d1-2B vs Liquid AI d1-omni-600M: Cuando la entrada decisiva es el sonido

Ponga una nota de voz y una factura fotografiada delante de estos dos modelos y solo uno de ellos puede responder, y no es el que tiene la mejor puntuación. d1-2B lee texto, JSON, imágenes y vídeo, y no puede aceptar audio en absoluto. Liquid AI d1-omni-600M lee texto con imágenes o texto con hasta 30 segundos de voz, y no puede aceptar audio e imágenes en la misma solicitud. Esa única asimetría decide la mayoría de los despliegues reales antes de que se consulte cualquiera de los benchmarks. Lo que sigue es, de todos modos, la versión honesta de la comparación: dónde el modelo de 587M es genuinamente competitivo, dónde el modelo de 1.92B no está cerca de ser reemplazable, y el único patrón de pipeline que usa ambos sin pretender que sean alternativas.

La decisión es una cuestión de modalidad, no una cuestión de puntuación.

Un modelo de decisión toma un estado y un conjunto de preguntas con nombre y devuelve una probabilidad por respuesta, sin tokens generados. El estado es toda la entrada, y el tipoes la restricción vinculante. La ficha de d1-2B enumera texto, JSON, imágenes y vídeo. La ficha de Liquid AI d1-omni-600M enumera texto con imágenes, o texto con audio — y el código aplica la exclusión: pasar tanto una imagen como un clip de audio a system_one genera un ValueError.

Entonces la primera pregunta no es qué modelo obtiene una puntuación más alta. Es si aquello que necesitas juzgar llega como píxeles, como texto o como una forma de onda. Si llega como una forma de onda, hay una sola respuesta en este par, y el resto de esta página trata sobre cuánta precisión sacrificas para obtenerla.

Qué compra realmente 587M

El 600M no es una versión pequeña del d1-2B. Es una construcción diferente, y merece la pena ver el presupuesto desglosado porque explica tanto sus fortalezas como su límite.

• Parámetros — 587 M en total: un tronco compartido y una cabeza de decisión de 381 M, un codificador de visión de 94 M y un codificador de audio de 112 M. Cada modalidad pasa por los mismos pesos del tronco.

• Base — LFM2.5-Encoder-350M, un codificador bidireccional, con una torre de visión SigLIP2 tomada de LFM2.5-VL-450M y un FastConformer de 17 capas para audio.

• Contexto — 16.384 tokens entre posiciones de texto, imagen y audio en conjunto, y un vocabulario de 65.536 tokens. La ventana de d1-2B es de 128K.

• Audio — hasta 30 segundos de voz mono a 16 kHz por solicitud. La tarjeta es explícita en que el lado de audio se entrenó con solicitudes entre un hablante de inglés y un asistente, lo cual es una distribución estrecha para un modelo que la gente aplicará a grabaciones de llamadas.

• Regla de medios — imágenes o audio, nunca ambos. La tarjeta documenta el ValueError en lugar de dejarte descubrirlo.

• Licencia — LFM Open License v1.0, la misma estructura de umbral que d1-2B: uso comercial con ingresos anuales inferiores a $10,000,000.

• Velocidad — no publicada. La ficha no indica cifras de latencia y describe el modelo como una versión temprana de investigación en desarrollo activo. d1-2B publica 5,7 ms en una H100 PCIe, 3,8 ms en una MI325X y 18,6 ms en una M5 Pro.

La tabla de la misma ejecución, y las filas en las que la diferencia es pequeña

Ambos modelos aparecen en la tabla de benchmark de la ficha de d1-2B, que puntúa cuatro modelos d1 abiertos en los mismos ítems con un evaluador idéntico. Eso hace que la comparación sea más limpia que la mayoría de las comparaciones entre fichas, con una salvedad: la propia ficha de d1-omni-600M reporta 15.95 en Decision Index 0.2.1, mientras que esta tabla reporta 18.3 en la versión 0.3. La diferencia es la edición del índice, y ambas cifras son correctas para su propia prueba.

• Suite pública Decision Index v0.3 — 51,1 para d1-2B frente a 18,3 para Liquid AI d1-omni-600M.

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

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

• ImajevBench v2.0-lite — 75,5 vs 21,7, la mayor brecha del lado de la decisión entre ambos.

• WorkflowEvals — 81,6 frente a 48,8.

• Promedio de Vision, 18 benchmarks — 70.2 vs 42.8.

• VisualWebBench — 96,2 frente a 14,9, lo cual es menos una comparación que una afirmación sobre cuánto puede soportar un codificador de visión de 94M.

Luego están las filas que abogan por la cautela. Typed Decisions es 61.3 frente a 57.5 — una diferencia de 3.8 puntos para un modelo con un tercio de los parámetros. POPE, el benchmark de alucinación de objetos, es 88.7 frente a 82.7. JevBench es 77.9 frente a 58.0, una brecha amplia, pero DecisionBench v4 es 85.2 frente a 57.9, y ambas juntas indican que el 600M es irregular en lugar de uniformemente débil. La propia publicación de lanzamiento de Liquid AI sitúa su media de siete benchmarks en 78.4, lo que es alto para 587M; la ficha de d1-2B no publica una media equivalente, por lo que no deberían ponerse ambas cifras una al lado de la otra.

El único número que no favorece a ninguno de los dos modelos es el independiente. Efraín Garay ejecutó Liquid AI d1-omni-600M en una muestra de 6.000 solicitudes de Decision Index 0.3 y obtuvo 14,0, frente al 14,17 del propio proveedor en la misma muestra: una reproducción cercana. También descubrió que 1.758 solicitudes superaban el presupuesto de instrucciones y opciones del modelo y fueron rechazadas, contadas como incorrectas, lo que constituye un costo real de una ventana de 16K en una suite diseñada para estados más largos.

