d1-Omni-2B: מה מגיע עם מודל ההחלטות השקט ביותר בגודל 2B של Liquid AI — ומה נשאר בחוץ

המאגר של Hugging Face עבור LiquidAI/d1-Omni-2Bנוצר בשעה 19:30 UTC ב-24 באוקטובר 2026. הפוסט הראשון בבלוג של Liquid AI שהזכיר את המודל בשמו עלה ב-27 באוקטובר. במהלך שלושת הימים האלה המאגר היה ציבורי ושלם — דף מפרט מלא, 4.33GB של safetensors מסוג BF16, קוד Transformers עובד — ושום דבר שהספק פרסם לא אמר שהוא קיים. כשהאזכור סוף סוף הגיע, הוא היה שני פסקאות וטבלה בת ארבע שורות בתוך השקת משפחה של שישה מודלים, ולא השקה בפני עצמה. זו הצורה של השחרור הזה, וזו המסגרת הנהונה לכל מה שלמטה: המשקלים ניתנים לבדיקה, הטענות הן של הספק, והחלקים שקונה היה מקבל בדרך כלל מהכרזה — מחיר, נקודת קצה מתארחת, מבחן בנצ'מרק עצמאי — עדיין לא נמצאים שם.

הפער בן חמשת הימים בין המשקולות למילים

הסיפור של מודלי ההחלטה של Liquid AI סופר פעמיים, ו-d1-Omni-2B אינו נכלל באף אחד משני הסיפורים. ב-7 באוקטובר פרסמה החברה את "Open d1: מודלי החלטה בקצה לטקסט, ראייה ואודיו", אשר הציג בדיוק שני צ'קפוינטים פתוחים: d1-3B, מודל ראייה וטקסט בעל 3.12B פרמטרים, ו-d1-omni-600M, מודל בעל 587M פרמטרים שקיבל טקסט עם תמונות או טקסט עם עד 30 שניות של אודיו. הפוסט הזה עדיין מקוון, והוא עדיין אינו מכיל מודל 2B.

קו ה-2B הגיע בלוח זמנים אחר. ב-21 באוקטובר הופיע צ'קפוינט הבסיס LFM3-Omni-2B ב-Hugging Face. ב-24 באוקטובר, בהפרש של עשרים וארבע שניות, יצרה Liquid AI מאגרים עבור d1-2B ו-d1-Omni-2B. פוסט ההשקה של LFM3 ב-27 באוקטובר הציג אז את המשפחה בשמה: שישה מודלים בסביבות 2B פרמטרים, ארבעה מכסים טקסט, חזות, אודיו ואומני, ושניים האחרונים, בלשון הפוסט עצמו, "הם מודלי החלטה שהותאמו במיוחד מתוך מודלי החזות והאומני." המשפט הזה הוא ההכרזה. לא היה פוסט נפרד ל-d1-Omni-2B, לא עמוד תמחור, לא ציטוט של שותף השקה, ולא עדכון למאמר מ-7 באוקטובר.

אז המודל אינו לא מתועד — המאגר הוא אחד הצ'קפוינטים הקטנים המתועדים היטב ש-Liquid AI פרסמה, ועמוד התיעוד של הספק עבור מודלי החלטות מציג אותו לצד d1-2B ו-d1-omni-600M. הוא הוכרז בצניעות. ההבחנה הזו חשובה כי היא אומרת לך אילו טענות עברו סקירת השקה ואילו לא.

קריאת הכרטיס כגיליון מפרט

בלי המסגור, ה-checkpoint הוא פשוט. d1-Omni-2B הוא מודל החלטות שעבר אימון-המשך, שנבנה על LFM3-Omni-2B, והוא אינו מודל צ'אט: הוא אינו כותב טקסט ואינו מפיק דיבור, וכל קריאה מחזירה output_tokens: 0.

• פרמטרים — 2.17B, נשלח כקובץ safetensors יחיד בגודל 4.33GB בפורמט BF16.

