d1-Omni-2B לעומת MiniCPM5-2B: מודל החלטות אינו מודל צ'אט קטן

שניהם במשקולות פתוחות, שניהם בסביבות שני מיליארד פרמטרים, ושניהם מיועדים לחומרה שיושבת על שולחן ולא בארון שרתים. כאן נגמר הדמיון. d1-Omni-2B מקבל מצב — טקסט, JSON, תמונות, פריימים של וידאו, אודיו — יחד עם קבוצה של שאלות בעלות שמות, ומחזיר תשובות בעלות טיפוס עם הסתברויות מכויילות במעבר קדימה אחד. MiniCPM5-2B מקבל טקסט וכותב עוד טקסט, ומגיע לתשובה באמצעות הסקה טוקן אחר טוקן. החלפת האחד בשני אינה שדרוג מודל או שנמוך מודל; היא כתיבה מחדש של כל מה שצורך את התגובה. ההשוואה שכדאי לעשות, אם כן, אינה איזה מהם מקבל ציון גבוה יותר. היא איזה חוזה הצינור שלך יכול באמת לקבל, וכמה כל אחד מהם עולה לך ברישיונות, בהשהיה ובעבודת פריסה כדי לעמוד בו.

מה בעצם מוחזר מקריאה?

קריאה ל-d1 נראית כמו סכימה, לא כמו שיחה. אתם מעבירים אל system_one מצב ומילון של שאלות, כל אחת עם סוג — כן/לא, בחירה יחידה, בחירה מרובה, ציונים מסודרים, קטע טקסט, מספר, תאריך, תיבה תוחמת אחת או כמה — ומקבלים בחזרה ערך לכל שאלה עם הסתברות מצורפת. הדוגמה של כרטיס המודל עצמו מנתבת פניית תמיכה: דגל החזר כספי, הקצאת צוות הנגזרת משני קריטריונים בשמות, ורמת ביטחון לכל אחד. בלי פרוזה, בלי תמלול, בלי טוקנים שנפלטים. הכרטיס מציין זאת בפשטות: זה לא מודל צ'אט.

התכנון הזה הוא המוצר כולו. מכיוון שדבר אינו מפוענח, אין שלב פרסור, אין תיקון JSON ואין לולאת ניסיונות חוזרים עבור המודל שעטף את תשובתו בהתנצלות. ערך חוזר בסף שבחרת, עם מסלול הימנעות כאשר אף אפשרות מתוך קבוצת האפשרויות אינה חלה — Liquid מדווח 78.5 במבחן ההימנעות הזה בכתב ו-75.8 בדיבור. אם הקוד במורד הזרם שלך צריך שיוך לתור ומספר, זו הצורה שאתה רוצה.

MiniCPM5-2B מחזיר את הצורה ההפוכה. זהו מפענח סטנדרטי בארכיטקטורת Llama שחושב לפני שהוא עונה, שנבנה על שלב SFT של חשיבה מעמיקה עם 400 מיליארד טוקנים, RL תחומי ושלב זיקוק on-policy שמקפל שישה־עשר מורים מומחים לצ'קפוינט צפוף אחד. בהחלט אפשר להפיק ממנו פלט מובנה — ציוני קריאת הפונקציות שלו סבירים, ו-OpenBMB מספקת מנתח כלים ל-vLLM — אבל משיגים זאת באמצעות בקשה בפרומפט, תוך信任 שהמפענח יציית. ההיסק הוא התכונה. זה גם מה שאתה משלם עליו בכל קריאה.

העימות הישיר שלא קיים

אין בנצ'מרק שעליו הורצו שני המודלים הללו. זה אינו פער בדיווח; זו תוצאה של הפיצול לעיל. d1-Omni-2B מופיע רק בסוויטות ההחלטה של Liquid — DecisionBench v1 ב-76.4, decisionbench.ai v4 ב-84.7, Decision Index public suite v0.3 ב-49.0, ImajevBench v2.0-lite ב-72.3, ממוצע חזותי לא משוקלל של 67.7 על פני שמונה עשרה בנצ'מרקים. MiniCPM5-2B מופיע רק בסוויטה של OpenBMB להיסק ולסוכנות: ממוצע של 53.9 על פני 34 מבחנים, LiveCodeBench v6 ב-69.1, AIME 2025 ב-86.5, SWE-bench Verified ב-46.4, BFCL v4 ב-66.6, ו-8.9 צנוע בהרבה ב-Humanity's Last Exam. אף אחד מהמספרים האלה לא נמדד על אותם פריטים, על ידי אותו מעריך, כמו כל מספר ברשימה הראשונה.

