d1-omni vs Liquid AI D1 Omni 600M: dos nombres, un solo checkpoint y una cifra de contexto que nadie puede rastrear

Liquid AI D1 Omni 600M y d1-omni no son dos modelos, ni son dos checkpoints del mismo modelo. Son un único conjunto de pesos —el modelo de decisión multimodal de 587 M de parámetros de Liquid AI, construido sobre Liquid AI LFM2.5-Encoder-350M y publicado en Hugging Face el 5 de octubre de 2026 con el nombre de repositorio LiquidAI/d1-omni-600M —que lleva dos nombres de archivo distintos en dos catálogos distintos. Uno de esos catálogos, el del proveedor, te dice qué es el modelo. El otro, el de Ollama, te dice en qué lo empaquetó alguien y muestra en la ficha tres cifras que la documentación del proveedor no respalda. Esa discrepancia es la razón por la que vale la pena leer esta comparación, porque para un modelo tan pequeño el empaquetado no es una nota al pie: es la diferencia entre un modelo de texto e imagen y el modelo que la ficha dice que descargaste.

El proveedor no ha anunciado nada sobre la entrada de Ollama, y no hay ninguna nota del mantenedor, ninguna entrada en el registro de cambios ni ningún readme en la página de Ollama que explique nada de esto. Así que el marco honesto para todo lo que sigue es este: los pesos son públicos e inspeccionables, el empaquetado es público e inspeccionable, y la lectura del empaquetado que se ofrece aquí es nuestra, no de Liquid AI. Cuando una cifra no se puede rastrear hasta una fuente, este artículo lo dice en lugar de repetirla.

Cuáles son en realidad los dos nombres

Liquid AI publicó el modelo en Hugging Face con una marca temporal de creación del 5 de octubre de 2026, dos días antes de que apareciera en la propia entrada de blog del proveedor «Open d1: modelos de decisión en el edge para texto, visión y audio» el 7 de octubre. Los pesos tienen licencia bajo los propios términos LFM 1.0 de Liquid, con las etiquetas d1_omni, system-one, multimodal, vision, audio y decision-model, y han acumulado aproximadamente 13.900 descargas y 135 me gusta en el momento de escribir esto. Las variantes cuantizadas siguieron su propio calendario: un repositorio GGUF el 6 de octubre y compilaciones MLX para Apple Silicon el 12 de octubre.

La entrada de Ollama no es ninguno de esos repositorios. Es una página de la biblioteca de Ollama llamada d1-omni que lleva la insignia «vision 600m», muestra cuatro etiquetas y se había actualizado minutos antes de que se escribiera esto, razón por la cual el radar la sacó a la luz. Nada en ella menciona a Liquid AI, LFM2.5-Encoder-350M ni el repositorio de Hugging Face del que provinieron los bytes.

Así que la diferencia práctica es un nombre de archivo y una ruta de distribución, no un modelo. Lo que difiere, y lo que importa, son los metadatos que envuelven los bytes.

Los tres números de la tarjeta de Ollama, comprobados uno a la vez

La página de Ollama muestra un tamaño, una ventana de contexto y una lista de entradas para cada etiqueta. Los tres merecen una segunda mirada, porque en este modelo dos de ellos no sobreviven al contacto con la fuente.

• Ventana de contexto: 125K en la ficha, 16.384 en todas las fuentes del proveedor. La ficha del modelo de Liquid AI indica un límite de 16.384 tokens que cubre conjuntamente las posiciones de texto, imagen y audio, y la propia página de documentación del proveedor para d1-omni-600M dice "16K tokens". La cadena 125K no aparece en ninguna de las dos. Puede ser un artefacto de la configuración posicional de la arquitectura subyacente LFM2.5-Encoder o de cómo Ollama informa un límite de caché, pero no es una cifra que Liquid AI haya publicado y no es una a la que este artículo pueda atribuir a nadie. Lo que hace que la discrepancia sea más que una simple pedantería es el siguiente número hacia abajo.