• ארכיטקטורה — עמוד השדרה של LFM3: 24 שכבות, מתוכן 13 הן קונבולוציות קצרות עם שער, 5 הן תשומת לב בחלון הזזה בגודל 256 טוקנים, ו-6 הן תשומת לב גלובלית. פוסט המשפחה מתאר את התמהיל התלת-היברידי הזה כתוצאה מחיפוש ארכיטקטורה בלולאת חומרה (hardware-in-the-loop) שנערך על פני 14 שילובים של התקנים ובקאנדים.

• הקשר ואוצר מילים — 128K אסימונים ואוצר מילים של 128,000 אסימונים המשותף עם שאר LFM3.

• קלט — מצב שיכול להיות טקסט או כל ערך JSON, בתוספת תמונות, פריימים של וידאו וקטעי אודיו, בתוספת כל מספר של שאלות בעלות שם, בכתב או בעל פה. ה-API של הכרטיס מקבל את כל אלה ברשימת מדיה אחת, וזהו הבדל משמעותי מה-checkpoint של 587M: d1-omni-600M מתועד כטקסט-עם-תמונות או טקסט-עם-אודיו, לא שניהם בו-זמנית.

• פלט — תשובות מטיפוס מוגדר עם הסתברויות. כן/לא, בחירה מתוך אפשרויות בעלות שם, ציון סדור, ערך שנקרא ממסמך יחד עם הטווח שלו, מספר עם מרווח p10–p90, תיבת תיחום, או כל מופע של אובייקט עם ספירה.

• שפות — שש עשרה. הדיבור מכסה את אותה קבוצה למעט הינדי, תאית, וייטנאמית ואינדונזית, מה שראוי לציין מכיוון שצד הטקסט מפרט אותן.

• רישיון — LFM Open License v1.0. שימוש מסחרי מותר מתחת ל-$10,000,000 של הכנסה שנתית; מעל לכך, טקסט הרישיון קובע כי שימוש מסחרי "אינו מורשה במסגרת הסכם זה".

אודיו הוא הטענה ששווה לבדוק

הסיבה לפנות לצ'קפוינט הזה ולא ל-d1-2B היא אודיו. Liquid AI מציבה אותו עבור „ניתוב שיחות והודעות קוליות ואירועי שמע”, וכרטיס המודל נושא את פיסת הראיות האחת שפוסט השקה היה בדרך כלל פותח בה: השוואה בין דיבור לכתב על אותם פריטים.

• ניתוב ומיון עסקי (DecisionBench, Hanno Labs v1) — 83.4 בכתב, 78.2 בעל פה.

• מקרי שירות לקוחות (החלטות מוקלדות) — 50.5 בכתב, 48.0 בדיבור.

• JevBench v1.4.1, השורות שקול יכול לומר — 87.6 בכתב, 89.0 בדיבור, כלומר ההרצה המדוברת קיבלה ציון מעט גבוה יותר, וזה רעש ולא שיפור.

• אירועי צליל (ESC-50) — 84.5, ללא מקבילה כתובה.

• זיהוי שפה מדוברת (FLEURS, 43 שפות) — 92.5.

המספרים האלה תומכים במסר השיווקי. שאר חלק השמע הוא החלק שאומר לך היכן לא לבנות, והוא גלוי באופן יוצא דופן עבור כרטיס של ספק. מצבים קצרים בדיבור יורדים מ־42.0 בכתב ל־22.8 בשמיעה. קטעי Belebele בשמונה שפות יורדים מ־83.6 ל־41.8. הכרטיס מציין בפשטות שקטעי דיבור ארוכים מאבדים חלק ניכר מהדיוק שלהם, „בעיקר מחוץ לשפות בכתב לטיני”, ומפנה כל מי שאין לו קלט שמע אל d1-2B במקום, שלדבריו חזק יותר בטקסט ובתיבות בודדות, מדווח לעתים קרובות יותר על ערכים חסרים ומכויל טוב יותר.

כשקוראים אותן יחד, השורות האלה מתארות מודל שטוב באמירות קצרות וניתנות לניתוב בשפות עיקריות, וחלש בהרבה בכל מה שמחייב החזקת מצב דיבור ארוך. מיון קריאות במוקד טלפוני מתאים. פגישה מוקלטת בת ארבעים דקות לא.