כל מי שמראה לכם טבלה דו-טורית של הציונים האלה זה לצד זה עוסק בתפירה, והתפירה גרועה מכפי שהיא נראית. כל נתון של d1-Omni-2B מבוצע על ידי הספק, ונכון למועד הפרסום לא שוחזר באופן עצמאי. גם הממוצע הכותרתי של OpenBMB מבוצע על ידי הספק — החברה פרסמה את קורפוסי האימון ואת מסגרת ה-RL שלה, וזה יותר ממה שרוב המעבדות עושות, אבל זו שחזוריות של השיטה, לא של הציונים.

המספרים העצמאיים שכן קיימים ראויים לקריאה זהירה, משום שהם סותרים זה את זה בין גרסאות האינדקס. Artificial Analysis העניקה ל-MiniCPM5-2B ציון 15 ב-Intelligence Index v4.2 שלה כשסיקרה את ההשקה ב-7 בספטמבר; בעמוד החי מופיע כעת 12; הטענה של OpenBMB עצמה בדבר 23 נעשתה על v4.1.1. שלוש הספרות האלה אינן ירידה ואינן מחלוקת — האינדקס השתנה מתחתיהן, וציונים מגרסאות שונות אינם ברי השוואה. קחו את הכיוון והתעלמו מהספרה. ל-Artificial Analysis אין כלל עמוד עבור d1-Omni-2B או עבור האח d1-2B, ולכן למודל ההחלטות אין עדיין שום מדידה עצמאית מכל סוג.

מספר אחד שנראה בר־העברה ואינו כזה: Liquid ערכה השוואה בת 27 מבחנים של מודל ה־chat שלה, LFM3-1.7B, מול MiniCPM5-2B, וניצחה 23 מול 4. התוצאה הזו אומרת שמפענח שעבר אימון-המשך של Liquid מנצח את זה של OpenBMB במבחנים האלה. היא לא אומרת דבר על ראש ההחלטה, שמעולם לא היה באותה הרצה, ואין להשתמש בה כדי להכריע את הזיווג הזה.

היכן שהמפרטים למעשה נבדלים

• חוזה פלט — ערכים בעלי טיפוס עם הסתברויות ואפס טוקני פלט לעומת טקסט מחולל עם עקבות הסקה מרומזות. כל השאר ברשימה הזו נגזר מכך.

• גודל — 2.17B פרמטרים בצ'קפוינט BF16 בגודל 4.33GB, לעומת 2.52B בסך הכול ו-1.98B שאינם embedding, בערך 5GB ב-BF16. קרוב מספיק עד שאף אחד מהם לא מנצח בטביעת הרגל לבדה.

• קלטים — טקסט או מצב JSON, תמונות, פריימים של וידאו ואודיו, הניתנים לערבוב בבקשה אחת, לעומת טקסט בלבד. ל-MiniCPM5-2B אין מקודד חזותי ואין מסלול אודיו; אם המצב מכיל צורת גל, ההשוואה הזו מסתיימת כאן. אם אתם רוצים את הקו הרב-מודאלי של OpenBMB, זהו MiniCPM-V 4.7, משפחה אחרת עם פשרה אחרת.

• הקשר — 128,000 אסימונים לעומת 131,072. זהו אותו מספר שנאמר בשתי דרכים, וזו אינה סיבה לבחור באף אחד מהמודלים. זה חשוב רק בכך ששניהם יכולים להכיל מסמך ארוך; המגבלה של d1-Omni-2B היא שקטעי דיבור ארוכים פוגעים בדיוק שלו הרבה לפני שהחלון מתמלא, וכך נכתב בכרטיס.

