d1-2B לעומת Liquid AI d1-omni-600M: כאשר הקלט המכריע הוא צליל

הניחו הודעה קולית וחשבונית מצולמת לפני שני המודלים האלה, ורק אחד מהם יכול לענות, והוא לא זה עם הציון הטוב יותר. d1-2B קורא טקסט, JSON, תמונות ווידאו, ואינו יכול לקלוט אודיו כלל. Liquid AI d1-omni-600M קורא טקסט עם תמונות או טקסט עם עד 30 שניות של דיבור, ואינו יכול לקבל אודיו ותמונות באותה בקשה. האסימטריה הבודדת הזו מכריעה את רוב הפריסות האמיתיות לפני שמתייעצים עם מי מהבנצ'מרקים. מה שלפנינו הוא בכל זאת הגרסה הכנה של ההשוואה: היכן שמודל ה-587M תחרותי באמת, היכן שמודל ה-1.92B רחוק מלהיות בר-החלפה, ותבנית צינור העיבוד היחידה שמשתמשת בשניהם בלי להעמיד פנים שהם חלופות.

ההחלטה היא שאלה של מודאליות, לא שאלה של ציון.

מודל החלטה מקבל מצב וקבוצה של שאלות בעלות שמות ומחזיר הסתברות לכל תשובה, ללא טוקנים שנוצרים. המצב הוא כל הקלט, וסוג המצב הוא האילוץ המחייב. הכרטיס של d1-2B מפרט טקסט, JSON, תמונות ווידאו. הכרטיס של Liquid AI d1-omni-600M מפרט טקסט עם תמונות, או טקסט עם אודיו — והקוד אוכף את ההחרגה: העברת גם תמונה וגם קטע אודיו אל system_one מעלה ValueError.

אז השאלה הראשונה אינה איזה מודל משיג ציון גבוה יותר. היא אם הדבר שעליך לשפוט מגיע כפיקסלים, כטקסט או כצורת גל. אם הוא מגיע כצורת גל, יש תשובה אחת בזוג הזה, ושאר העמוד הזה עוסק בכמה דיוק אתה מוותר כדי להשיג אותה.

מה 587M באמת קונה

ה-600M אינו גרסה מוקטנת של d1-2B. מדובר במבנה שונה, וכדאי לראות את התקציב בפירוט, כי זה מסביר גם את יתרונותיו וגם את תקרתו.

• פרמטרים — סך הכול 587M: גזע משותף וראש החלטה בגודל 381M, מקודד ראייה בגודל 94M, ומקודד שמע בגודל 112M. כל מודאליות עוברת דרך אותם משקלי גזע.

• Base — LFM2.5-Encoder-350M, מקודד דו-כיווני, עם מגדל ראייה SigLIP2 השאול מ-LFM2.5-VL-450M ו-FastConformer בן 17 שכבות לאודיו.

• הקשר — 16,384 טוקנים על פני מיקומי טקסט, תמונה ואודיו יחד, ואוצר מילים של 65,536 טוקנים. החלון של d1-2B הוא 128K.

• אודיו — עד 30 שניות של דיבור מונו ב־16 קילו־הרץ לכל בקשה. הכרטיס מפורש כי צד האודיו אומן על בקשות בין דובר אנגלית לעוזר, וזו התפלגות צרה עבור מודל שאנשים יפנו אליו להקלטות שיחות.

• כלל מדיה — תמונות או אודיו, אף פעם לא שניהם. הכרטיס מתעד את ValueError במקום להשאיר לך לגלות אותו.

• רישיון — LFM Open License v1.0, אותו מבנה סף כמו d1-2B: שימוש מסחרי בהכנסות שנתיות מתחת ל-$10,000,000.

• מהירות — לא פורסם. הכרטיס אינו מדווח נתוני השהיה, ומכנה את המודל מהדורת מחקר מוקדמת הנמצאת בפיתוח פעיל. d1-2B מפרסם 5.7 ms על H100 PCIe, 3.8 ms על MI325X ו-18.6 ms על M5 Pro.

טבלת אותה ריצה, והשורות שבהן הפער קטן

שני המודלים מופיעים בטבלת הבנצ'מרק בכרטיס של d1-2B, שמדרגת ארבעה מודלים פתוחים של d1 על פריטים זהים עם מעריך זהה. זה הופך את ההשוואה לנקייה יותר מרוב ההשוואות בין כרטיסים, עם הסתייגות אחת: הכרטיס של d1-omni-600M עצמו מדווח 15.95 ב-Decision Index 0.2.1, בעוד שהטבלה הזו מדווחת 18.3 בגרסה 0.3. ההבדל הוא מהדורת האינדקס, ושתי המספרים נכונים למבחן שלהם.