לוח התוצאות הוא של הספק, והאינדקס שינה גרסה

כל מספר ביצועים במודל הזה הוא של Liquid AI עצמה. הכרטיס מפרט במפורש את השיטה: כל ארבעת מודלי d1 נוקדו על אותם פריטים עם אותה שיטת ניקוד, ולכן חלק מהנתונים שונים במעט מהכרטיסים הבודדים שמהם הגיעו. הוא לא מציין שצד שלישי שחזר חלק ממנו, ולא קיימת הערכה עצמאית של d1-Omni-2B נכון לזמן הכתיבה.

• חבילת Decision Index הציבורית, v0.3 — 49.0 עבור d1-Omni-2B, לעומת 51.1 עבור d1-2B, 49.0 עבור d1-3B ו-18.3 עבור d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76.4, לעומת 77.1, 73.1 ו-58.7 בהתאמה.

• decisionbench.ai v4 — 84.7, לעומת 85.2, 83.6 ו-57.9.

• ImajevBench v2.0-lite — 72.3, לעומת 75.5, 64.0 ו-21.7.

• לוח הבנצ'מרקים של היצרן עצמו, הכולל יותר ממאה מדדים — 61.8, לעומת 63.2, 58.8 וללא ציון עבור ה-600M.

• ממוצע הראייה על פני 18 מדדי תמונות — 67.7, לעומת 70.2, 65.4 ו-42.8.

מלכודת אחת טמונה באמצע הדבר. הפוסט מ{{1}}7 באוקטובר{{/1}} דיווח על {{2}}d1-omni-600M{{/2}} בתוצאה 15.95 ב{{3}}Decision Index v0.2.1{{/3}}. הכרטיס החדש מדווח עליו בתוצאה 18.3 ב{{4}}v0.3{{/4}}. אלה ערכות שונות, וההפרש אינו רווח ביכולת; אין להחסיר אחד מהשני. ההשוואה ההוגנת היחידה היא זו שהכרטיס למעשה ערך, כאשר כל ארבעת המודלים קיבלו ציון מחדש על אותם פריטים.

הדפוס ששורד את הניקוד מחדש הוא ש-d1-Omni-2B נמצא ממש מתחת ל-d1-2B כמעט בכל דבר, ומעל הדור הקודם בפער גדול. Liquid AI מציגה אותו כמי שמנצח את d1-3B בלוח ההחלטות שלה וב-16 מתוך 18 מבחני תמונה ב-70% מהפרמטרים, וזה נכון לגבי הטבלה כפי שהודפסה, וגם מהווה השוואה למודל שהמשפחה כבר החליפה.

מה שהמאגר לא עונה עליו

חמש שאלות עדיין פתוחות, ואף אחת מהן אינה נענית על ידי קריאת המשקלים.

• גישה מתארחת ומחיר. הפוסט של LFM3 אומר שמודלי הבסיס והמודלים שעברו post-training זמינים ב-Hugging Face, ב-Playground וב-Liquid AI API. עם זאת, טבלת התיעוד של מודלי ההחלטות מציינת את d1-Omni-2B כמשקולות פתוחות ומשאירה את שורות הגישה המתארחת בלבד שלו ל-d1.1 ול-d1-ultra, ובדף המודל ב-Hugging Face נכתב ש"המודל הזה אינו נפרס על ידי אף ספק Inference". מחיר לכל קריאה עבור ה-checkpoint הזה לא פורסם בשום מקום שהמאמר הזה הצליח למצוא, לכן יש להתייחס לגישה המתארחת כאפשרית אך לא מאומתת.

• נתוני אימון. הכרטיס אינו מספק קורפוס, אינו מספק הרכב ואינו מספק תיאור של מערך הנתונים. הוא מזכיר בדיקה על קטעים ועל קולות "שאף שורת אימון אינה כוללת", מה שמרמז שקיים מערך אימון ואינו אומר דבר על מה שיש בו.