• El estado que realmente puedes pasar está limitado a 896 tokens en la ruta de imágenes.La ficha de Liquid dice que, cuando hay imágenes presentes, "el estado y el texto de la pregunta se recortan a 896 tokens, tal como se entrenó". Así que una solicitud de decisión que lleva una foto tiene un presupuesto de texto aproximadamente del tamaño de esta frase, sin importar qué cifra de contexto esté impresa en una página de extracción. Si estuvieras dimensionando un prompt de triaje para 125K y esperando pagar por un estado largo, estarías dimensionando con una cifra que no describe el entorno de ejecución. La cifra de 16,384 es el techo real; la cifra de 896 es el límite práctico real para la ruta multimodal; los 125K son una cifra sin respaldo documental.

• Tamaño — 850MB en la tarjeta, dos archivos en el registro. La etiqueta de Ollama d1-omni:latest se resuelve en un archivo de pesos cuantizados de 407MB designado Q8_0 más un archivo proyector de 442MB designado BF16, y 407 + 442 = 849, que la página redondea a 850MB. Ambos figuran con honestidad; la aritmética es simplemente la suma de un emparejamiento de precisión mixta en lugar de un solo archivo. La etiqueta d1-omni:600m-bf16 es la más limpia: 764MB de pesos BF16 más el mismo proyector de 442MB, 1,2GB en disco, y el proyector es idéntico byte a byte entre las dos etiquetas. Vale la pena señalarlo para la siguiente sección, porque un proyector que lleva sus propios pesos puede alterar el recuento efectivo de parámetros.

Un detalle más que merece registrarse en lugar de explicarse: el blob de parámetros de tiempo de ejecución dentro del paquete d1-omni de Ollama tiene exactamente la misma longitud, byte por byte —18 bytes—, que el que está dentro del paquete separado d1 de Ollama, que incluye Liquid AI d1-3B con 2.87GB de pesos Q8_0 y un proyector de 855MB. Dos arquitecturas, dos conteos de parámetros, dos décadas de escala de parámetros entre ellas, y la misma configuración de tiempo de ejecución de 18 bytes. Eso es una constante de empaquetado, no una afirmación sobre ninguno de los dos modelos.

Lo que los propios pesos dicen

Si quitamos el envoltorio, el modelo está documentado de una forma inusualmente completa. Liquid AI D1 Omni 600M suma 587 M de parámetros divididos en tres partes: 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. El tronco es bidireccional —se trata de un codificador, no de un decodificador— y es el mismo tronco para todas las modalidades, con torres específicas de cada modalidad acopladas.

• Visión proviene de una torre SigLIP2 heredada de Liquid AI LFM2.5-VL-450M, con un adaptador y actualizaciones LoRA que estuvieron activas solo para entradas de imagen mientras el codificador permaneció congelado.

• El audio proviene de un FastConformer de 17 capas con su propio adaptador, ajustado en una etapa en la que el backbone de texto estaba congelado, luego se ajustó toda la pila, se fusionó el LoRA y los pesos se promediaron de nuevo con el checkpoint anterior.

• El vocabulario consta de 65.536 tokens en 15 idiomas: inglés, alemán, español, francés, italiano, neerlandés, polaco, portugués, árabe, hindi, japonés, ruso, turco, vietnamita y chino.

• No se pueden mezclar las modalidades. Una sola solicitud acepta texto más imágenes, o texto más hasta 30 segundos de voz; no ambos. Se espera audio mono a 16 kHz, de entre 0,5 y 30 segundos, y se entrenó con intercambios entre un hablante de inglés y un asistente, lo que supone una restricción real para cualquier uso multilingüe o con ruido.

