d1-omni לעומת Liquid AI D1 Omni 600M: שני שמות, צ'קפוינט אחד, ומספר הקשר שאיש לא יכול לאתר את מקורו

Liquid AI D1 Omni 600M ו-d1-omni אינם שני מודלים, והם גם לא שני צ'קפוינטים של אותו מודל. מדובר בקבוצה אחת של משקלים — מודל קבלת ההחלטות המולטימודלי בעל 587 מיליון הפרמטרים של Liquid AI, שנבנה על Liquid AI LFM2.5-Encoder-350M ופורסם ב-Hugging Face ב-5 באוקטובר 2026 תחת שם המאגר LiquidAI/d1-omni-600M — כשהוא נושא שני שמות קבצים שונים בשני קטלוגים שונים. אחד מהקטלוגים האלה, זה של הספק, מספר לך מהו המודל. השני, זה של Ollama, מספר לך מהי האריזה שמישהו הכין ממנו, ומדפיס על הכרטיס שלושה מספרים שתיעוד הספק אינו תומך בהם. הפער הזה הוא כל הסיבה שכדאי לקרוא את ההשוואה הזו, כי עבור מודל כה קטן האריזה אינה הערת שוליים — היא ההבדל בין מודל טקסט ותמונה לבין המודל שהכרטיס אומר שהורדת.

הספק לא הודיע דבר על הרשומה של Ollama, ואין הערת מתחזק, אין רשומת changelog ואין readme בדף Ollama שמסבירים זאת. לכן המסגרת הכנה לכל מה שלהלן היא זו: המשקלים פומביים וניתנים לבדיקה, האריזה פומבית וניתנת לבדיקה, והקריאה של האריזה המוצעת כאן היא שלנו, לא של Liquid AI. במקום שבו לא ניתן לעקוב אחר מספר למקור, הטקסט הזה אומר זאת במקום לחזור עליו.

מה הם למעשה שני השמות

Liquid AI פרסמה את המודל ב-Hugging Face עם חותם זמן יצירה של 5 באוקטובר 2026, יומיים לפני שהוא הופיע בפוסט הבלוג של הספק עצמו "Open d1: מודלי החלטה לקצה עבור טקסט, ראייה ואודיו" ב-7 באוקטובר. המשקלים ברישיון לפי תנאי LFM 1.0 של Liquid עצמה, עם התגיות d1_omni, system-one, multimodal, vision, audio ו־decision-model, ומשכו כ-13,900 הורדות ו-135 לייקים נכון לזמן כתיבת הדברים. גרסאות מכומתות הופיעו לאחר מכן לפי לוח הזמנים שלהן: מאגר GGUF ב-6 באוקטובר, ומהדורות MLX ל-Apple Silicon ב-12 באוקטובר.

הרשומה של Ollama אינה אף אחד מאותם מאגרים. זהו דף ספרייה של Ollama בשם d1-omni שנושא את התג "vision 600m", מציג ארבע תגיות, ועודכן דקות ספורות לפני כתיבת הדברים האלה — וזו הסיבה שהרדאר חשף אותו בכלל. שום דבר בו אינו מזכיר את Liquid AI, ‏LFM2.5-Encoder-350M, או את מאגר Hugging Face שממנו הגיעו הבייטים.

אז ההבדל המעשי הוא שם קובץ ונתיב הפצה, לא מודל. מה ששונה, ומה שחשוב, הוא המטא-נתונים שעוטפים את הבייטים.

שלושת המספרים שעל כרטיס Ollama, נבדקים בזה אחר זה

הדף של Ollama מציג גודל, חלון הקשר ורשימת קלט עבור כל תג. שלושתם ראויים למבט שני, מפני שבמודל הזה שניים מהם לא שורדים מפגש עם המקור.

• חלון ההקשר — 125K בכרטיס, 16,384 בכל מקור של הספק. כרטיס המודל של Liquid AI מציין תקרה של 16,384 טוקנים המכסה יחד מיקומי טקסט, תמונה ואודיו, ועמוד התיעוד של הספק עצמו עבור d1-omni-600M אומר "16K tokens". המחרוזת 125K אינה מופיעה באף אחד מהם. ייתכן שזה ארטיפקט של תצורת המיקומים של ארכיטקטורת LFM2.5-Encoder הבסיסית או של האופן שבו Ollama מדווח על מגבלת מטמון, אך זה אינו נתון ש-Liquid AI פרסמה וזה אינו נתון שהמאמר הזה יכול לייחס לאף אחד. מה שהופך את אי-ההתאמה ליותר מאשר דקדקנות הוא המספר הבא למטה.

