Liquid AI d1-omni-600M ist jetzt als Ollama-Pull verfügbar: Ein 600M-Entscheidungsmodell, das dich hören kann

Liquid AI d1-omni-600M wurde am 17. Oktober 2026 um 22:32 UTC zu einem Ollama-Paket. Dieser Zeitstempel ist keine Vermutung: Ollamas Registry liefert bei jedem Manifest einen ollama-push-time-Header, und die vier Tags hinter dem Namen d1-omni wurden an diesem Abend zwischen 22:31:25 und 22:32:13 angenommen, etwa vier Stunden bevor dies geschrieben wurde. Das Modell selbst ist nicht neu – Liquid AI veröffentlichte Liquid AI d1-omni-600M zusammen mit Liquid AI d1-3B am 5. Oktober 2026 als Open Weights und kündigte beide in seinem „Open d1“-Beitrag am 7. Oktober an – doch bis gestern Abend waren die einzigen Möglichkeiten, das audiofähige Modell auf eigener Hardware auszuführen, eine Transformers-Umgebung mit trust_remote_code=True oder ein selbst kompilierter llama.cpp-Build. Jetzt genügt ollama pull d1-omni. Niemand hat das angekündigt: weder der Blog von Liquid AI noch der von Ollama.

Die Verpackung ist die eigentliche Geschichte, und es lohnt sich, genau zu sein, welche Teile davon dokumentiert sind. Die jüngsten Blogbeiträge von Liquid AI sind d1-ultra vom 15. Oktober und LFM2.5-24B-A2B vom 13. Oktober, und keiner von beiden erwähnt Ollama; die eigene Ollama-Deployment-Seite des Labors zeigt weiterhin, wie man seine GGUF-Repositories direkt von Hugging Face mit ollama run hf.co/LiquidAI/... ausführt, und nennt nie ein d1-Modell. Ollamas Blog schweigt ebenso – seine neuesten Einträge sind Reflection's Beam am 16. Oktober und eine Fly.io-Integration am 13. Oktober. Was stattdessen existiert, ist ein Registry-Eintrag, vier Tags, ein verifizierbarer Digest und eine Bibliotheksseite, die noch verfasst wurde, während dieser Artikel entstand: Eine frühe Momentaufnahme dieser Seite lieferte „No readme“, und eine Momentaufnahme vierzig Minuten später lieferte eine vollständige, von Liquid AI verfasste Beschreibung mit einer Benchmark-Tabelle und einem Lizenzabschnitt. Wenn Sie ein datiertes, überprüfbares Ereignis für die letzten sieben Tage möchten, dann ist dieser Header genau das.

Was die Registry tatsächlich akzeptiert hat

Vier Tags führen zu zwei Images – das ist das Erste, was du verstehen musst, bevor du pullst. d1-omni:latest, d1-omni:600m und d1-omni:600m-q8_0 sind dasselbe Manifest – Digest 1ba59f63e836 –, während d1-omni:600m-bf16 ein zweites ist, Digest c1e95fce6627. Es gibt keinen F16-Tag, obwohl das eigene GGUF-Repository des Anbieters einen F16-Trunk veröffentlicht.

• Gewichtsschichten (Q8_0-Build) — ein 407 MB großer Trunk aus d1-omni-600M-Q8_0.gguf plus ein 442 MB großer Projektor aus mmproj-d1-omni-600M-BF16.gguf, mit einem 10,5 KB großen Lizenz-Blob und einem 18-Byte-Parameter-Blob, insgesamt 849.659.968 Bytes.

• Angegebene Größe — 850 MB für den Default-Tag und 1,2 GB für 600m-bf16, beide wie auf der Bibliotheksseite angegeben.

• Mindestversion der Laufzeitumgebung — erfordert: 0.40.4 im Konfigurationsblob, der außerdem model_family: lfm2, model_type: 380.73M und Dateityp Q8_0 angibt.

• Kontext — der Parameter-Blob legt num_ctx auf 16.384 fest.

• Lizenz — Der eingebettete Text ist die LFM Open License v1.0, in der Liquid AI, Inc. als Lizenzgeber genannt wird und die mit der Kennung lfm1.0 auf der Modellkarte übereinstimmt.

