-Tri-Hybrid-Backbone für das 2B-Modell: 24 Schichten mit 13 gated Short Convolutions, 5 Sliding-Window-Attention und 6 Global-Attention. Das 587M-Modell ist ein bidirektionaler LFM2.5-Encoder auf Basis von LFM2.5-Encoder-350M, mit einem von LFM2.5-VL-450M übernommenen SigLIP2-Vision-Tower und einem 17-schichtigen FastConformer für Audio.

• Kontext — 128K Token mit einem Vokabular von 128.000 Token für das 2B-Modell. Das 587M-Modell ist mit 16.384 Token dokumentiert, die Text-, Bild- und Audipositionen zusammen abdecken, und seine Modellkarte ergänzt, dass bei vorhandenen Bildern der Zustands- und Fragetext wie trainiert auf 896 Token gekürzt wird. Ollamas Seite gibt für beide Tags 125K an, eine Zahl, die der Anbieter nicht veröffentlicht; bemessen Sie Ihre Prompts an der Zahl des Anbieters.

• Eingabe — Das 2B-Modell nimmt einen Text- oder JSON-Zustand plus Bilder, Videoframes und Audioclips in einer einzigen Medienliste entgegen. Das 587M-Modell nimmt Text mit Bildern oder Text mit bis zu 30 Sekunden Audio entgegen, und seine Karte dokumentiert nicht die Kombination der beiden.

• Ausgabetypen — Ja/Nein, Auswahl und Score bei beiden. Das 2B-Modell ergänzt Kästchen, Mehrfachauswahl, extrahierte Werte mit Spans und Zahlen mit einem Intervall. Diese sind neu in der LFM3-Generation und haben beim 587M keine Entsprechung.

• Auf der Festplatte — 4,33 GB BF16-Safetensors für das 2B-Modell, gegenüber 850 MB für den Q8_0-Build von d1-omni und 1,2 GB für sein BF16-Tag.

• Lizenz — LFM Open License v1.0 für beide. Kostenlos für die kommerzielle Nutzung unter 10.000.000 US-Dollar Jahresumsatz, darüber separat lizenziert.

Was der achte Parameter bringt

Der nützliche Vergleich ist derjenige, den Liquid AI selbst veröffentlicht hat, weil dabei alle vier d1-Modelle anhand derselben Items mit demselben Scorer neu bewertet wurden. Dadurch sind die Zeilen intern vergleichbar, was bei den älteren Karten nicht der Fall ist.

• Decision Index Public Suite, v0.3 — 49,0 für d1-Omni-2B gegenüber 18,3 für d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76,4 gegenüber 58,7.

• decisionbench.ai v4 — 84,7 gegenüber 57,9.

• JevBench v1.4.1 — 75,3 gegenüber 58,0.

• ImajevBench v2.0-lite — 72,3 gegenüber 21,7, die größte Lücke in der Gruppe und diejenige, die für visuelle Arbeit am wichtigsten ist.

• WorkflowEvals — 77,1 gegenüber 48,8.

• Typisierte Entscheidungen — 63,1 gegenüber 57,5, die engste Differenz und eine Erinnerung daran, dass nicht jede Aufgabe mit Parametern skaliert.

• Vision-Durchschnitt, 18 Bild-Benchmarks — 67,7 gegenüber 42,8.

Zwei Vorsichtshinweise begleiten diese Liste. Der erste ist Versionsdrift: Die Karte vom 7. Oktober meldete d1-omni-600M mit 15,95 auf dem Decision Index v0.2.1, und die neue Karte meldet 18,3 auf v0.3. Das sind unterschiedliche Suiten, und sie voneinander abzuziehen misst den Index, nicht das Modell. Der zweite ist die Herkunft: Jede Zahl ist vom Anbieter gemeldet, von Liquid AI bewertet, auf Benchmarks, die Liquid AI ausgewählt hat. Niemand außerhalb des Unternehmens hat einen Lauf eines der beiden Checkpoints veröffentlicht.

Die Form des Ergebnisses ist jedoch konsistent. Bei Aufgaben im Klassifikationsstil hält sich das 587M-Modell überraschend gut — Typed Decisions liegt innerhalb von sechs Punkten. Bei allem, was das Lesen einer Szene, das Zählen von Objekten oder das Interpretieren eines Layouts erfordert, bricht es zusammen: 21,7 bei ImajevBench gegenüber 72,3 und 14,9 bei VisualWebBench in der früheren Suite gegenüber 88,6. Wenn Ihre Aufgabe darin besteht, ein Text-Ticket weiterzuleiten, sind die zusätzlichen Parameter ein Luxus. Wenn Ihre Aufgabe darin besteht, sich etwas anzusehen, sind sie das gesamte Produkt.