Donde el 600M es la única opción

El enrutamiento de audio es el caso para el que se construyó el modelo, y los ejemplos de la tarjeta son concretos: enrutamiento de llamadas y mensajes de voz, eventos de sonido, instrucciones habladas sobre un estado escrito. Nada de eso está disponible en d1-2B con precisión alguna, porque no tiene codificador de audio ni posiciones de audio en su esquema de entrada.

Dos puntos de datos independientes deberían moderar el entusiasmo. El primero es la evaluación anterior, en la que el 600M obtuvo un AUC de 0,580 en detección de disparos y un AUC de 0,593 en pronóstico de lluvia en tareas con datos reales —apenas por encima del azar y por debajo de todos los modelos más grandes probados. El segundo es una reseña práctica que midió menos de 2 GB de VRAM en uso y encontró que el modelo clasificaba la dicción y el tono en audio de forma mucho más fiable que el significado semántico, con preguntas de tipo inferencial cercanas a lanzar una moneda al aire. Ambos apuntan en la misma dirección: este es un modelo de cribado. Es bueno para «qué tipo de cosa es esto», y no sustituye a un modelo que entienda lo que se dijo.

Eso no es una crítica a un checkpoint de 587 M. Es lo que se obtiene con 587 M cuando 381 M de ellos son tronco compartido. La razón para usarlo es el coste y la huella —menos de 2 GB de VRAM, un repositorio GGUF desde el 6 de octubre, compilaciones MLX desde el 12 de octubre y una decisión en una sola pasada hacia delante—, no la fidelidad.

Una cascada que utiliza ambos

El error es tratarlos como competidores. Son dos etapas del mismo filtro, y el pipeline natural ejecuta primero el modelo barato.

Etapa uno: Liquid AI d1-omni-600M recibe el elemento entrante —una nota de voz, una llamada de soporte, una queja escrita con un archivo adjunto— y responde preguntas generales. ¿Es un problema de facturación o técnico? ¿Está enojado quien llama? ¿Contiene este mensaje alguna solicitud siquiera? Con menos de 2 GB y una sola pasada, eso es lo bastante económico como para ejecutarlo en cada elemento.

Etapa dos: todo lo que el 600M sitúe cerca del centro de su escala, o cualquier cosa que llegue con una imagen que haya que interpretar, escala a d1-2B. El 2B dispone de una ventana de 128K, entrada de vídeo y aproximadamente el triple del promedio en visión, y solo ve la fracción del tráfico que la primera etapa no pudo resolver.

Los umbrales son el trabajo de verdad. Ambas tarjetas devuelven probabilidades, y ambas te dicen que calibres con tus propios datos; la tarjeta de d1-2B lo dice con todas las letras. Una cascada con una banda intermedia sin calibrar o lo escala todo, en cuyo caso el 600M era puro adorno, o no escala nada, en cuyo caso el 2B nunca corrige la etapa que no puede leer.

En la mayoría de los sistemas reales hay una tercera etapa: el modelo que escribe la respuesta. Ahí es donde entra una API alojada y donde OrcaRouter resulta relevante. Nosotros no servimos ninguno de los dos modelos de Liquid AI, así que los nodos de decisión se quedan en tu propia GPU; el paso generativo que consume sus etiquetas puede provenir de una única clave compatible con OpenAI que cubre más de 200 modelos, con un 0 % de recargo sobre los precios de lista de los proveedores y conmutación por error automática si un proveedor falla en mitad del tráfico. El DSL de enrutamiento también es la forma honesta de expresar la cascada en sí: los dos modelos de decisión como pasos del lado de la GPU, la generación de respuestas como un paso alojado, compuestos en lugar de pegados a mano en el código de la aplicación.

Lo que ninguno de los dos modelos hace, y la tercera opción

Ninguno de los dos escribe texto. Ambos devuelven respuestas tipadas y probabilidades con cero tokens de salida; si el siguiente paso necesita prosa, ese es otro modelo. Ninguno maneja vídeo con audio: d1-2B acepta fotogramas de vídeo pero no sonido, el 600M acepta sonido pero no junto con imágenes, y el límite máximo de audio de 30 segundos es un límite estricto, no una recomendación.

Si el requisito es genuinamente "audio e imágenes en la misma solicitud", la respuesta no es ninguna de estas dos, sino d1-Omni-2B, el hermano de 2,17B que Liquid AI creó veinticuatro segundos después de d1-2B y que acepta texto, imágenes, fotogramas de vídeo y clips de audio en una sola lista de medios. Su puntuación en el Decision Index es 49,0 en la misma tabla v0.3, su promedio de visión es 67,7 y tiene la misma ausencia de pruebas independientes que d1-2B. Cuesta aproximadamente cuatro veces los parámetros del 600M, que es el precio de no tener que elegir entre modalidades.

Así que la regla es breve. Si el estado contiene voz y no hace falta ver nada más, Liquid AI d1-omni-600M es el único miembro de este par que puede ejecutarse, y debe tratarse como una pantalla. Si el estado es texto, imágenes o vídeo y la respuesta tiene que sostenerse, d1-2B es el modelo —y es el que tiene una cifra de latencia publicada, una ventana de 128K y una ventaja en benchmarks que resiste que se lea fila por fila. Si el estado tiene ambos, ninguno de los dos es la respuesta, y el modelo omni de 2.17B lo es.