Liquid AI d1-3B לעומת LFM2.5-2.6B-Base: מודל ההחלטה והאב הקדמון של עצמו

זה לא מפגש בין שני יריבים. Liquid AI d1-3B, מודל ההחלטות במשקלים פתוחים ש-Liquid AI פרסמה ב-7 באוקטובר 2026, נבנה על בסיס שהספק בנה על ידי מיצוע המשקולות של LFM2.5-2.6B עם עמוד השדרה הטקסטואלי של LFM2.5-VL-3B. LFM2.5-2.6B-Base הוא אותו הורה ראשון — הצ'קפוינט הגולמי שאומן מראש, שאותו העלתה Liquid ב-1 באוגוסט 2026, 2.69 מיליארד פרמטרים, 34 טריליון אסימוני אימון, הקשר של 131,072 אסימונים, ללא כיוונון הוראות וללא תבנית צ'אט. אז ההמשגה הכנה של השוואה הזו היא צאצא מול אב קדמון: מודל שעבר אימון-המשך לתפקיד מאוד ספציפי, עומד לצד המצע הלא-מעוצב שממנו עוצב. אחד מהם עונה על שאלות הערב. האחר הוא נקודת ההתחלה אם השאלה שאתה צריך תשובה עליה היא כזו שאף אחד עוד לא שאל.

מה כל אחד הוא בפועל

שני כרטיסי המודל נקראים כמו מסמכים משני שלבים שונים של קו ייצור, וההבדלים ביניהם אינם סגנוניים.

Liquid AI d1-3B נושא 3.12 מיליארד פרמטרים, מקודד ראייה SigLIP2 NaFlex בגודל 400 מיליון, חלון הקשר של 32,768 אסימונים, אוצר מילים של 128,000 אסימונים ושש עשרה שפות מתועדות. זהו מודל החלטה: נותנים לו מצב ושאלות בעלות שמות, והוא מחזיר הסתברות כן/לא, תווית נבחרת עם רמת ביטחון והתפלגות אפשרויות מלאה, או ציון מסודר — במעבר קדימה אחד, בלי לייצר אסימוני פלט. הוא מגיע עם system_one קריאה עבור מצב אחד עם כמה שאלות, גרסה מקובצת שאורזת בקשות רבות ללא ריפוד, וגישה גולמית ל-probabilities עבור ההתפלגויות הבסיסיות. זה אינו מודל צ'אט ואינו כותב טקסט, והכרטיס אומר זאת במילים האלה.

LFM2.5-2.6B-Base נושא 2.69 מיליארד פרמטרים ב-30 שכבות — 22 בלוקים של קונבולוציה קצרה עם שער כפול ו-8 בלוקים של קשב עם שאילתות מקובצות — שאומן על 34 טריליון טוקנים והורחב להקשר של 131,072 טוקנים במהלך אימון הביניים, עם אותו אוצר מילים של 128,000 טוקנים ואותן שש-עשרה שפות. זהו צ'קפוינט טקסט בלבד שאומן מראש, ללא כוונון הוראות, ללא מדדים בכרטיס שלו, והמלצה שנשמעת כאזהרה: להשתמש בו רק במשימות שדורשות כוונון עדין כבד. הוא משלים טקסט. הוא לא מציית להוראות.

שתיהן הורדות ללא שער תחת הרישיון הפתוח של Liquid עצמה. שתיהן נותנות עדיפות לטקסט. אף אחת מהן אינה בקטלוג שלנו, ושום דבר כאן אינו מהווה הצהרת זמינות לגבי מי מהן.

השושלת היא החלק המעניין

Liquid לא ביצעה כיוונון עדין של מודל חדש כדי ליצור את מהדורת d1. היא לקחה ממוצע של שני צ'קפוינטים — LFM2.5-2.6B ומגדל הטקסט של LFM2.5-VL-3B — כדי לקבל נקודת התחלה טובה יותר, ואז ביצעה כיוונון עדין בכמה ריצות עם זרעים אקראיים ותערובות נתונים שונים, ומיזגה אותן חזרה יחד. התיאור של הספק לגבי מה ששיפר את התוצאה נקי באופן בולט מטכניקות אקזוטיות: אימון על קלטים ארוכים, ערבוב הסדר שבו מופיעות אפשרויות התשובה, והסרת קיצורי דרך מנתוני האימון עשו יותר מכל שיטה מתקדמת שהם ניסו.

