d1-2B: Liquid AI השיקה מודל החלטות של 1.9B בלי פוסט כדי להכריז על כך

מאגר ה-Hugging Face של LiquidAI/d1-2B נוצר בשעה 19:30 UTC ב-24 באוקטובר 2026. אחיו התאום, d1-Omni-2B, הופיע עשרים וארבע שניות לאחר מכן. עד סוף אותו ערב שני המאגרים היו שלמים — 3.84GB של BF16 safetensors, כארבעים קבצים של קוד Transformers מותאם אישית, טבלת כיול, ו-API לשאלות טיפוסיות — ושום דבר שפרסמה Liquid AI לא אמר שאף אחד מהמודלים קיים. המשפט הראשון של הספק שמזכיר את d1-2B הגיע ב-27 באוקטובר, בתוך השקת משפחת LFM3 — אותו פוסט שפורסם ב-liquid.ai ובבלוג של Hugging Face עצמו — כפסוקית אחת בפסקה העוסקת בשני מודלי החלטה. מאז לא פורסם פוסט ייעודי. כך שזה אינו סיפור השקה, והתייחסות אליו ככזה תמציא רגע שיווקי שמעולם לא קרה. זהו סיפור על מוצר מודל שלם עם הכרזה חלקית, ועל שני הדברים שקרוא עדיין יכול לעשות עם זה: לקרוא את המאגר, ולהתייחס למספרים של הספק במרחק בטוח עד שמישהו מחוץ למעבדה יריץ אותם בעצמו.

חמשת הימים שבין המשקולות לבין גזר הדין

משפחת d1 שוחררה פעמיים, ואף אחד מהשחרורים לא נראה כמו זה. ב-7 באוקטובר פרסמה Liquid AI את "Open d1: Edge decision models for text, vision, and audio", שהציג את d1-3B עם 3.12B פרמטרים ואת d1-omni-600M עם 587M, עם טענה מרכזית, טבלת בנצ'מרקים, נתוני השהיה ופוסט בלוג שנשאר זמין מאז. הפוסט הזה אינו מכיל דגם 2B.

קו ה-2B נע לפי לוח זמנים אחר. צ'קפוינט הבסיס LFM3-Omni-2B הופיע ב-21 באוקטובר. ב-24 באוקטובר, בשעה 19:30 וב-19:30:24 UTC, Liquid AI יצרה את המאגרים d1-2B ו-d1-Omni-2B. לאחר מכן, ב-27 באוקטובר, פוסט ההשקה של LFM3 כינה את הצמד "מודלים להחלטות שהותאמו במיוחד ממודלי הראייה והאומני" — תיאור, לא הכרזה. באותו יום עלו ארבעה מאגרי נגזרת עבור d1-2B: בניות MLX ב-fp16, 8-bit ו-4-bit, וכן ייצוא ONNX. גם על אלה איש לא כתב פוסט.

זה חשוב מסיבה מעשית. הכרזה היא המקום שבו ספק מתחייב למיצוב: למה מיועד המודל, כמה הוא עולה, לאיזו סביבת הרצה הוא מכוון, ומה הוא לא עושה. הכרטיס עושה חלק מהעבודה הזו, ועושה אותה טוב באופן יוצא דופן. אבל הפערים שהותיר הפוסט החסר הם אמיתיים וספציפיים, והם מפורטים בתחתית המאמר הזה ולא מטושטשים.

מה שהמאגר למעשה יגיד לך

אם מסירים את המסגרת, נקודת הביקורת היא מסווג מולטימודלי קטן עם מפרט צפוף, שמסרב לייצר טקסט. כל קריאה מחזירה תשובות עם טיפוסים וצירופי הסתברויות, וoutput_tokens: 0. הכרטיס אומר זאת בפה מלא: d1-2B "אינו מודל צ'אט".

• פרמטרים — 1.92B, מסופק כקובץ safetensors יחיד בגודל 3.84GB מסוג BF16.