Dieser Projektor verdient einen zweiten Blick, denn er ist größer als das Modell, an dem er hängt. Liest man die GGUF-Metadaten direkt aus dem Registry-Blob, zeigen sich clip.has_vision_encoder = True und clip.has_audio_encoder = True in derselben Datei: 197 Vision-Tensoren über 12 Blöcke bei 768 breiten Embeddings und 256-Pixel-Eingaben sowie 641 Audio-Tensoren über 17 Blöcke bei 512 breiten Embeddings mit 128 Mel-Bins. Das sind der SigLIP2-Turm und der FastConformer-Encoder, die beide im multimodalen Bundle mitreisen, weshalb ein 381M-Parameter-Trunk hinter einem 442 MB großen Anhang ausgeliefert wird. Die Audiofähigkeit steckt physisch in dem Paket, das Sie herunterladen; die Frage, ob der Endpunkt sie erreichen kann, kommt später.

Das Modell hat 587 Mio. Parameter, und das 125K-Badge ist größer als die Wahrheit.

Auf Ollamas Seite wird bei jedem Tag mit „125K context window“ geworben. Das paketeigene num_ctx beträgt 16.384, und die Modellkarte von Liquid AI sagt dasselbe in Worten: 16.384 Token, die Text-, Bild- und Audiopositionen gemeinsam umfassen, wobei der Zustand und der Fragetext auf 896 Token gekürzt werden, sobald Bilder vorhanden sind. Die 125K-Zahl ist nachvollziehbar — das Trunk-GGUF trägt lfm2.context_length = 128000 —, aber sie ist die Obergrenze der Architektur, nicht das Fenster, das man tatsächlich erhält, und sie ist die Zahl, die am ehesten jemanden irreführt, der einen Ersatz für einen Long-Context-Klassifikator dimensioniert. Betrachte 16.384 als den Arbeitswert und 896 Token Text als den Arbeitswert, wenn ein Bild im Zustand ist.

Der Rest der Metadaten bestätigt die Modellkarte statt der Marketingaussage. Der Trunk besteht aus 18 Blöcken, 1.024-dimensionalen Embeddings und einem Vokabular von 65.536, und er ist kein Decoder: lfm2.attention.causal ist False. Seine KV-Head-Anzahlen pro Schicht lauten 0, 0, 8, 0, 0, 8, …, was bedeutet, dass die meisten dieser Blöcke überhaupt keine Attention-Blöcke sind, was die Abstammung vom bidirektionalen Encoder durchscheinen lässt. Der Decision-Head umfasst zwei Blöcke (lfm2.decision.block_count = 2), und die Kalibrierungskonstanten, die der Anbieter in config.json führt, sind auch in dieser GGUF enthalten – Auswahlfragen haben eine Temperatur von 1,7465 bei zwei Optionen, 1,3999 bei drei bis fünf, 1,1751 bei sechs bis zehn und 1,3725 bei über elf; Ja/Nein liegt bei 1,6663; bewertete Fragen liegen bei 1,7301 bei drei bis fünf Stufen und bei 1,0 bei sechs bis zehn. Das ist das gesamte Design an einem Ort: eine feste Menge benannter Antworten, in einem Durchgang bewertet, pro Frageform kalibriert, mit output_tokens: 0 am Ende.

Es ist kein Chat-Modell und schreibt keinen Text. Liquid AI listet fünfzehn Sprachen auf, hält die Audiotrainingsdaten ausschließlich in Englisch – Anfragen zwischen einem Sprecher und einem Assistenten – und begrenzt Clips auf 30 Sekunden. Die Model Card warnt außerdem vor bfloat16 auf GPUs: In den eigenen Prüfungen des Anbieters änderte es die Top-Antwort bei 0,8 % der Textzeilen und 1,7 % der Audiozeilen, während float16 überall mit float32 übereinstimmte.

Audio steckt in den Gewichten und fehlt in der dokumentierten API.

Das ist die Diskrepanz, die man kennen sollte, bevor man einen Bug meldet. Die Readme der Bibliotheksseite, die Liquid AI verfasst hat, dokumentiert Audio, indem sie eine Base64-WAV in das images-Array einer /v1/systemone-Anfrage einfügt. Die Hugging-Face-GGUF-Readme des Anbieters für denselben Checkpoint dokumentiert es anders, nämlich mit einem files-Array, das data:audio/wav;base64,… in den llama.cpp-Server trägt. Und die von Ollama veröffentlichte Endpunktreferenz dokumentiert beides nicht: Ihr Anfrageschema enthält state, images, questions und keep_alive, beschreibt images als „Requires a model with vision, such as Clef“ und enthält überhaupt kein audio-Feld und kein files-Feld. Ollamas eigener Leitfaden zu Entscheidungsmodellen nennt unterdessen Nimble, Tev1, Clef und Clef Flash als die Entscheidungsmodelle und sagt nur, dass die Clef-Modelle auch Bilder bewerten können.

