d1-Omni-2B: Was Liquid AIs unauffälligstes 2B-Entscheidungsmodell mitbringt – und was es weglässt

Das Repository auf Hugging Face für LiquidAI/d1-Omni-2Bwurde am 24. Oktober 2026 um 19:30 UTC erstellt. Der erste Blogbeitrag von Liquid AI, der das Modell namentlich erwähnte, erschien am 27. Oktober. In diesen drei Tagen war das Repository öffentlich und vollständig – ein vollständiges Datenblatt, 4,33 GB BF16-Safetensors, funktionierender Transformers-Code – und nichts, was der Anbieter veröffentlichte, ließ erkennen, dass es existiert. Als die Erwähnung schließlich erfolgte, bestand sie aus zwei Absätzen und einer Tabelle mit vier Zeilen im Rahmen der Markteinführung einer Familie aus sechs Modellen – nicht aus einer eigenen Markteinführung. Das ist die Form dieser Veröffentlichung, und es ist der ehrliche Rahmen für alles Folgende: Die Gewichte sind prüfbar, die Behauptungen stammen vom Anbieter, und die Bestandteile, die ein Käufer normalerweise aus einer Ankündigung erhalten würde – ein Preis, ein gehosteter Endpunkt, ein unabhängiger Benchmark – gibt es noch nicht.

Die fünftägige Lücke zwischen den Gewichten und den Worten

Die Geschichte vom Entscheidungsmodell von Liquid AI wurde zweimal erzählt, und d1-Omni-2B kommt in keiner der beiden Erzählungen vor. Am 7. Oktober veröffentlichte das Unternehmen „Open d1: Edge decision models for text, vision, and audio“ – einen Beitrag, der genau zwei offene Checkpoints vorstellte: d1-3B, ein Vision-und-Text-Modell mit 3,12B Parametern, und d1-omni-600M, ein Modell mit 587M Parametern, das Text mit Bildern oder Text mit bis zu 30 Sekunden Audio verarbeitete. Dieser Beitrag ist weiterhin online, und er enthält weiterhin kein 2B-Modell.

Die 2B-Reihe erschien nach einem anderen Zeitplan. Am 21. Oktober erschien der Basis-Checkpoint LFM3-Omni-2B auf Hugging Face. Am 24. Oktober erstellte Liquid AI im Abstand von vierundzwanzig Sekunden Repositories für d1-2B und d1-Omni-2B. Der LFM3-Launch-Beitrag vom 27. Oktober benannte dann die Familie: sechs Modelle mit rund 2B Parametern, wobei vier Text, Vision, Audio und Omni abdecken, und, mit den Worten des Beitrags, „die letzten beiden sind Entscheidungsmodelle, die von den Vision- und Omni-Modellen spezialisiert wurden“. Dieser Satz ist die Ankündigung. Es gab keinen separaten d1-Omni-2B-Beitrag, keine Preisseite, kein Zitat eines Launch-Partners und keine Aktualisierung des Artikels vom 7. Oktober.

Das Modell ist also nicht undokumentiert – das Repository ist einer der besser dokumentierten kleinen Checkpoints, die Liquid AI veröffentlicht hat, und die Dokumentationsseite des Anbieters für Entscheidungsmodelle führt es neben d1-2B und d1-omni-600M auf. Es wird zu wenig angekündigt. Diese Unterscheidung ist wichtig, weil sie Ihnen sagt, welche Aussagen eine Launch-Prüfung durchlaufen haben und welche nicht.

Die Karte als Datenblatt lesen

Lässt man die Rahmung weg, ist der Checkpoint unkompliziert. d1-Omni-2B ist ein nachtrainiertes Entscheidungsmodell, das auf LFM3-Omni-2B basiert, und es ist kein Chat-Modell: Es schreibt keinen Text und erzeugt keine Sprachausgabe, und jeder Aufruf liefert output_tokens: 0.

• Parameter — 2,17 Mrd., ausgeliefert als einzelne 4,33 GB große BF16-safetensors-Datei.