Wo die 587M noch gewinnt – und die Zahl, die es beweisen würde

Der Deployment-Rahmen ist der eigentliche Vorteil des 587M-Modells, und er ist kein Trostpreis. Ein 587M-Modell in 850MB läuft auf einem Laptop, einem Raspberry Pi oder einem Smartphone, und Liquid AI hat die d1-Reihe genau dafür gebaut. Ein 2.17B-Modell in 4.33GB braucht eine GPU oder einen gut ausgestatteten Apple-Silicon-Rechner, bevor es angenehm zu nutzen ist.

Was fehlt, ist der Latenzvergleich, der den Trade-off präzise machen würde. Die d1-Omni-2B-Karte veröffentlicht eine vollständige Geschwindigkeitstabelle: 5,8 ms für eine Frage und 7,7 ms für drei auf einer H100 PCIe, 3,7 ms und 5,6 ms auf einer MI325X, 21,1 ms und 28,9 ms auf einem M5 Pro sowie 1.154 Zustände pro Sekunde im Batch auf der H100. Die d1-omni-600M-Karte veröffentlicht nichts und nennt den Grund: „Wir veröffentlichen keine Inferenzzahlen für d1-omni-600M, da es sich um eine frühe Forschungsversion handelt, die sich in aktiver Entwicklung befindet.“ Das kleinere Modell ist also fast sicher schneller, und es gibt keine Herstellerangabe, die man für das Ausmaß zitieren könnte. Wer Ihnen sagt, das 587M sei dreimal schneller, extrapoliert aus der Parameterzahl.

Es gibt einen echten, mit der Genauigkeit zusammenhängenden Vorteil, der es wert ist, genannt zu werden. Die d1-Omni-2B-Karte empfiehlt d1-2B gegenüber sich selbst, wenn kein Audio vorliegt, und nennt die Gründe: d1-2B ist stärker bei Text und einzelnen Boxen, meldet fehlende Werte häufiger und ist besser kalibriert. Derselbe Hinweis spricht für reine Textarbeit gegen das Omni-Modell. Er besagt nicht, dass das 587M besser kalibriert ist – nur, dass das 2B-Omni einen Preis für eine Fähigkeit trägt, die man möglicherweise nicht nutzt.

Der Audio-Split ist der Punkt, an dem sich die beiden Generationen sauber trennen.

Audio ist die einzige Modalität, in der beide Modelle direkt miteinander konkurrieren, und die Einschränkungen unterscheiden sich stark genug, um eine Architektur zu bestimmen.

Das 587M-Modell verarbeitet bis zu 30 Sekunden Sprache, erwartet 16kHz mono, und seine Modellkarte enthält eine ausdrückliche Warnung: Die Audiofähigkeiten wurden an Anfragen zwischen einem englischsprachigen Sprecher und einem Assistenten trainiert, wobei diese Anfragen abdecken, um welche Art von Äußerung es sich handelt, welches Thema sie hat und was der Sprecher möchte. Das ist eine enge Verteilung, und sie wird als Einschränkung genannt statt als Fußnote.

Das 2B-Modell unterstützt Sprache in denselben sechzehn Sprachen wie seine Textseite, mit Ausnahme von Hindi, Thai, Vietnamesisch und Indonesisch, und die Audioergebnisse der Modellkarte umfassen 84,5 bei ESC-50-Schallereignissen und 92,5 bei der FLEURS-Sprachidentifikation über 43 Sprachen. Es verschlechtert sich außerdem auf Arten und Weisen, die die Modellkarte dokumentiert: Gesprochene kurze Zustände sinken von 42,0 geschrieben auf 22,8 gehört, und Belebele-Passagen in acht Sprachen fallen von 83,6 auf 41,8. Lange gesprochene Passagen verlieren an Genauigkeit, am stärksten außerhalb der lateinischen Schrift.

Die Unterscheidung ist also nicht „das 2B ist besser bei Audio“. Sondern: Das 2B hört mehr Arten von Audio und hat weiterhin Probleme mit langen gesprochenen Zuständen, während das 587M einen schmaleren, besser kontrollierten Ausschnitt hört und überhaupt nicht auf Klangereignisse oder Sprachidentifikation evaluiert wurde. Für das Routing von Sprachbefehlen auf Englisch sind die Einschränkungen des 587M verkraftbar. Für mehrsprachige Anruf-Triage sind sie ein Ausschlusskriterium.