• Base — LFM3-VL-2B, על שלד LFM3: 24 שכבות, מתוכן 13 הן קונבולוציות קצרות עם שער, 5 הן קשב עם חלון מחליק, ו-6 הן קשב גלובלי.

• הקשר — 128K טוקנים ואוצר מילים של 128,000 טוקנים, פי ארבעה מהחלון של d1-3B שעומד על 32,768.

• קלט — מצב שיכול להיות טקסט או כל ערך JSON, תמונות או וידאו, וכל מספר של שאלות בעלות שם, הכול ברשימת מדיה אחת. וידאו הוא היכולת ש-d1-3B אינו מפרט.

• פלט — כן/לא, בחירה מבין אפשרויות בעלות שם, ציון סדור, ערך או תאריך שנקראו ממסמך עם הקטע שלו, מספר עם מרווח p10–p90, תיבת תיחום, או כל מופע של אובייקט עם ספירה. כל אחד מהם נושא הסתברות.

• שפות — שש עשרה: אנגלית, ערבית, סינית, צרפתית, גרמנית, איטלקית, יפנית, קוריאנית, פורטוגזית, ספרדית, וייטנאמית, תאית, אינדונזית, הינדי, רוסית, פולנית.

• רישיון — LFM Open License v1.0. שימוש מסחרי מוענק מתחת להכנסה שנתית של 10,000,000 דולר; נוסח הרישיון מגדיר נתון זה כסף, והזכויות לשימוש מסחרי מעליו מותנות באי-חריגה ממנו.

• מהירות — 5.7 מילישניות עבור החלטה בודדת על H100 PCIe ו-3.8 מילישניות על AMD MI325X, עם 1,132 ו-1,699 החלטות בשנייה בהתאמה כאשר 64 מצבים מקובצים לקריאה אחת. ב-Apple M5 Pro הנתון עבור שאלה בודדת הוא 18.6 מילישניות.

הטענה ששווה להתווכח עליה: היא עולה על המודל שאותו החליפה

הכרטיס של Liquid AI מציג טענה השוואתית אחת בלי סייגים: d1-2B "מוביל את מודלי d1 הפתוחים בממוצע ובלוח שלנו של למעלה ממאה מבחני החלטה, לפני d1-3B בפחות משני שלישים מגודלו". זוהי הצהרה נחרצת ממודל של 1.92B על מודל של 3.12B, וניתן לבדוק אותה, מפני שהכרטיס מציג את כל ארבעת מודלי d1 הפתוחים בטבלה אחת המדורגת על אותם פריטים עם אותו מדרג.

המספר בשורה העליונה הוא 51.1 לעומת 49.0 ב-Decision Index public suite, גרסה 0.3 — יתרון של 2.1 נקודות. לפני שמישהו מפרש זאת כניצחון נקי, שתי הסתייגויות צריכות להופיע לצידו. ראשית, הכרטיס של d1-3B עצמו מדווח 48.57 על Decision Index 0.2.1, וההבדל בין 48.57 ל-49.0 הוא גרסת האינדקס, לא שיפור במודל; הכרטיס של d1-2B מציין שכל ארבעת המודלים נבחנו מחדש על אותם פריטים, ושכמה מהמספרים של d1-3B שונים אפוא מהכרטיס שלו עצמו. שנית, ה-public suite הציבורי הוא רק חלק קטן ממה שקובע את לוח המובילים הציבורי: המעריך העצמאי שבנה אותו מחדש מתאר 37 מבחני בנצ'מרק ציבוריים במשקל של 20% מהציון, כאשר השאר מגיעים ממבחנים פרטיים שרק המתחזקים מריצים.