Die ehrliche Einschätzung zu Audio in Ollama heute lautet also: Der Encoder ist nachweislich im Blob vorhanden, die Readme des Anbieters besagt, dass es über Bilder funktioniert, und das veröffentlichte Schema sieht es nicht vor. Die Bildeingabe beim selben Modell steht auf sichererem Fundament – Vision ist eine dokumentierte System-One-Fähigkeit, und d1-omni erscheint in Ollamas Kategorieauflistung für Vision. Zwei kleinere Dokumentationslücken bestehen daneben: Die Endpoint-Referenz erlaubt bis zu 255 Optionsschlüssel in einer Auswahlfrage, während der Entscheidungsleitfaden 2 bis 26 angibt, und die Mindestversion der Laufzeit des Pakets von 0.40.4 ist höher als die 0.35.0, die in der Endpoint-Dokumentation angegeben wird.

Unter Vision abgelegt, nicht unter Entscheidung

Die Modellsuche von Ollama filtert Entscheidungsmodelle in eine eigene Kategorie. Sie enthält neun Einträge — nimble-v3, pplx-decider, kev, tev1, nimble, clef-flash, clef, laya und strands-decider — und weder d1 noch d1-omni ist darunter. Die d1-omni-Seite ist mit vision und 600m getaggt und erscheint tatsächlich in der Vision-Liste, sodass jemand, der nach „decision model“ sucht, das neueste nicht finden wird. Das ist eher ein Auffindbarkeitsproblem als ein Fähigkeitsproblem, aber es ist relevant, wenn Sie vorhatten, die Entscheidungsfamilien in Ollamas eigenem Katalog zu vergleichen, und zu dem Schluss gekommen sind, dass dieses Modell nicht existiert.

Es bedeutet außerdem, dass d1-omni das erste Entscheidungsmodell in Ollamas Bibliothek ist, das überhaupt Sprache aufnehmen kann – der Audio-Encoder ist im Paket enthalten, und nichts anderes in dieser Liste mit neun Modellen verfügt über einen. Ob der Endpoint ihm Ihre WAV-Datei aushändigt, ist die offene Frage aus dem obigen Abschnitt, und es ist das Einzige, was sich mit größter Wahrscheinlichkeit geändert haben wird, wenn Sie dies lesen.

Die Zahlen und wer jede einzelne davon erstellt hat

Jede Genauigkeitszahl, die Liquid AI d1-omni-600M zugeordnet ist, stammt von Liquid AI, und es gibt unseres Wissens nach keine unabhängige Bewertung irgendeines d1-Modells – keine Zeile in einer Rangliste, keinen Drittanbieter-Lauf, keine veröffentlichte Ablehnung der Bewertung durch den Anbieter. Der Anbieter hat beide d1-Checkpoints selbst mit dem offiziellen Decision Index Scorer bewertet, statt sie in die öffentliche Rangliste einzureichen, und gibt dies auf der Model Card an; jede konkurrierende Zeile in seiner Tabelle stammt aus Leaderboard v0.2.1, was bedeutet, dass der Vergleich eine selbst bewertete Zahl neben extern bewerteten Zahlen ist.

• Decision Index 0.2.1 — 15,95 für d1-omni-600M (Wissen 8,3, Sprache 12,9, Retrieval 35,0, Tools 15,1, Künste 6,8) gegenüber 48,57 für d1-3B.

• Benchmarks als Entscheidungsgrundlage, Mittelwert aus sieben — 78,4 für d1-omni-600M gegenüber 82,9 für d1-3B, wobei das 600M-Modell bei Civil Comments (95,8 vs. 93,0) und PAWS-X (79,5 vs. 76,9) vorn und bei BoolQ (77,7 vs. 86,7) und SQuAD 2.0 (74,0 vs. 85,3) zurück liegt.

• Fast Decisions, Dev-Split — 76,9, vom Anbieter angegeben, keine Vergleichszeile veröffentlicht.

• Geschwindigkeit — nichts. Die Karte gibt ausdrücklich an, dass keine Inferenzwerte gemeldet werden, da es sich um eine frühe Forschungsversion in aktiver Entwicklung handelt; jede Latenzangabe, die Sie anderswo dafür sehen, ist daher jemandes eigene Messung.

• Fixture-Zahlen auf der Ollama-Seite — das durchgerechnete Beispiel im Readme zeigt urgent mit 0,998 und technical mit 0,995 beantwortet. Das sind illustrative Ausgaben einer einzelnen Anfrage, veröffentlicht von der Runtime, und sie sind kein Benchmark.