• רישיון — LFM Open License v1.0 עם סף הכנסות שנתיות של $10,000,000, לעומת Apache-2.0 ללא תנאי כלל. זהו ההבדל הבודד הגדול ביותר בטבלה, ואין לו שום קשר לאיכות המודל.

• זמן ריצה — קוד מידול מותאם מאחורי trust_remote_code, Transformers 5.19 ואילך, BF16 בלבד, ללא GGUF מהספק וללא מסלול מתועד ל-vLLM או ל-SGLang, לעומת כלי Llama ללא שינוי: vLLM, SGLang, llama.cpp, MLX, GPTQ, GGUF רשמי במאגר וגרסאות מכומתות שכבר נמצאות בתפוצה.

• אימוץ — 36 הורדות ו-10 לייקים ארבעה ימים לאחר שהמאגר הופיע ב-24 באוקטובר, לעומת 1,216,145 הורדות ו-1,823 לייקים מאז 6 בספטמבר. הערת שוליים: לנתון של MiniCPM היו שבעה שבועות ופוסט השקה, ולנתון של d1 לא היה אף אחד מהשניים, ולכן יש לקרוא אותו כאות בגרות ולא כפסק דין.

חמישה מילישניות מול מחשבה

Liquid מפרסמת השהיית קריאה חמה עבור d1-Omni-2B, נמדדת לאחר compile() ב-BF16 כחציון של עשרים קריאות. ב-H100 PCIe שאלה בודדת עולה 5.8ms, שלוש שאלות 7.7ms, מצב של 5,000 טוקנים 52ms, תמונה של 384 פיקסלים 12.1ms ועשר שניות של אודיו 12.4ms. כשמקבצים 64 מצבים לקריאה היא מריצה 1,154 מצבים בשנייה, ו-MI325X מהיר אף יותר עם 3.7ms ו-1,697 מצבים בשנייה. M5 Pro מבצע 21.1ms על שאלה אחת ו-110 מצבים בשנייה — איטי לעומת כרטיס מרכז נתונים, ועדיין מהיר מספיק כדי להרגיש מיידי בתוך אפליקציית שולחן עבודה.

שום דבר מזה אינו מירוץ הוגן, כי הצד השני אינו מפרסם זמן. מה שאפשר לומר מבחינה מבנית הוא שהשהיה של דה-קודר גדלה עם כמות החשיבה שלו, ו-MiniCPM5-2B הוא מודל שנבנה לחשוב. בקריאת ניתוב או מיון — שבה התשובה הנכונה היא אחד מארבעה שמות תור — אתם משלמים על נימוק שאיש לא ביקש, ומשלמים עליו לפי טוקן. Artificial Analysis נותנת לכך מספר: לאורך ריצת Intelligence Index שלה, המודל פלט 74 מיליון טוקני פלט, לעומת חציון של 67 מיליון במודלים דומים, שהסיכום שלה מכנה "די עתיר מילים". זו אינה טענה נגד המודל; זו טענה נגד השימוש בו בתפקיד שלשמו נבנה d1-Omni-2B.

התייחסו למספרי d1 בזהירות הרגילה. אלה מדידות של הספק, שנלקחו על חומרה ספציפית עם שלב קומפילציה, והרצה עצמאית כמעט בוודאות תניב תוצאה אחרת. סדר הגודל — מילישניות חד-ספרתיות לכל החלטה — הוא החלק שמחזיק מעמד.

סעיף הרישיון שגובר על לוח התוצאות

MiniCPM5-2B מופץ תחת Apache-2.0. ניתן להשתמש בו באופן מסחרי, ליצור ממנו fork, להפיץ אותו מחדש, להטמיע אותו במוצר, ולעולם לא לדבר על כך עם עורך דין. d1-Omni-2B מופץ תחת LFM Open License v1.0, שמעניקה שימוש מסחרי רק כל עוד הארגון שלכם נותר מתחת ל-10,000,000 דולר בהכנסות שנתיות. בסף זה או מעליו, הרישיון קובע כי שימוש מסחרי "אינו מורשה במסגרת הסכם זה" — כלומר, יש צורך בהסדר נפרד עם Liquid AI, או שלא מפיצים את המודל.