מה שהופך את 49.0 לאמין כמספר — למרות של-d1-2B עצמו אין בדיקה חיצונית — הוא שמישהו כבר שחזר את ה-3B על הגרסה הזו בדיוק. Efraín Garay הריץ את d1-3B על מדגם מרובד של 6,000 בקשות מ-Decision Index 0.3 באמצע אוקטובר וקיבל 49.11, לעומת 49.04 של Liquid על אותן שורות ו-48.99 על החבילה המלאה. זהו שחזור בתוך עשירית נקודה. הוא אינו מאמת את 51.1 של d1-2B, שאף צד שלישי לא הריץ, אבל הוא כן מאמת את שיטת הניקוד שמאחורי הטבלה שבה מופיע 51.1.

היכן שהמודל הקטן אינו מוביל

"מוביל ברוב הבנצ'מרקים הבודדים" עושה עבודה שקטה במשפט הזה. בטבלת אותה ריצה, d1-3B עדיין מנצח בשלוש מתוך עשרים ומשהו השורות שחשובות להחלטת פריסה:

• החלטות מהירות — 59.3 עבור דגם ה-3B לעומת 58.8, מבחן ההחלטות היחיד שממוקד במהירות שבו הדגם הגדול יותר מקדים במעט.

• החלטות עם טיפוס — 65.0 לעומת 61.3, פער של 3.7 נקודות והטיעון היחיד הברור ביותר לטובת המודל הוותיק כאשר הפלט חייב להיות ערך עם טיפוס ולא תווית.

• AI2D — 79.9 מול 76.7, מבחן קריאת התרשימים, שבו מגדל חזותי גדול יותר עדיין מניב דיוק.

בכל שאר המקומות סדר הדירוג מתהפך, לעתים בחדות. VisualWebBench הוא 96.2 עבור d1-2B לעומת 71.4 עבור d1-3B. ImajevBench v2.0-lite הוא 75.5 לעומת 64.0. MMMU-Pro הוא 26.4 לעומת 18.5 — שניהם נמוכים מספיק כדי שאף אחד מהמודלים לא ייחשב אמין עבור הסקה מולטימודלית קשה, וכדאי לומר זאת בפשטות במקום להציג את הפער של 7.9 נקודות כניצחון. ממוצעי הראייה הם 70.2 ו-65.4.

שלושה חסרים שהכרטיס אינו יכול למלא

ההכרזה החסרה מתבטאת בתוצרים חסרים. אף אחד מאלה אינו פגם במודל; כל אחד מהם הוא סיבה לכך שהמודל קשה יותר לאימוץ כיום מכפי שקו הבנצ׳מרק שלו מרמז.

• אין GGUF. ל-d1-3B ול-d1-omni-600M נוספו מאגרי GGUF ב-6 באוקטובר, יום אחרי שהמשקולות שלהם פורסמו, ו-d1-3B המשיך עם build של 8-bit weight-activation וארבע גרסאות MLX. ל-d1-2B יש גרסאות MLX ו-ONNX נכון ל-27 באוקטובר, אבל אין GGUF — כך שאין נתיב llama.cpp מפורסם עבור ראש ההחלטה, למרות שמודל הבסיס LFM3-VL-2B קיבל GGUF משלו ב-19 באוקטובר. אם סטאק ה-edge שלך הוא llama.cpp, זה כל הסיפור.

• אין מחיר ואין נקודת קצה. הכרטיס אינו מפרט API מתארח, אין מחיר לפי טוקן ואין ספק הסקה. זה אינו חריג עבור מהדורה עם משקולות פתוחות, אך פירושו שהדרך היחידה להשתמש ב-d1-2B היא להריץ אותו, וקטע הפריסה בכרטיס מסתיים בקטע קוד של Transformers.

• אין בנצ'מרק עצמאי. נכון ל-28 באוקטובר, המאגר מציג 44 הורדות ו-13 לייקים. ההערכה העצמאית הקיימת למודל החלטות מכסה את d1-3B ואת d1-omni-600M, ולא את המודל הזה. כל נתוני הביצועים לעיל הם של Liquid AI עצמה.

