d1-Omni-2B vs d1-omni: una etiqueta, dos checkpoints y una brecha de ocho veces

Descarga d1-omni hoy y obtendrás un modelo de decisión de 587 M de parámetros en 850 MB. Descarga d1-omni:2b y obtendrás 4,4 GB de algo completamente distinto: d1-Omni-2B, el modelo de decisión de audio que Liquid AI lanzó con la familia LFM3 el 27 de octubre de 2026, frente a d1-omni, el nombre que Ollama ha usado desde principios de octubre para el checkpoint d1-omni-600M del proveedor. No son las respuestas de dos proveedores a la misma pregunta. Son dos generaciones de la misma idea, con una diferencia de ocho veces en el número de parámetros, y elegir entre ellos es en realidad elegir dónde tiene que ejecutarse el modelo. Uno cabe en un teléfono. El otro quiere una GPU y, a cambio, hace cosas que el más pequeño no puede hacer en absoluto.

La nomenclatura hace que esto sea más difícil de lo que debería ser, así que vale la pena decirlo claramente antes de las cifras: no existe ningún modelo de Liquid AI llamado simplemente d1-omni. La documentación del proveedor enumera d1-omni-2B y d1-omni-600M como pesos abiertos, y d1.1 y d1-ultra como solo alojados. «d1-omni» es un nombre de empaquetado: el checkpoint de 587M bajo una etiqueta más corta. Ese es el oponente en esta comparación, y es el que la mayoría de la gente ya tiene en disco.

Lo que realmente es cada uno

Ambos son modelos de decisión en el sentido que Liquid AI da al término: les entregas un estado y una lista de preguntas con nombre, y devuelven respuestas tipadas con probabilidades en una sola pasada hacia adelante. Ninguno escribe texto, ninguno produce habla, y ambos reportan cero tokens de salida. La similitud termina en la interfaz.

• Parámetros — 2,17B para d1-Omni-2B frente a 587M para d1-omni, desglosados en el modelo pequeño en un tronco compartido de 381M y una cabeza de decisión, un codificador de visión de 94M y un codificador de audio de 112M.

• Arquitectura — una columna vertebral trihíbrida LFM3 para el 2B: 24 capas de 13 convoluciones cortas con compuertas, 5 de atención de ventana deslizante y 6 de atención global. El 587M es un codificador bidireccional LFM2.5 construido sobre LFM2.5-Encoder-350M, con una torre de visión SigLIP2 heredada de LFM2.5-VL-450M y un FastConformer de 17 capas para audio.

• Contexto — 128K tokens con un vocabulario de 128.000 tokens para el 2B. El modelo de 587M está documentado con 16.384 tokens que cubren en conjunto posiciones de texto, imagen y audio, y su ficha añade que, cuando hay imágenes presentes, el texto de estado y de la pregunta se recorta a 896 tokens, tal como se entrenó. La página de Ollama muestra 125K para ambas etiquetas, una cifra que el proveedor no publica; dimensione sus prompts según la cifra del proveedor.

• Entrada — el 2B acepta un estado de texto o JSON junto con imágenes, fotogramas de vídeo y clips de audio en una sola lista de medios. El 587M acepta texto con imágenes, o texto con hasta 30 segundos de audio, y su ficha no documenta la combinación de ambos.

• Tipos de salida — sí/no, opción y puntuación en ambos. El 2B añade casillas, selección múltiple, valores extraídos con spans y números con un intervalo. Esos son nuevos en la generación LFM3 y no tienen equivalente en el 587M.

• En disco — 4,33 GB de safetensors BF16 para el 2B, frente a 850 MB para la versión Q8_0 de d1-omni y 1,2 GB para su etiqueta BF16.

• Licencia — LFM Open License v1.0 en ambos casos. Gratuito para uso comercial con ingresos anuales inferiores a $10,000,000; por encima de esa cifra se requiere una licencia independiente.

Qué aporta el octavo parámetro

La comparación útil es la que Liquid AI imprimió ella misma, porque volvió a puntuar los cuatro modelos d1 sobre los mismos ítems con el mismo evaluador. Eso hace que las filas sean comparables entre sí de un modo en que las tarjetas más antiguas no lo son.

• Suite pública Decision Index, v0.3 — 49,0 para d1-Omni-2B frente a 18,3 para d1-omni-600M.