הפצה מחדש מותרת בשניהם, עם תנאים בצד של LFM: להעביר את הרישיון הלאה, לסמן קבצים ששונו, לשמור את ההודעות. אין דרישת מיתוג מחדש. עבור צוות מחקר, אב־טיפוס או חברה שנמצאת בנוחות מתחת לקו, הסעיף הזה הוא פורמליות. עבור צוות מוצר בחברה שעלולה לחצות את הסף במהלך חיי השימוש של המודל, מדובר בשאלת רכש שמגיעה לפני שהבנצ'מרק הראשון מגיע — וזה מסוג הדברים שמתגלים באיחור, על ידי המחלקה המשפטית, אחרי שהארכיטקטורה כבר נקבעה.

האסימטריה חדה מספיק כדי לומר אותה בלי הסתייגות: מבחינת הרישיון בלבד, MiniCPM5-2B הוא ההימור הבטוח יותר לכל פריסה מסחרית, והרישיון של d1-Omni-2B הוא עלות אמיתית של בחירה בו, לא הערת שוליים.

איזה מהם אתה יכול להריץ היום בפועל

הפריסה של MiniCPM5-2B משעממת, וזו המחמאה הגבוהה ביותר האפשרית למודל בגודל הזה. הוא דקודר סטנדרטי, כך ש-vLLM ו-SGLang תומכים בו ללא טלאי, llama.cpp ו-LM Studio קוראים את ה-GGUF, MLX מכסה את Apple silicon, ובנייה של Q4_K_M היא כ-1.45GB. המלכודת היחידה היא קריאה לכלים: המודל פולט קריאות בסגנון XML, ולכן vLLM צריך ש־minicpm5 מפענח קריאות הכלים יהיה מופעל, אחרת קריאות הפונקציות שלך יגיעו כפרוזה.

d1-Omni-2B עדיין לא משעמם. טעינתו מחייבת Transformers עדכני עם trust_remote_code=True, ובנוסף torch, torchvision ו-Pillow; המאגר מספק BF16 safetensors ותו לא. אין GGUF מהספק, אין מתכון vLLM ממוזג בכרטיס, ו-Hugging Face אינה מפרטת ספק inference עבורו — לכן אין endpoint באירוח לבדוק מולו, וזו גם הסיבה שאין מחיר אירוח לצטט. המסלול המעשי שרוב האנשים יבחרו הוא תג ה-Ollama d1-omni:2b, אריזת קהילה בגודל 4.4GB שעוטפת את אותם משקלים. זה עובד. זו גם הסיבה היחידה שמפתח יכול לנסות את המודל הזה בתוך אחר צהריים אחד, וזה עבודה של צד שלישי, לא של Liquid.

לאף אחד מהמודלים אין מחיר מפורסם לכל טוקן, משום שאף אחד מהם לא נמכר לפי טוקן. כל נתון לכל מיליון שאתם מוצאים עבור מי מהם נגזר מחישובי שכירות של GPU ולא מצוטט על ידי ספק. אם אתם משווים ביניהם לפי עלות, השוו לפי מה שעולה החלטה אחת בשניות של זמן GPU — וזכרו שהתשובה של מודל ההחלטות מוכנה כשהקריאה חוזרת, ואילו התשובה של מודל הצ'אט מוכנה כשהוא מפסיק לחשוב.

התבנית שמשתמשת בשניהם

המסקנה הכנה של השוואה זו היא שהם אינם מתחרים, והארכיטקטורה המועילה מתייחסת אליהם בהתאם. d1-Omni-2B מטפל בשיקול הדעת הזול, בעל הנפח הגבוה והרגיש לשיהוי: איזו תור, איזה צוות, האם זו אותה חשבונית, כמה דחוף, ואיזו משתים-עשרה הקופסאות האלה. הוא פועל באופן מקומי, מחזיר מספר שאפשר להחיל עליו סף, ונמנע מלהכריע כשהוא אינו יודע.