• המצב שאפשר להעביר בפועל מוגבל ל-896 טוקנים בנתיב התמונות. הכרטיס של Liquid אומר שכאשר יש תמונות, "טקסט המצב והשאלה נחתך ל-896 טוקנים, כפי שאומן". כלומר, בקשת החלטה שנושאת תמונה מקבלת תקציב טקסט בערך בגודל המשפט הזה, לא משנה איזו דמות הקשר מודפסת בעמוד משיכה. אם הייתם מכיילים פרומפט למיון מול 125K ומצפים לשלם על מצב ארוך, הייתם מכיילים מול מספר שלא מתאר את סביבת ההרצה. הנתון 16,384 הוא התקרה האמיתית; הנתון 896 הוא המגבלה המעשית האמיתית בנתיב הרב-מודלי; ה-125K הוא מספר בלי תיעוד.

• גודל — 850MB בכרטיס, שני קבצים במאגר. התג של Ollama d1-omni:latest מתפענח לקובץ משקלים מכומתים בנפח 407MB המסומן Q8_0 בתוספת קובץ projector בנפח 442MB המסומן BF16, ו-407 + 442 = 849, שהעמוד מעגל ל-850MB. שניהם רשומים ביושר; החשבון הוא פשוט הסכום של זיווג דיוק מעורב ולא קובץ אחד. התג של d1-omni:600m-bf16 הוא הנקי יותר: 764MB של משקלי BF16 בתוספת אותו projector בנפח 442MB, 1.2GB בדיסק, וה-projector זהה בייט-בייט בין שני התגים. שווה לשים לב לכך עבור הסעיף הבא, מכיוון ש-projector שנושא את המשקלים שלו עצמו יכול לשנות את מספר הפרמטרים האפקטיבי.

עוד פרט אחד שכדאי לתעד במקום להסביר: גוש פרמטרי ה-runtime בתוך חבילת d1-omni של Ollama הוא באותו אורך בדיוק — 18 בייטים — כמו זה שבתוך החבילה הנפרדת של Ollama d1, החבילה שמגיעה עם Liquid AI d1-3B במשקלי Q8_0 בגודל 2.87GB ופרוג'קטור בגודל 855MB. שתי ארכיטקטורות, שני מספרי פרמטרים, פער של שני עשורים בהיקף הפרמטרים ביניהם, ואותה קונפיגורציית runtime בגודל 18 בייטים. זהו קבוע אריזה, ולא טענה לגבי אף אחד משני המודלים.

מה שהמשקולות עצמן אומרות

הסר את האריזה והמודל מתועד היטב באופן יוצא דופן. Liquid AI D1 Omni 600M כולל בסך הכול 587M פרמטרים המחולקים לשלושה חלקים: גזע משותף וראש החלטה בני 381M, מקודד חזותי בן 94M ומקודד אודיו בן 112M. הגזע הוא דו-כיווני — זהו מקודד, לא מפענח — והוא אותו גזע עבור כל מודאליות, כאשר מגדלים ספציפיים למודאליות מחוברים אליו.

• ראייה מגיעה ממגדל SigLIP2 שעבר בירושה מ-Liquid AI LFM2.5-VL-450M, עם מתאם ועדכוני LoRA שהיו פעילים רק בקלטי תמונה בעוד שהמקודד עצמו נותר קפוא.

• השמע מגיע מ-FastConformer בעל 17 שכבות עם מתאם משלו, שעבר כוונון עדין בשלב שבו עמוד השדרה הטקסטואלי היה קפוא, לאחר מכן כל המחסנית עברה כוונון עדין, ה-LoRA מוזג, והמשקלים עברו מיצוע חזרה מול נקודת הביקורת הקודמת.

• אוצר מילים הוא 65,536 טוקנים ב-15 שפות: אנגלית, גרמנית, ספרדית, צרפתית, איטלקית, הולנדית, פולנית, פורטוגזית, ערבית, הינדי, יפנית, רוסית, טורקית, וייטנאמית וסינית.

• לא ניתן לערבב מודאליות. בקשה בודדת מקבלת טקסט יחד עם תמונות, או טקסט יחד עם עד 30 שניות של דיבור — לא את שניהם. אודיו צפוי ב-16kHz מונו, בין 0.5 ל-30 שניות, והוא אומן על חילופי דברים בין דובר אנגלית לבין עוזר, וזהו אילוץ ממשי בכל הנוגע לכל דבר רב-לשוני או רועש.

שום דבר מזה לא מופיע בעמוד של Ollama, ולחסור הזה יש השלכה שאפשר לראות ישירות בדוגמאות השימוש. קטעי הקוד של Ollama הם קריאות צ'אט — מחרוזת מודל, מערך הודעות, המילה "Hello!" — והצ'קפוינט הבסיסי לא יכול לענות להן. הוא אינו מודל צ'אט ואינו כותב טקסט. הוא מחזיר תשובות מטיפוס מוגדר: הסתברות כן/לא, תווית עם הסתברות לכל תווית, או מיקום על סקאלה סדורה, הכול נקרא ישירות מהתפלגות הפלט בלי שנוצרים אסימוני פלט כלל. הממשקים שפורסמו משקפים זאת: system_one וכן probabilities דרך Transformers, או /v1/systemone כנקודת קצה דרך llama.cpp 0.7.0 ואילך. קריאה בצורת צ'אט אל מודל החלטה היא הטעות שפער השמות הזה מזמין.