• Decision Index public suite v0.3 — 51.1 עבור d1-2B לעומת 18.3 עבור Liquid AI d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 77.1 לעומת 58.7.

• Decision Bench (decisionbench.ai) v4 — 85.2 לעומת 57.9.

• ImajevBench v2.0-lite — 75.5 לעומת 21.7, הפער הרחב ביותר בצד ההחלטה בין השניים.

• WorkflowEvals — 81.6 לעומת 48.8.

• ממוצע Vision, 18 מבחנים — 70.2 לעומת 42.8.

• VisualWebBench — 96.2 לעומת 14.9, שזו פחות השוואה מאשר הצהרה על כמה רב יכול לשאת מקודד חזותי בן 94M.

אחר כך השורות שמצדדות באיפוק. Typed Decisions הוא 61.3 לעומת 57.5 — פער של 3.8 נקודות למודל עם שליש מהפרמטרים. POPE, מדד להזיות אובייקטים, עומד על 88.7 לעומת 82.7. JevBench הוא 77.9 לעומת 58.0, פער רחב, אבל DecisionBench v4 הוא 85.2 לעומת 57.9, ושתי התוצאות יחד מלמדות שה-600M אינו אחיד ולא חלש באופן גורף. פוסט ההשקה של Liquid AI עצמה מציב את הממוצע שלה בשבעה מדדים על 78.4, שזה גבוה עבור 587M; הכרטיס של d1-2B אינו מפרסם ממוצע מקביל, ולכן אין להעמיד את שני הנתונים זה לצד זה.

המספר היחיד שלא מחמיא לאף אחד משני המודלים הוא המספר העצמאי. אפריין גאריי הריץ את Liquid AI d1-omni-600M על מדגם של 6,000 בקשות מ-Decision Index 0.3 וקיבל 14.0, לעומת 14.17 של הספק עצמו על אותו מדגם — שחזור קרוב. הוא גם מצא ש-1,758 בקשות חרגו מתקציב ההוראות והאפשרויות של המודל ונדחו, ונספרו כשגויות, וזה עלות ממשית של חלון של 16K על חבילת מבחנים שנבנתה למצבים ארוכים יותר.

כאשר ה-600M הוא האפשרות היחידה

ניתוב אודיו הוא המקרה שלשמו נבנה המודל, והדוגמאות בכרטיס הן קונקרטיות: ניתוב שיחות והודעות קוליות, אירועי צליל, הוראות מדוברות מעל מצב כתוב. שום דבר מזה אינו זמין מ-d1-2B בכל רמת דיוק שהיא, מכיוון שאין לו מקודד אודיו ואין עמדות אודיו בסכימת הקלט שלו.

שתי נקודות נתונים בלתי תלויות אמורות למתן את המסר השיווקי. הראשונה היא ההערכה שלמעלה, שבה ה-600M קיבל AUC של 0.580 לזיהוי ירי ו-AUC של 0.593 לחיזוי גשם במשימות נתונים אמיתיים — בקושי מעל לסף המקריות, ומאחורי כל מודל גדול יותר שנבדק. השנייה היא סקירה מעשית שמדדה פחות מ-2GB של VRAM בשימוש ומצאה שהמודל מסווג אופן דיבור וטון באודיו בצורה מהימנה בהרבה מאשר משמעות סמנטית, כאשר שאלות בסגנון הסקה קרובות להטלת מטבע. שתיהן מצביעות לאותו כיוון: זהו מודל סינון. הוא טוב ב"איזה סוג של דבר זה", והוא אינו תחליף למודל שמבין מה נאמר.

זו אינה ביקורת על צ'קפוינט של 587M. זה מה שמקבלים תמורת 587M כאשר 381M מתוכו הם גזע משותף. הסיבה להשתמש בו היא עלות וטביעת רגל — פחות מ-2GB של VRAM, מאגר GGUF מאז 6 באוקטובר, בניות MLX מאז 12 באוקטובר, והחלטה במעבר קדימה אחד — ולא נאמנות.