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

• decisionbench.ai v4 — 84,7 frente a 57,9.

• JevBench v1.4.1 — 75,3 frente a 58,0.

• ImajevBench v2.0-lite — 72,3 frente a 21,7, la brecha más amplia del conjunto y la que más importa para el trabajo visual.

• WorkflowEvals — 77,1 frente a 48,8.

• Decisiones tipadas — 63,1 frente a 57,5, la brecha más estrecha y un recordatorio de que no todas las tareas escalan con los parámetros.

• Promedio de visión, 18 benchmarks de imágenes — 67,7 frente a 42,8.

Dos advertencias acompañan a esa lista. La primera es la deriva de versión: la ficha del 7 de octubre reportaba d1-omni-600M con 15.95 en Decision Index v0.2.1, y la nueva ficha reporta 18.3 en v0.3. Son suites distintas, y restarlas mide el índice, no el modelo. La segunda es la procedencia: todas las cifras son reportadas por el proveedor, puntuadas por Liquid AI, sobre benchmarks seleccionados por Liquid AI. Nadie fuera de la empresa ha publicado una ejecución de ninguno de los dos checkpoints.

La forma del resultado sí es consistente, sin embargo. En tareas de tipo clasificación, el modelo de 587M resiste sorprendentemente bien: Typed Decisions queda a menos de seis puntos. En cualquier cosa que requiera leer una escena, contar objetos o interpretar una disposición, se derrumba: 21,7 en ImajevBench frente a 72,3, y 14,9 en VisualWebBench en la batería anterior frente a 88,6. Si tu trabajo consiste en enrutar un ticket de texto, los parámetros adicionales son un lujo. Si tu trabajo implica mirar algo, son todo el producto.

Dónde el 587M sigue ganando, y el número que lo demostraría

El envelope de despliegue es la verdadera ventaja del modelo de 587M, y no es un premio de consolación. Un modelo de 587M en 850MB se ejecuta en un portátil, una Raspberry Pi o un teléfono, y Liquid AI creó la línea d1 exactamente para eso. Un modelo de 2,17B en 4,33GB necesita una GPU o una máquina Apple Silicon bien equipada antes de que sea agradable usarlo.

Lo que falta es la comparación de latencia que haría preciso el balance. La ficha de d1-Omni-2B publica una tabla completa de velocidades: 5,8 ms para una pregunta y 7,7 ms para tres en una H100 PCIe, 3,7 ms y 5,6 ms en una MI325X, 21,1 ms y 28,9 ms en una M5 Pro, y 1.154 estados por segundo en lotes en la H100. La ficha de d1-omni-600M no publica nada, y explica por qué: «No publicamos cifras de inferencia para d1-omni-600M porque es una versión de investigación temprana y está en desarrollo activo». Así que el modelo más pequeño es casi con seguridad más rápido, y no hay ninguna cifra del fabricante que citar sobre cuánto. Cualquiera que te diga que el 587M es tres veces más rápido está extrapolando a partir del número de parámetros.

Hay una ventaja genuina relacionada con la precisión que vale la pena mencionar. La ficha de d1-Omni-2B recomienda d1-2B por encima de sí mismo cuando no hay audio, y da las razones: d1-2B es más fuerte en texto y cajas individuales, informa valores faltantes con más frecuencia y está mejor calibrado. El mismo consejo aleja del modelo omni para trabajo de solo texto. No dice que el 587M esté mejor calibrado — solo que el omni de 2B conlleva un coste por una capacidad que puede que no uses.

La división de audio es donde las dos generaciones se separan claramente.

El audio es la única modalidad en la que ambos modelos compiten directamente, y las restricciones son lo bastante distintas como para decidir una arquitectura.

El modelo de 587M admite hasta 30 segundos de voz, espera 16kHz mono, y su tarjeta incluye una advertencia explícita: las capacidades de audio se entrenaron con solicitudes entre un hablante de inglés y un asistente, que abarcan qué tipo de enunciado es, su tema y qué quiere el hablante. Se trata de una distribución estrecha, y se presenta como una limitación, no como una nota al pie.