יש גם גבול שהכרטיס מציין לגבי עצמו: התשובות „נעשות פחות אמינות לאחר כ־64K טוקנים של מצב”, חצי מחלון ה־128K המוצהר, וההערכות אמינות לגבי ספירות וציונים אך פחות לגבי כמויות חופשיות. דגם שהכרטיס שלו עצמו אומר לך היכן הוא נחלש שימושי יותר מדגם שאינו עושה זאת, אך יש לקרוא את הכותרת 128K כנתון קיבולת, לא כטווח עבודה.

איך נראית פריסה ראשונה בפועל

הדרך המעשית היא להשתמש ב-Transformers 5.19 או בגרסה חדשה יותר עם trust_remote_code=True, bf16 על GPU, וקריאה ל-system_one או ל-system_one_batch. אין פרמטרי דגימה כי אין דגימה. כפתור הכוונון היחיד שחשוב הוא set_size, שמוגדר כברירת מחדל לגודל שאומן של 16; העלאתו משפרת את המהירות אך באה על חשבון דיוק הטקסט.

ההמלצה של הכרטיס עצמו היא השלב שרוב הצוותים מדלגים עליו: כיילו את סף ההחלטה שלכם על נתונים משימוש שלכם. הסתברות של 0.62 אינה אומרת דבר בבידוד. אם אתם מנתבים קריאות תמיכה או מסמנים מסמכים, הסף שמפריד בין "הסלמה" ל"טיפול אוטומטי" חייב להיות מותאם على מדגם מתויג משלכם, מפני שהכיול של הספק הותאם על המדגם שלהם.

הצורה שאליה זה מתאים היא שלב בצינור עיבוד, לא עוזר: מיון ראשוני, מודרציה, סיווג כוונות, חילוץ מטפסים, דירוג מחדש, בדיקה חזותית. אלה בדיוק המקומות שבהם צינור עיבוד כבר קורא לכמה מודלים, ושבהם שלבי היצירה סביב ההחלטה מגיעים בדרך כלל מ-API מתארח. OrcaRouter אינו מגיש כיום אף מודל של Liquid AI — כולל זה — כך שהרצת d1-2B משמעה הרצה בעצמך. מה שנתב שימושי עבורו הוא שאר השרשרת: מפתח אחד תואם OpenAI ליותר מ-200 מודלים מתארחים, DSL לניתוב שמרכיב שלבים לקריאה אחת, ומעבר אוטומטי לגיבוי כאשר ספק נופל, כך שצומת ההחלטה על ה-GPU שלך אינה מוחזקת כבת ערובה על ידי צומת היצירה שלידה.

מה היה משנה את הסיפור הזה?

ארבעה דברים, לפי סדר יורד של מידת חשיבותם. קובץ GGUF היה מעמיד את d1-2B על אותה תשתית הרצה כמו אחיו, והופך את הטיעון למחשוב בקצה למוחשי. פוסט ייעודי יבהיר לקונים למה Liquid AI חושבת שהמודל נועד, מעבר לרשימת שלבי ה-pipeline בכרטיס המודל. הרצה עצמאית — רצוי אותה דגימה בת 6,000 שורות ששחזרה את d1-3B — תהפוך את 51.1 מטענת ספק למדידה. ומחיר בשירות מתארח יהפוך את שאלת הבנייה מול הקנייה לכזו שאפשר בכלל לענות עליה.

עד אז, הסיכום הכנה הוא צר ושימושי: קיים מודל החלטה של 1.92B, המאגר שלו שלם מספיק כדי להעריך אותו, היתרון שלו במדדים לעומת ה-3B אמיתי בטבלת אותה־ריצה של הספק עצמו ובלתי מאומת בכל מקום אחר, וההכרזה החסרה הותירה אותו בלי האריזה — סביבת ריצה, נקודת קצה, מחיר — שרוב הצוותים זקוקים לה לפני שיכניסו מודל לצינור עיבוד. אם אתם כבר מריצים Transformers ורוצים מסווג עם חלון של 128K וקלט וידאו, שווה להשקיע בכך אחר צהריים. אם אתם זקוקים ל-llama.cpp או לנקודת קצה מנוהלת, המתינו.