• Architektur — das LFM3-Backbone: 24 Schichten, davon 13 gegatete kurze Faltungen, 5 Sliding-Window-Attention mit einem Fenster von 256 Token und 6 globale Attention. Der Beitrag der Familie beschreibt diese Tri-Hybrid-Mischung als Ergebnis einer Hardware-in-the-Loop-Architektursuche, die über 14 Geräte- und Backend-Kombinationen hinweg durchgeführt wurde.

• Kontext und Vokabular — 128K Token und ein Vokabular von 128.000 Token, das mit dem Rest von LFM3 geteilt wird.

• Eingabe — ein Zustand, der ein Text oder ein beliebiger JSON-Wert sein kann, dazu Bilder, Video-Frames und Audio-Clips, dazu beliebig viele benannte Fragen, schriftlich oder mündlich. Die API der Karte nimmt all das in einer Medienliste entgegen, was ein bedeutsamer Unterschied zum 587M-Checkpoint ist: d1-omni-600M ist als Text mit Bildern oder Text mit Audio dokumentiert, nicht beides gleichzeitig.

• Ausgabe — typisierte Antworten mit Wahrscheinlichkeiten. Ja/Nein, eine Auswahl aus benannten Optionen, eine geordnete Bewertung, ein aus einem Dokument gelesener Wert mit seiner Spanne, eine Zahl mit einem p10–p90-Intervall, eine Bounding-Box oder jedes Vorkommen eines Objekts mit einer Anzahl.

• Sprachen — sechzehn. Die Sprachausgabe deckt dieselbe Auswahl ab, mit Ausnahme von Hindi, Thai, Vietnamesisch und Indonesisch, was erwähnenswert ist, da die Textseite sie aufführt.

• Lizenz — LFM Open License v1.0. Die kommerzielle Nutzung ist unter 10.000.000 US-Dollar Jahresumsatz gestattet; darüber heißt es im Lizenztext, die kommerzielle Nutzung „is not licensed under this Agreement“.

Audio ist die Behauptung, die es wert ist, getestet zu werden.

Der Grund, statt d1-2B diesen Checkpoint zu wählen, ist Audio. Liquid AI positioniert ihn für „Call- und Voice-Message-Routing und Klangereignisse“, und die Modellkarte enthält das eine Stück Beleg, mit dem ein Launch-Post normalerweise begonnen hätte: einen Vergleich von gesprochen versus geschrieben bei denselben Inhalten.

• Business-Routing und Triage (DecisionBench, Hanno Labs v1) — 83,4 schriftlich, 78,2 mündlich.

• Kundenservice-Fälle (Typisierte Entscheidungen) — 50,5 schriftlich, 48,0 mündlich.

• JevBench v1.4.1, die Zeilen, die eine Stimme sprechen kann — 87,6 geschrieben, 89,0 gesprochen, was bedeutet, dass der gesprochene Durchlauf etwas besser abschnitt, was eher Rauschen als ein Gewinn ist.

• Klangereignisse (ESC-50) — 84,5, ohne schriftliches Äquivalent.

• Identifizierung gesprochener Sprache (FLEURS, 43 Sprachen) — 92.5.

Diese Zahlen stützen die Verkaufsargumentation. Der übrige Audioteil ist der Teil, der Ihnen sagt, wo Sie nicht bauen sollten, und er ist für eine Anbieterkarte ungewöhnlich offen. Kurze gesprochene Zustände fallen von 42,0 schriftlich auf 22,8 gehört. Belebele-Passagen in acht Sprachen fallen von 83,6 auf 41,8. Die Karte sagt unverblümt, dass lange gesprochene Passagen viel von ihrer Genauigkeit verlieren, „vor allem außerhalb von Sprachen mit lateinischer Schrift“, und verweist alle ohne Audioeingabe stattdessen auf d1-2B, das laut der Karte bei Text und einzelnen Boxen stärker ist, häufiger fehlende Werte meldet und besser kalibriert ist.

Zusammengelesen beschreiben diese Zeilen ein Modell, das gut bei kurzen, weiterleitbaren Äußerungen in wichtigen Sprachen ist und deutlich schwächer bei allem, was das Aufrechterhalten eines langen gesprochenen Zustands erfordert. Callcenter-Triage passt dazu. Ein vierzigminütiges aufgezeichnetes Meeting nicht.