Nada de eso aparece en la página de Ollama, y la omisión tiene una consecuencia que se puede ver directamente en los ejemplos de uso. Los fragmentos de Ollama son llamadas de chat —una cadena de modelo, un array de mensajes, la palabra «Hello!»— y el checkpoint subyacente no puede responderlas. No es un modelo de chat y no escribe texto. Devuelve respuestas tipadas: una probabilidad de sí/no, una etiqueta con una probabilidad por etiqueta, o una posición en una escala ordenada, todo leído directamente de la distribución de salida con cero tokens de salida generados. Las interfaces publicadas lo reflejan: system_one y probabilities mediante Transformers, o un endpoint /v1/systemone a través de llama.cpp 0.7.0 y versiones posteriores. Una llamada con forma de chat contra un modelo de decisión es el error al que invita esta brecha de nomenclatura.

Dos salvedades acompañan a cada una de esas cifras.

En primer lugar, Liquid puntuó sus propias filas con el evaluador oficial en lugar de enviarlas para la clasificación pública, y ningún tercero ha reproducido ningún resultado de d1-omni-600M; el proveedor indica claramente en la ficha del modelo que no reporta cifras de inferencia para este checkpoint porque es una versión de investigación temprana en desarrollo activo. En segundo lugar, las dos cifras principales no coinciden entre sí: la brecha de 32 puntos en el índice y la brecha de 4,5 puntos en la media del benchmark describen el mismo modelo, por lo que las puntuaciones parciales, y no los totales, son la lectura útil. Recuperación en 35,0 y Herramientas en 15,1 frente a Artes en 6,8 te indican para qué tareas está y no está listo este checkpoint. Audio no tiene ninguna columna de benchmark; Liquid considera que los benchmarks dedicados a la toma de decisiones de audio son un problema abierto.

Liquid AI D1 Omni 600M también lidera su propia familia en dos de las siete: Civil Comments con 95.8 y PAWS-X con 79.5. Esas son las dos filas en las que un codificador de 587M supera directamente al decodificador de 3B, y ambas tienen forma de clasificación de texto más que de razonamiento, lo que encaja con la arquitectura en lugar de contradecirla.

Elige según lo que quieras. Si quieres ejecutarlo localmente con Ollama, d1-omni es el nombre que funciona: 850 MB para la compilación Q8_0, 1,2 GB para BF16, la misma ruta de imagen que documenta Liquid, y ninguna de las etiquetas incluye un proyector de audio. Si quieres el modelo que describe el proveedor, Liquid AI D1 Omni 600M es el nombre que hay que buscar, y la ruta de Transformers a través del repositorio de Hugging Face es la que coincide con la documentación en longitud de contexto, lista de modalidades y número de parámetros.

En cualquier caso, esta es la mitad barata de un pipeline. El modelo de decisión clasifica; algo más tiene que actuar sobre esa clasificación. Esa es la frontera en la que se asienta OrcaRouter y la que merece la pena enunciar con precisión: ningún modelo de Liquid AI está en nuestro catálogo, así que la propia llamada a d1-omni va allí donde ya la ejecutes: estos pesos en tu propio hardware, o la API del propio proveedor y plataformas de terceros para los hermanos alojados. Para lo que los más de 200 modelos tras una única clave compatible con OpenAI sirven es para todo lo que viene después, al precio de lista de cada proveedor, trasladado con un 0 % de margen, con conmutación por error automática entre proveedores cuando una solicitud ya triada se ramifica hacia un modelo que está teniendo un mal día.

¿Qué resolvería la cuestión pendiente?

Tres cosas cerrarían este asunto, y ninguna de ellas requiere un anuncio del proveedor. Que alguien comparara la salida de la etiqueta de 850MB de Ollama con el checkpoint de Hugging Face usando las mismas entradas nos diría si el empaquetado cambió las respuestas. Un commit de llama.cpp o una entrada del changelog de Ollama que explicara la cifra de contexto nos diría si 125K es un error o una capacidad que la ficha del modelo todavía no ha recogido. Y un resultado de audio publicado —cualquier resultado de audio— sacaría a este checkpoint de la categoría en la que está ahora, que es la de un modelo bien documentado con una capa de empaquetado no documentada y una tabla de resultados que es enteramente del propio proveedor.

Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.