El modelo 2B admite voz en los mismos dieciséis idiomas que su parte de texto, excepto hindi, tailandés, vietnamita e indonesio, y los resultados de audio de la tarjeta incluyen 84,5 en eventos sonoros ESC-50 y 92,5 en identificación de idiomas FLEURS en 43 idiomas. También se degrada de maneras que documenta la tarjeta: los estados cortos hablados bajan de 42,0 escrito a 22,8 escuchado, y los pasajes Belebele en ocho idiomas bajan de 83,6 a 41,8. Los pasajes largos hablados pierden precisión, sobre todo fuera del alfabeto latino.

Así que la división no es «el 2B es mejor en audio». Es que el 2B oye más tipos de audio y aun así tiene problemas con estados hablados prolongados, mientras que el 587M oye una porción más estrecha y controlada y nunca se evaluó con pruebas de referencia en eventos sonoros ni en identificación de idioma. Para el enrutamiento de comandos de voz en inglés, las limitaciones del 587M son tolerables. Para el triaje de llamadas multilingües, son descalificantes.

¿Qué etiqueta traer?

Las reglas de decisión son lo suficientemente breves como para enunciarlas como reglas.

• Solo texto e imágenes, y sin audio en el producto — no extraiga ninguna de las dos. d1-2B obtiene una puntuación más alta que d1-Omni-2B en el índice de decisión, 51,1 frente a 49,0, y la propia ficha del proveedor le indica que la use. La prima de la versión omni paga un audio que no va a utilizar.

• Enrutamiento de voz en hardware limitado — d1-omni con 850 MB. Acepta el límite de 30 segundos, la distribución de entrenamiento de hablantes de inglés y el contexto de 16.384 tokens, y mide tu propia latencia, porque el proveedor no te dará una cifra.

• Audio e imágenes en la misma decisión, o cajas y spans en la salida — d1-Omni-2B. El 587M no puede expresar esas solicitudes, por lo que no hay comparación posible.

• Voz multilingüe — d1-Omni-2B, con los cuatro idiomas excluidos comprobados con tu tráfico real antes de que confirmes.

• Rendimiento por lotes — d1-Omni-2B, cuya ficha es la única de las dos que publica estados por segundo siquiera.

Merece la pena registrar una señal de adopción porque contradice el relato de los benchmarks: d1-omni-600M ha acumulado aproximadamente 18.900 descargas y 148 me gusta en Hugging Face desde el 5 de octubre. d1-Omni-2B tenía 36 descargas y 7 me gusta cuatro días después de que apareciera su repositorio. Los recuentos de descargas tempranos miden la novedad y el empaquetado, no la calidad —el modelo de 587M tiene una etiqueta de Ollama que lo deja a un solo comando de distancia—, pero sí describen qué modelo está ejecutando realmente la gente hoy.

Tras la decisión, el resto de la llamada.

Elijas la etiqueta que elijas, el modelo de decisión es el primer salto y no el último. Devuelve una etiqueta con una probabilidad; algo todavía tiene que redactar la respuesta, escalar el caso o llamar a la siguiente API, y ese segundo salto es generativo. OrcaRouter no incluye modelos de Liquid AI, así que la llamada a d1-omni o d1-Omni-2B se ejecuta donde ya la ejecutas: en tu propio hardware a partir de los pesos de Hugging Face, o a través del proveedor. Lo que hay detrás de una clave compatible con OpenAI son los otros más de 200 modelos del catálogo, al precio de lista de cada proveedor con un 0 % de margen, con conmutación por error entre proveedores cuando el modelo posterior que elegiste es el que está teniendo un mal día. Para un modelo tan nuevo, esa separación es útil: la parte no probada se queda local y barata, y la parte que toca el tráfico de producción obtiene una ruta de reintento.

El número que ninguna de las dos tarjetas te da

Ninguno de los dos checkpoints tiene una evaluación independiente. El 587M es público desde el 5 de octubre y sigue sin tenerla; el 2B tiene cuatro días. Hasta que alguien pruebe ambos con el mismo conjunto de audio, el mismo micrófono y los mismos idiomas, la brecha de parámetros de ocho veces es una tabla del proveedor, no un hecho medido. La cifra concreta que hay que vigilar es ese 22,8 en estados cortos hablados: es la única fila en la que la propia tarjeta del nuevo modelo admite una debilidad lo bastante grande como para cambiar una decisión de despliegue, y es la fila con más probabilidades de moverse cuando alguien ajeno a Liquid AI le apunte un micrófono.