Die Anzeigetafel gehört dem Anbieter, und der Index hat die Version geändert.

Jede Leistungszahl zu diesem Modell stammt von Liquid AI selbst. Die Karte ist ausdrücklich zur Methodik: Alle vier d1-Modelle wurden anhand derselben Aufgaben mit derselben Bewertung bewertet, daher weichen einige Werte leicht von den jeweiligen Einzelkarten ab, aus denen sie stammen. Es wird nicht angegeben, dass ein Dritter irgendetwas davon reproduziert hat, und zum Zeitpunkt der Erstellung liegt keine unabhängige Bewertung von d1-Omni-2B vor.

• Decision Index öffentliche Suite, v0.3 — 49,0 für d1-Omni-2B, gegenüber 51,1 für d1-2B, 49,0 für d1-3B und 18,3 für d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76,4, gegenüber 77,1, 73,1 bzw. 58,7.

• decisionbench.ai v4 — 84,7, gegenüber 85,2, 83,6 und 57,9.

• ImajevBench v2.0-lite — 72,3 gegenüber 75,5, 64,0 und 21,7.

• Die herstellereigene Bestenliste mit mehr als hundert Benchmarks — 61,8, gegenüber 63,2, 58,8 und keiner Wertung für das 600M.

• Vision-Durchschnitt über 18 Bild-Benchmarks — 67,7 gegenüber 70,2, 65,4 und 42,8.

Eine Falle steckt mitten in dieser Sache. Der Beitrag vom 7. Oktober nannte für d1-omni-600M 15,95 auf Decision Index v0.2.1. Die neue Karte nennt dafür 18,3 auf v0.3. Das sind unterschiedliche Test-Suiten, und der Unterschied ist kein Fähigkeitsgewinn; ziehen Sie nicht den einen Wert vom anderen ab. Der einzig faire Vergleich ist der, den die Karte tatsächlich vorgenommen hat: alle vier Modelle wurden anhand derselben Items neu bewertet.

Das Muster, das die Neubewertung übersteht, ist, dass d1-Omni-2B in fast allen Bereichen knapp unter d1-2B und mit großem Abstand über der vorherigen Generation liegt. Liquid AI stellt es als besser dar als d1-3B – auf seinem Decision Board und bei 16 von 18 Bild-Benchmarks mit 70 % der Parameter –, was auf die abgedruckte Tabelle zutrifft und zugleich ein Vergleich mit einem Modell ist, das die Familie inzwischen ersetzt hat.

Was das Repository nicht beantwortet

Fünf Fragen sind noch offen, und keine von ihnen wird durch das Lesen der Gewichte beantwortet.

• Gehosteter Zugang und Preis. Im LFM3-Beitrag heißt es, dass die Basis- und die nachtrainierten Modelle auf Hugging Face, im Playground und über die Liquid AI API verfügbar sind. Die Tabelle in der Dokumentation zu den Decision-Models führt d1-Omni-2B jedoch als Open Weights auf und behält ihre Zeilen für ausschließlich gehosteten Zugang d1.1 und d1-ultra vor, und auf der Hugging-Face-Modellseite steht: „Dieses Modell wird von keinem Inference Provider bereitgestellt." Nirgendwo, wo dieser Artikel nachsehen konnte, ist ein Preis pro Aufruf für diesen Checkpoint veröffentlicht; gehosteter Zugang ist daher als plausibel, aber unbestätigt zu betrachten.

• Trainingsdaten. Die Karte nennt weder Korpus noch Zusammensetzung noch Datensatzbeschreibung. Sie erwähnt Tests an Clips und Stimmen „die in keiner Trainingszeile vorkommen“, was impliziert, dass ein Trainingsset existiert, und sagt nichts darüber aus, was darin enthalten ist.

• Quantisierung. Das Haupt-Repository liefert BF16, und Liquid AI veröffentlicht drei Schwester-Builds: MLX fp16, MLX 8-Bit und einen ONNX-Export. Es gibt kein herstellereigenes GGUF, allerdings führt Ollamas d1-omni-Bibliothek einen 2b-Tag mit 4,4 GB und 125K Kontext, und die Größe kommt dem BF16-Checkpoint nahe genug, dass sie nicht nach aggressiver Quantisierung aussieht.