שתי הסתייגויות מתלוות לכל אחד מהנתונים הללו

ראשית, Liquid ניקדה את השורות של עצמה באמצעות המעריך הרשמי במקום להגיש אותן לדירוג ציבורי, ואף צד שלישי לא שחזר שום תוצאה של d1-omni-600M — הספק מציין בבירור בכרטיס המודל כי אינו מדווח מספרי הסקה עבור הצ'ק-פוינט הזה משום שזהו שחרור מחקרי מוקדם שנמצא בפיתוח פעיל. שנית, שני מספרי הכותרת סותרים זה את זה: פער של 32 נקודות במדד ופער של 4.5 נקודות בממוצע הבנצ'מרק מתארים את אותו מודל, ולכן דווקא תתי-הציונים, ולא הסכומים, הם הקריאה המועילה. Retrieval עם 35.0 ו-Tools עם 15.1 לעומת Arts עם 6.8 מגלים לאילו משימות הצ'ק-פוינט הזה מוכן ולאלו לא. ל-Audio אין כלל עמודת בנצ'מרק; Liquid מכנה בנצ'מרקים ייעודיים לקבלת החלטות מבוססות אודיו בעיה פתוחה.

Liquid AI D1 Omni 600M מוביל גם את המשפחה שלו בשניים מתוך השבעה: Civil Comments עם 95.8 ו-PAWS-X עם 79.5. אלה שתי השורות שבהן מקודד בגודל 587M מנצח את הדקודר בגודל 3B באופן מוחלט, ושתיהן בעלות אופי של סיווג טקסט ולא של חשיבה — מה שמתאים לארכיטקטורה ולא סותר אותה.

בחר לפי מה שאתה רוצה. אם אתה רוצה שהוא יפעל מקומית תחת Ollama, d1-omni הוא השם שעובד — 850MB עבור בניית Q8_0, 1.2GB עבור BF16, אותו נתיב תמונה ש-Liquid מתעדת, ואף אחד מהתגים אינו כולל מקרן אודיו. אם אתה רוצה את המודל שהספק מתאר, Liquid AI D1 Omni 600M הוא השם לחפש, ומסלול Transformers דרך מאגר Hugging Face הוא זה שאורך ההקשר, רשימת המודאליות ומספר הפרמטרים שלו תואמים לתיעוד.

כך או כך, זהו החצי הזול של צינור עיבוד. מודל ההחלטה מסווג; משהו אחר צריך לפעול על בסיס הסיווג. זהו הגבול שעליו יושב OrcaRouter וזה שראוי לנסח במדויק: אף מודל של Liquid AI אינו נמצא בקטלוג שלנו, כך שהקריאה ל-d1-omni עצמה הולכת לאן שאתם כבר מריצים אותה — המשקלים האלה על החומרה שלכם, או ה-API של הספק ופלטפורמות צד שלישי עבור האחים המאוחסנים.יותר מ-200 מודלים מאחורי מפתח אחד תואם OpenAI נועדו לכל מה שבמורד הזרם, במחיר המחירון של כל ספק מועבר עם 0% תוספת, עם מעבר אוטומטי בין ספקים כאשר בקשה שעברה טריאז' מתפצלת אל מודל שיש לו יום רע.

מה יכריע את השאלה הפתוחה

שלושה דברים היו סוגרים את העניין, ואף אחד מהם לא דורש הכרזה של ספק. מישהו שישווה בין הפלט של תג ה-Ollama בגודל 850MB לבין ה-checkpoint של Hugging Face על אותם קלטים יגיד לנו האם האריזה שינתה את התשובות. קומיט של llama.cpp או רשומת שינויים ב-Ollama שמסבירה את נתון ההקשר יגידו לנו האם 125K הוא טעות או יכולת שכרטיס המודל טרם הדביק. ותוצאה שפורסמה בנושא אודיו — כל תוצאה בנושא אודיו — תוציא את ה-checkpoint הזה מהקטגוריה שבה הוא נמצא כעת, כלומר מודל מתועד היטב עם שכבת אריזה לא מתועדת ולוח תוצאות שהוא כולו של הספק עצמו.

הכשלים המתועדים של ה-AI ותקריות הסוכנים שמאחורי גרסאות כמו זו נאספים בארכיון תקריות ה-AI של OrcaRouter, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות ודגל מחלוקת.