MiniCPM5-2B מטפל בחלק שדורש שפה: להסביר את ההחלטה ללקוח, לנסח את התשובה, לכתוב את התיקון, לקרוא לכלי הבא בשרשרת. הוא גרוע יותר במשימה הראשונה וטוב יותר בשנייה, והפיצול לא עולה לך דבר מלבד קריאת פונקציה ביניהם — מסלול שמסלים למודל היקר רק כשהביטחון של המודל הזול יורד מתחת לסף שלך. שכבת ההסלמה הזו היא בדיוק סוג הדבר שפלטפורמת ניתוב נועדה לו: מפתח API אחד על פני יותר מ-200 מודלים עם 0% תוספת על מחיר המחירון של הספק, מעבר אוטומטי לגיבוי כשספק נתקע, ו-DSL לניתוב שמאפשר לך להרכיב כמה מודלים מאחורי קריאה אחת. לא d1-Omni-2B ולא MiniCPM5-2B נמצאים בקטלוג של OrcaRouter כיום, כך שחצי ההחלטה של התבנית הזו נשאר באחסון עצמי לעת עתה — אבל החצי הגנרטיבי, זה שתרצה להחליף כשמודלים קטנים טובים יותר יגיעו, הוא בדיוק החצי ששווה לנתב ולא לקבע בקוד.

מי אמור לבחור מה

קחו את d1-Omni-2B כאשר המצב מכיל אודיו או וידאו, כאשר אתם זקוקים להסתברות ולא למשפט, כאשר התשובה חייבת להיות תיבה תוחמת או קטע או מספר עם טווח, וכאשר הקריאה יושבת בלולאה שבה 6ms ו-78ms הם מוצרים שונים. קחו אותו בידיעה שסף הרישיון חל עליכם, שהפריסה היא טריטוריית קוד מותאם אישית, ושעדיין לא קיימת הערכה עצמאית — הכרטיס של Liquid עצמה מפנה אנשים בלי אודיו אל d1-2B, וזו פיסת הנחיה כנה יותר ממה שרוב הספקים מתנדבים לתת.

בחר את MiniCPM5-2B כאשר הקלט הוא טקסט, כאשר הפלט צריך להיקרא בידי אדם או להיות מוזן לכלי שמצפה לפרוזה, כאשר אתה זקוק לחשיבה על פני מסמך ארוך, וכאשר Apache-2.0 ומסלול פריסה סטנדרטי של Llama מסירים שתי קטגוריות של סיכון לפני שתכתוב שורת קוד. בחר בו בידיעה שהממוצע 53.9 של הספק לא שוחזר, שהציון הבלתי־תלוי שלו הוא 12 במדד הנוכחי — הרבה מעל החציון של 5 לדגמים בקטגוריית הגודל שלו, ואינו בר־השוואה ל־15 או 23 שנרשמו בגרסאות קודמות — ושהתוצאות החלשות ביותר שפורסמו שלו, Terminal-Bench עם 8.6 ו-SWE-bench Pro עם 14.4, הן הקרובות ביותר לעבודה סוכנית, וזה בדיוק התחום שבו השיווק שלו הוא הכבד ביותר.

ואל תבחר באף אחד מהם אם מה שרצית באמת היה מודל צ׳אט קטן שיכול לראות. MiniCPM5-2B לא יכול, d1-Omni-2B לא מנהל שיחה, והמודל שאנשים בדרך כלל מתכוונים אליו כשהם מקלידים את אחד מהשמות האלה לתיבת חיפוש הוא מודל אחר באותן משפחות. הדבר שכדאי לעקוב אחריו הוא הערכת השמע העצמאית הראשונה של d1-Omni-2B. תוצאות השפה המדוברת שלה — 92.5 ב-FLEURS על פני 43 שפות, אך 42.0 בכתב שמתדרדר ל-22.8 בשמיעה במצבים קצרים, ומ-83.6 ל-41.8 בקטעים רב-לשוניים — מתארות מודל שמצטיין בזיהוי שפה ושביר בהבנת פסקה הנקראת בקול. עד שמישהו מחוץ ל-Liquid ימדוד את הפער הזה, הטיעון בעד קלט קולי הוא הבטחה עם מספר מצורף, לא תוצאה.