• כימות. המאגר הראשי מספק BF16, ו-Liquid AI מפרסמת שלושה בילדים אחים: MLX fp16, MLX 8-bit וייצוא ONNX. אין GGUF של הספק, אף שספריית d1-omni של Ollama נושאת תג 2b בנפח 4.4GB ובחלון הקשר של 125K, והגודל קרוב מספיק לצ'קפוינט BF16 עד שלא נראה כמו כימות אגרסיבי.

• הערכה עצמאית. אין. כל מספר לעיל הורץ על ידי הספק, עם מעריך של הספק על לוח של הספק.

• האם הוא מחליף את d1-omni-600M. כרטיס המודל ממליץ על d1-2B על פני מודל זה כשאין אודיו, וממליץ על מודל זה על פני d1-2B כשיש אודיו. הוא אינו אומר דבר על עתידו של צ'קפוינט 587M, ו-Liquid AI לא הכריזה עליו כמיושן.

להריץ את זה, ומה זה עולה מבחינת חומרה

נתיב ההסקה הוא Transformers 5.19 ואילך עם trust_remote_code, והקריאה היא model.system_one(state, questions, media). אין פרמטרי דגימה להגדיר, מכיוון שדבר אינו נדגם. הקומפילציה אורכת כדקה בקריאות הראשונות; לאחר מכן הכרטיס מדווח 5.8 ms עבור שאלה אחת ו-7.7 ms עבור שלוש על H100 PCIe, 3.7 ms ו-5.6 ms על AMD MI325X, ו-21.1 ms ו-28.9 ms על Apple M5 Pro. מצב של 5K אסימונים עולה 52 ms על H100. אצוות היא המקום שבו נמצאת התפוקה: 1,154 מצבים לשנייה על H100 ו-1,697 על MI325X עם 64 מצבים בקריאה אחת.

במודל מהסוג הזה, המספרים הם הטיעון. הוא לא מתחרה במודל צ׳אט מבחינת איכות; הוא מתחרה בעצם ההרצה של מודל צ׳אט. מעבר קדימה של 5.8 מילישניות שמחזיר הסתברות מכוילת הוא פריט אחר לגמרי מקריאה גנרטיבית שמחזירה פסקה שאחר כך צריך לפענח.

היכן שההחלטה מסתיימת ושאר הפייפליין מתחיל

מודל כזה מבצע קפיצה אחת. הוא הופך פנייה, הקלטת שיחה או פריים ממצלמה לתווית ולציון ביטחון, ואז משהו צריך לפעול לפי התווית הזו — לנסח את התשובה, להסלים את המקרה, לקרוא ל-API. אף מודל של Liquid AI לא נמצא בקטלוג של OrcaRouter, ולכן הקפיצה השנייה היא המקום שבו המוצר שלנו באמת נמצא: המודלים הגנרטיביים שצורכים את ההחלטה עוברים דרך מפתח אחד תואם OpenAI המכסה יותר מ-200 מודלים, במחיר המחירון של כל ספק כפי שהוא, ללא תוספת מחיר (0%), עם מעבר אוטומטי לגיבוי כשבקשה נוחתת על ספק שעובר דקה רעה. מודל ההחלטה הוא החלק הזול, המהיר והדטרמיניסטי. כדאי לחבר את החלק היקר והלא-דטרמיניסטי למשהו שיכול לנסות שוב.

מה יפתור את זה?

שלושה דברים יהפכו את d1-Omni-2B מ"מבטיח" ל"ראוי להמלצה", ואף אחד מהם לא דורש פוסט בלוג נוסף. הראשון הוא הרצה עצמאית של חבילת האודיו על חומרה שאינה בשליטת הספק — הפער בין 22.8 ל-42.0 במצבים קצרים מדוברים הוא המספר שסביר ביותר להשתנות תחת המיקרופון של מישהו אחר. השני הוא מחיר מפורסם לגישה מתארחת, שבלעדיו אי אפשר להשלים את חישוב לבנות מול לקנות. השלישי הוא השוואה ישירה מול d1-2B באותן משימות הכוללות אודיו, מפני שההמלצה של הכרטיס עצמו — להשתמש ב-2B omni רק כאשר הקלט כולל אודיו — היא המשפט השימושי ביותר בו, והיא גם זו שאיש מחוץ ל-Liquid AI לא בדק.