הפרט הזה של הסרת קיצורי דרך ראוי לעצור עליו, מפני שהוא נותן שם לכשל שהקטגוריה הזאת נועדה למנוע. מודל שמאומן לענות על שאלות רב-ברירה ישמח ללמוד שאפשרות B היא בדרך כלל הנכונה, או שהאפשרות הארוכה ביותר מנצחת. ערבוב סדר האפשרויות במהלך האימון הוא מה שעוצר זאת. מודל החלטות שלמד פריור מיקום במקום לקרוא את המצב הוא גרוע מלהיות חסר תועלת — הוא טועה בביטחון בקנה מידה גדול — וזה בדיוק הדבר שמפריד בין מודל החלטות אמיתי לבין מסווג עם פרומפט.

יש גם רגרסיה שראויה להיאמר במפורש, כי הספק לא עושה זאת: לנקודת הביקורת הבסיסית יש חלון הקשר של 131,072 טוקנים ול-Liquid AI d1-3B יש 32,768. האימון שלאחר מכן למודל החלטות גבה שלושה רבעים מחלון ההקשר השמיש. אם דמיינתם שהצאצא שולט באופן מוחלט על האב בכל ציר, הוא לא, והחלטות על מסמכים ארוכים הן הציר שבו לנקודת הביקורת הישנה יותר יש יותר מקום — באופן עקרוני, אם כי אין לה ראש החלטות שישתמש בו.

לוח התוצאות, עם חוסר הסימטריה המצורף

השוואה בין השניים על מדדים היא שגיאת קטגוריה, אבל זו שגיאת קטגוריה עם צורה אינפורמטיבית, אז הנה זה עם ההסתייגויות במקומן. כל נתון של d1-3B הוא של Liquid עצמה, בניקוד של הספק עם הסקורר הרשמי ולא הוגש ללוח תוצאות ציבורי, ולא שוחזר על ידי שום צד שלישי. כל נתון של LFM2.5-2.6B-Base חסר כי למודל בסיס אין מה למדוד.

• Decision Index 0.2.1 — Liquid AI d1-3B 48.57, הראשון מבין כל מה שמתחת ל-10B בטבלה של הספק, ומקדים מודל החלטה שגדול ממנו פי שנים עשר. LFM2.5-2.6B-Base — לא קיבל ציון, ולא ניתן לתת לו ציון ללא ראש החלטה.

• בנצ'מרקים לטקסט — Liquid AI d1-3B מגיע לממוצע של 82.9 על פני שבעה בנצ'מרקים ציבוריים המכסים הבנה, רעילות, כוונה, שאלות ותשובות רפואיות והבנה חוצת-שפות. LFM2.5-2.6B-Base אינו מפרסם טבלת בנצ'מרקים כלל.

• ראייה — Liquid AI d1-3B מגיע בממוצע ל-74.1 על פני אחד עשר מבחני תמונות הנקראים כהחלטות; הסרת התמונות מורידה את אותן שאלות ל-45.1. LFM2.5-2.6B-Base הוא טקסט בלבד, ללא מגדל ראייה.

• פרמטרים — 3.12B לעומת 2.69B. מודל ההחלטה הוא הגדול מבין השניים, וזה ההפך מהסיפור הרגיל של פוסט-אימון.

• הקשר — 32,768 טוקנים מול 131,072. האב מנצח בשורה הזו, וזו השורה היחידה שבה הוא מנצח.

• השהיה — Liquid AI d1-3B עונה על שאלה בודדת בתוך 8 מילישניות על RTX 4090 ובתוך 50 מילישניות על Jetson Orin Nano, ומריץ 64 מצבים ארוזים בקצב של 475 לשנייה על ה-4090. ל-LFM2.5-2.6B-Base אין השהיה שאפשר לצטט עד שתבצעו עליו כיוונון עדין שיהפוך אותו למשהו שעונה על שאלה, ואז המספר הוא של הכיוונון העדין שלכם.

בין מה שאתה בוחר, בפועל

כלל ההחלטה כאן נקי באופן יוצא דופן, משום ששתי נקודות הביקורת אינן מתחרות על אותה שורת תקציב.

השתמש ב-Liquid AI d1-3B כאשר השאלה כבר קיימת והיא אחד משלושת הצורות שמודל החלטה מטפל בהן: כן או לא, בחירה מתוך קבוצה בעלת שם, או דירוג על סולם סדור. היישומים שפורסמו הם כולם מטלות ייצור מוכרות — מיון וניתוב, מודרציה, סיווג כוונה ונושא, בדיקות חילוץ, דירוג מחדש, מעקות בטיחות לסוכנים, ובדיקה חזותית. מספרי ההדגמה שהספק הריץ ב-5 באוקטובר הציבו את d1 מול GPT-6.1 Sol ו-Claude Opus 5.5 בשש מטלות כאלה, והטענה היא שהוא משתווה ל-GPT-6.1 Sol או עוקף אותו בארבע, בעוד עלותו נמוכה פי 19 עד פי 200; עמוד המתודולוגיה קובע במפורש שכל יישום הורץ פעם אחת לכל מודל, לכן התייחסו לצורת הטענה כממצא, לא למספרים שאחרי הנקודה העשרונית. זה שבאמת בולט הוא הדגמת הבדיקה: מיון בין תקין לפגום בארבעה קווי ייצור בדיוק של 85 עד 97% במטלה שהמודל מעולם לא אומן עבורה, שהובנה מתיאור קצר.