• Unabhängige Bewertung. Keine. Jede oben genannte Zahl stammt aus einem vom Anbieter selbst durchgeführten Lauf mit dem anbietereigenen Scorer auf dem anbietereigenen Board.

• Ob es d1-omni-600M ersetzt. Die Modellkarte empfiehlt d1-2B gegenüber diesem Modell, wenn kein Audio vorhanden ist, und empfiehlt dieses Modell gegenüber d1-2B, wenn Audio vorhanden ist. Sie sagt nichts über die Zukunft des 587M-Checkpoints aus, und Liquid AI hat ihn nicht als veraltet eingestuft.

Es laufen zu lassen und was es an Hardware kostet

Der Inferenzpfad ist Transformers 5.19 oder neuer mit trust_remote_code, und der Aufruf ist model.system_one(state, questions, media). Es gibt keine Sampling-Parameter festzulegen, da nichts gesampelt wird. Die Kompilierung dauert bei den ersten Aufrufen etwa eine Minute; danach meldet die Karte 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 AMD MI325X sowie 21,1 ms und 28,9 ms auf einem Apple M5 Pro. Ein Zustand mit 5K Token kostet 52 ms auf der H100. Batching ist der Schlüssel zum Durchsatz: 1.154 Zustände pro Sekunde auf der H100 und 1.697 auf der MI325X bei 64 Zuständen in einem Aufruf.

Für ein Modell dieser Klasse sind diese Zahlen das Argument. Es konkurriert nicht über Qualität mit einem Chatmodell; es konkurriert damit, überhaupt ein Chatmodell zu betreiben. Ein Forward-Pass von 5,8 ms, der eine kalibrierte Wahrscheinlichkeit liefert, ist ein anderer Kostenposten als ein generativer Aufruf, der einen Absatz liefert, den man anschließend parsen muss.

Wo die Entscheidung endet und der Rest der Pipeline beginnt

Ein Modell wie dieses erledigt einen Hop. Es verwandelt ein Ticket, eine Anrufaufnahme oder ein Kamerabild in ein Label und einen Konfidenzwert, und dann muss etwas auf dieses Label reagieren – die Antwort entwerfen, den Fall eskalieren, die API aufrufen. Kein Modell von Liquid AI steht im Katalog von OrcaRouter, daher sitzt unser Produkt genau an diesem zweiten Hop: Die generativen Modelle, die die Entscheidung konsumieren, laufen über einen OpenAI-kompatiblen Schlüssel, der 200+ Modelle abdeckt und zu den Listenpreisen der jeweiligen Anbieter mit 0 % Aufschlag durchgereicht wird, mit automatischem Failover, wenn eine Anfrage bei einem Anbieter landet, der gerade eine schlechte Minute hat. Das Entscheidungsmodell ist der günstige, schnelle, deterministische Teil. Es lohnt sich, den teuren, nicht deterministischen Teil an etwas anzubinden, das erneut versuchen kann.

Was würde es klären

Drei Dinge würden d1-Omni-2B von „vielversprechend“ zu „empfehlenswert“ machen, und keines davon erfordert einen weiteren Blogbeitrag. Das erste ist ein unabhängiger Lauf der Audiosuite auf Hardware, die der Anbieter nicht kontrolliert – die Lücke von 22,8 gegenüber 42,0 bei gesprochenen kurzen Zuständen ist die Zahl, die sich am wahrscheinlichsten unter jemandes anderem Mikrofon ändert. Das zweite ist ein veröffentlichter Preis für gehosteten Zugang, ohne den die Eigenbau-gegen-Kauf-Kalkulation nicht abgeschlossen werden kann. Das dritte ist ein direkter Vergleich mit d1-2B bei denselben Aufgaben mit Audioanteil, denn die eigene Empfehlung der Karte – das 2B omni nur zu verwenden, wenn die Eingabe Audio enthält – ist der nützlichste Satz darin, und zugleich der einzige, den niemand außerhalb von Liquid AI getestet hat.