מפל שמשתמש בשניהם

הטעות היא להתייחס אליהם כמתחרים. אלו שני שלבים באותו מסנן, ומסלול העיבוד הטבעי מריץ את המודל הזול תחילה.

שלב ראשון: Liquid AI d1-omni-600M מקבל את הפריט הנכנס — הודעת קול, שיחת תמיכה, תלונה בכתב עם קובץ מצורף — ועונה על שאלות גסות. האם זו בעיית חיוב או בעיה טכנית? האם המתקשר כועס? האם ההודעה הזו מכילה בקשה בכלל? במשקל של פחות מ-2GB ובמעבר אחד, זה זול מספיק כדי להריץ על כל פריט.

שלב שני: כל דבר שה-600M מציב קרוב לאמצע הסקאלה שלו, או כל דבר שמגיע עם תמונה שצריכה קריאה, עובר ל-d1-2B. ה-2B מקבל חלון של 128K, קלט וידאו, ובערך פי שלושה מממוצע הראייה, והוא רואה רק את החלק מהתעבורה שהשלב הראשון לא הצליח להכריע.

הספים הם העבודה. שני הכרטיסים מחזירים הסתברויות, ושניהם אומרים לך לכייל על הנתונים שלך — הכרטיס של d1-2B אומר זאת במפורש. מפל עם רצועת אמצע לא מכוילת או שמסלים הכול, ואז ה-600M היה קישוט, או שלא מסלים דבר, ואז ה-2B לעולם לא מתקן את השלב שלא יכול לקרוא.

ישנו שלב שלישי ברוב המערכות האמיתיות: המודל שכותב את התגובה. שם נכנסת API מתארחת, ושם OrcaRouter רלוונטי. אף אחד מדגמי Liquid AI לא מוגש על ידינו, כך שצומתי ההחלטה נשארים על ה-GPU שלכם; השלב הגנרטיבי שצורך את התוויות שלהם יכול להגיע מ-מפתח אחד תואם OpenAI המכסה יותר מ-200 מודלים, עם 0% תוספת על מחירי המחירון של הספקים ומעבר אוטומטי לגיבוי אם ספק נופל באמצע התעבורה. גם ה-DSL לניתוב הוא הדרך הכנה לבטא את המפל עצמו — שני מודלי ההחלטה כשלבים בצד ה-GPU, יצירת התגובה כשלב מתארח, מורכבים ולא מודבקים יחד בקוד היישום.

מה שאף אחד מהמודלים לא עושה, והאפשרות השלישית

אף אחד מהם לא כותב טקסט. שניהם מחזירים תשובות בעלות טיפוס והסתברויות עם אפס טוקני פלט; אם השלב הבא דורש טקסט רציף, זהו מודל אחר. אף אחד מהם לא מטפל בווידאו עם אודיו: d1-2B מקבל פריימים של וידאו אך לא קול, ה-600M מקבל קול אך לא לצד תמונות, ותקרת האודיו של 30 שניות היא מגבלה קשיחה ולא המלצה.

אם הדרישה היא באמת "אודיו ותמונות באותה בקשה", התשובה היא לא אחד מאלה — אלא d1-Omni-2B, האח בעל 2.17B הפרמטרים ש-Liquid AI יצרה עשרים וארבע שניות אחרי d1-2B, ושהוא מקבל טקסט, תמונות, פריימים של וידאו וקטעי אודיו ברשימת מדיה אחת. ציון ה-Decision Index שלו הוא 49.0 באותה טבלת v0.3, ממוצע הראייה שלו הוא 67.7, ויש לו אותו היעדר בדיקות עצמאיות כמו ל-d1-2B. הוא עולה בערך פי ארבעה בפרמטרים מה-600M, וזה המחיר של אי-בחירה בין מודאליות.

אז הכלל קצר. אם המצב מכיל דיבור ושום דבר אחר לא צריך להיראות, Liquid AI d1-omni-600M הוא החבר היחיד בזוג הזה שיכול לפעול, ויש להתייחס אליו כמסך. אם המצב הוא טקסט, תמונות או וידאו והתשובה צריכה להחזיק מעמד, d1-2B הוא המודל — והוא זה עם נתון השהיה שפורסם, חלון של 128K ויתרון בבנצ'מרק שמחזיק מעמד גם כשקוראים אותו שורה אחר שורה. אם המצב כולל את שניהם, אף אחד מהם אינו התשובה, והתשובה היא מודל ה-2.17B omni.