קחו את LFM2.5-2.6B-Base כשהשאלה עוד אינה קיימת. זוהי נקודת ההתחלה הזולה יותר לכוונון עדין שאתם מתכוונים להחזיק בו — ראש החלטה תחומי, מסווג בהתאמה אישית, משימה שאיש אינו מחזיק עבורה נקודת ביקורת. אתם יורשים את הארכיטקטורה, את הטוקנייזר ואת ההקשר הארוך, ומשלמים בחישוב, בנתונים ובהערכה. שניים מבין ארבעת היישומים שהספק בנה סביב d1 החלו מפרויקטים בקוד פתוח ולא מאפס, וזהו תיאור הוגן של מה שנקודת ביקורת בסיסית בתוספת משמעת אכן מפיקה.

המלכודת המעשית היא להתייחס לצ׳ק-פוינט הבסיסי כאל תחליף ישיר. הוא אינו עוזר, הוא לא יציית לפרומפט, וכשמעריכים אותו כמודל צ׳אט הוא מקבל ציון קרוב לאפס — וזו אינה עובדה על איכותו, אלא עובדה על מה שמשמעות המונח "base".

אירוח עצמי של כל אחד מהם, והשכבה שמעל

שניהם מגיעים כמשקולות, והספק ביצע את עבודת הפריסה עבור צד ה-d1: תמיכה ב-llama.cpp מהיום הראשון, מחסנית ה-NVIDIA המלאה מ-DGX ועד Jetson, קוונטיזציה של NVFP4, גרסת משקולות והפעלות של 8 סיביות, והמרות GGUF ב-Hugging Face. לנקודת הביקורת הבסיסית יש גרסאות GGUF, ONNX ו-MLX משלה דרך משפחת LFM2.5 הרחבה יותר. אם תעדיפו לא לארח דבר בעצמכם, Liquid מגישה את ה-d1מאוחסן מה-API שלה, בתמחור לפי טוקני קלט בלבד, כאשר תמונות מחויבות ב-1.5 טוקנים לכל טלאי בגודל 32×32 פיקסלים; גישה לטקסט בלבד זמינה גם דרך פלטפורמות צד שלישי.

מה שאף אחד מהנתיבים לא משנה הוא שאר המחסנית. מודל שאתה מארח הוא מודל שאתה צריך להחזיק בחיים, לנהל גרסאות ולבצע failover — וההחלטות שהוא מזין עדיין נוחתות לצד הקריאות הגנרטיביות שאינך מארח. התערובת הזו היא השכבה שנתב מאחד: נקודת קצה אחת על פני 200+ מודלים, מחירי מחירון של ספקים מועברים הלאה בתוספת של 0% כך ששינוי מחיר של ספק נכנס לתוקף אצלך באותו יום, וגם failover אוטומטי כך שאחר צהריים רע של ספק במעלה הזרם לא יהפוך להשבתה שלך. אירוח עצמי של מודל החלטות 3B לצידו מחדד את שאלת הניתוב במקום לרכך אותה, כי כעת אתה הבעלים של מחצית מהצינור ושוכר את המחצית השנייה.

איזה אחד, ולמי

אם השאלה שאתם צריכים שייענה עליה השבוע היא אחת משלוש הצורות שמודל החלטות לובש, והיא שאלה שמישהו אחר כבר דמיין, הצאצא מוגמר וחינמי ורץ תוך 50 מ״ש על מכשיר בלי GPU — קחו את Liquid AI d1-3B ודי.

אם אתם בונים את הדבר שעונה על שאלה שאף אחד עוד לא שאל, ויש לכם את הנתונים ואת כוח המחשוב כדי להחזיק בזה, LFM2.5-2.6B-Base היא נקודת ההתחלה הכנה, וכדאי לדעת שהצאצא במאמר הזה נוצר ממנה בדיוק במסלול שאתם עומדים לנקוט בו.

ואם אינך בטוח באיזה משני המצבים האלה אתה נמצא, התשובה היא כמעט תמיד הראשונה. פוסט-אימון לראש החלטה הוא המהלך היקר; הרצת ראש של מישהו אחר היא בחינם.