Welchen Tag pullen

Die Entscheidungsregeln sind kurz genug, um sie als Regeln anzugeben.

• Nur Text und Bilder, und kein Audio im Produkt – nehmen Sie keines von beiden. d1-2B schneidet auf dem Entscheidungsindex besser ab als d1-Omni-2B, mit 51,1 gegenüber 49,0, und die eigene Modellkarte des Anbieters sagt Ihnen, dass Sie es verwenden sollen. Der Omni-Aufpreis bezahlt Audio, das Sie nicht nutzen werden.

• Voice-Routing auf ressourcenbeschränkter Hardware — d1-omni bei 850 MB. Akzeptieren Sie die 30-Sekunden-Obergrenze, die Trainingsverteilung englischsprachiger Sprecher und den Kontext von 16.384 Token, und messen Sie Ihre eigene Latenz, denn der Anbieter wird Ihnen keine Zahl nennen.

• Audio plus Bilder in derselben Entscheidung oder Boxen und Spans in der Ausgabe — d1-Omni-2B. Das 587M-Modell kann diese Anfragen nicht ausdrücken, daher ist kein Vergleich möglich.

• Mehrsprachige Sprachfunktion — d1-Omni-2B, wobei die vier ausgeschlossenen Sprachen an Ihrem tatsächlichen Traffic geprüft werden, bevor Sie sich festlegen.

• Batch-Durchsatz — d1-Omni-2B, dessen Karte die einzige der beiden ist, die überhaupt Zustände pro Sekunde veröffentlicht.

Ein Adoptionssignal ist es wert, festgehalten zu werden, weil es der Benchmark-Erzählung widerspricht: d1-omni-600M hat seit dem 5. Oktober auf Hugging Face rund 18.900 Downloads und 148 Likes erzielt. d1-Omni-2B hatte vier Tage nach Erscheinen seines Repositories 36 Downloads und 7 Likes. Frühe Downloadzahlen messen Neuheit und Verpackung, nicht Qualität — das 587M-Modell hat einen Ollama-Tag, der es nur einen Befehl entfernt macht — aber sie beschreiben, welches Modell die Leute heute tatsächlich laufen lassen.

Nach der Entscheidung der Rest des Anrufs

Welchen Tag Sie auch abrufen: Das Entscheidungsmodell ist der erste Schritt und nicht der letzte. Es liefert ein Label mit einer Wahrscheinlichkeit zurück; irgendetwas muss immer noch die Antwort schreiben, den Fall eskalieren oder die nächste API aufrufen, und dieser zweite Schritt ist ein generativer. OrcaRouter führt keine Modelle von Liquid AI, daher läuft der Aufruf von d1-omni oder d1-Omni-2B dort, wo Sie ihn bereits ausführen – auf Ihrer eigenen Hardware mit den Gewichten von Hugging Face oder über den Anbieter. Was hinter einem OpenAI-kompatiblen Schlüssel steht, sind die anderen über 200 Modelle im Katalog, zum Listenpreis des jeweiligen Anbieters mit 0 % Aufschlag, mit Failover zwischen Anbietern, wenn das von Ihnen gewählte nachgelagerte Modell gerade einen schlechten Nachmittag hat. Für ein so neues Modell ist diese Trennung nützlich: Der unerprobte Teil bleibt lokal und günstig, und der Teil, der Produktionsverkehr berührt, erhält einen Retry-Pfad.

Die Zahl, die dir keine der beiden Karten gibt

Keiner der beiden Checkpoints hat eine unabhängige Bewertung. Der 587M ist seit dem 5. Oktober öffentlich und hat immer noch keine; der 2B ist vier Tage alt. Bis jemand beide auf demselben Audio-Set mit demselben Mikrofon und denselben Sprachen laufen lässt, ist der achtfache Parameterunterschied eine Herstellertabelle, kein gemessener Fakt. Die konkrete Zahl, auf die man achten sollte, ist die 22,8 bei gesprochenen kurzen Zuständen — es ist die eine Zeile, in der die eigene Karte des neuen Modells eine Schwäche einräumt, die groß genug ist, um eine Deployment-Entscheidung zu ändern, und es ist die Zeile, die sich am wahrscheinlichsten ändert, wenn jemand außerhalb von Liquid AI ein Mikrofon darauf richtet.