Die Lücke zwischen {{1}}15.95{{/1}} und {{2}}48.57{{/2}} ist das Nützlichste auf der Modellkarte, denn sie beantwortet die Kaufentscheidung mit den eigenen Worten des Anbieters: In der Readme heißt es, man solle {{3}}d1{{/3}} verwenden, wenn Genauigkeit bei Text und Bildern zählt, und zu {{4}}d1-omni{{/4}} greifen, wenn die Größe zählt oder man Audio braucht. Ein {{5}}587M{{/5}}-Modell, das bei sieben öffentlichen Benchmarks {{6}}78.4{{/6}} erzielt und sich als Entscheidungen lesen lässt, ist ein plausibler Edge-Klassifikator. Es ist keine kleinere Version des {{7}}3B{{/7}}-Modells.

Wo OrcaRouter passt – und wo nicht

Wir bieten dieses Modell nicht an. Eine Prüfung unseres Katalogs am 18. Oktober ergab 208 Modell-IDs, und keine davon stammt von Liquid AI; hier wird also keine Verfügbarkeit zugesichert, und es gibt auf unserer Seite keinen Weg, es abzurufen. Wenn Sie Liquid AI d1-omni-600M möchten, ist der lokale Weg der oben beschriebene, und der gehostete Weg ist die eigene API des Anbieters und alles, was Drittplattformen davon aufgreifen.

Was die Verpackung ändert, ist die Form des Systems um sie herum, und dort sind wir nützlich. Ein Entscheidungsmodell ist fast nie die gesamte Pipeline: Das Ticket, das es etikettiert, der Frame, den es flaggt, und das Transkript, das es weiterleitet, müssen noch immer von etwas, das Text schreibt, beantwortet, zusammengefasst oder eskaliert werden. Diese generativen Aufrufe stehen hinter einem OpenAI-kompatiblen Schlüssel für über 200 gehostete Modelle zum Listenpreis des Anbieters, mit 0 % Aufschlag durchgereicht, sodass eine Preisänderung eines Anbieters Sie noch am selben Tag erreicht statt erst mit einem neuen Vertrag. Und weil d1-omni-600M ohne unabhängige Genauigkeitsnachweise und ohne veröffentlichte Latenz ausgeliefert wird, besteht der richtige Weg, es echtem Traffic auszusetzen, darin, es hinter automatischem Failover über Anbieter hinweg zu platzieren — lassen Sie es die Aufrufe übernehmen, bei denen es sicher ist, und halten Sie eine Ausweichroute bereit, wenn nicht, statt 587M Parameter zu einem Single Point of Failure für Ihren Triage-Schritt zu machen. Die Entscheidung bleibt lokal; das Fallback muss es nicht sein.

Was würde diese Lesart ändern?

Vier Dinge, von denen jedes einzelne aus einer Verpackungsnotiz einen anderen Artikel machen würde. Ollama, das Audio im Anfrageschema von System One dokumentiert, was den WAV-in-Bildern-Trick aus der Readme in eine unterstützte Eingabe verwandeln und dieses zum ersten sprachfähigen Entscheidungsmodell machen würde, das man mit einem einzigen Befehl ausführen kann. Entweder, dass eines der beiden Unternehmen die Portierung anerkennt – Liquid AI, das d1-omni zur Ollama-Seite seiner Deployment-Dokumentation hinzufügt, oder Ollama, das es statt unter Vision unter Entscheidungsmodellen auflistet. Eine Geschwindigkeitsangabe von irgendjemandem, ob Anbieter oder nicht, da es heute keine gibt. Und eine unabhängige Zeile im Decision Index für irgendein d1-Modell, die nach wie vor das einzige fehlende Teil in der gesamten Familie bleibt.

Bis dahin ist die Entscheidung einfach. Wenn Sie bereits Ollama 0.40.4 oder neuer ausführen, ist der Pull ein einziger Befehl, der Download 850 MB groß, und Sie erhalten einen 587M-Klassifikator, der getippte Fragen in einem einzigen Vorwärtsdurchlauf über Text und Bilder beantwortet – und, wenn die README stimmt, über 30 Sekunden englische Sprache. Wenn Ihr Zustand lang ist, sollten Sie das 16.384-Token-Fenster und das Textbudget von 896 Token im Auge behalten statt das 125K-Badge. Und wenn Sie Belege dafür brauchen, dass er genau ist, bevor er irgendetwas etikettiert, das ein Kunde zu sehen bekommt, dann gibt es diese Belege noch nicht – weder für dieses Modell noch für eines seiner Geschwistermodelle.

Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Veröffentlichungen wie dieser werden gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig enthält.