Liquid AI d1-3B מול MiniCPM5-2B: הסתברויות או פרוזה, בקנה מידה של מחשב נייד

שני מודלים במשקלים פתוחים, ששניהם קטנים מספיק כדי לרוץ על המכונה שלפניכם, והם חלוקים בדעתם לגבי מה מודל צריך להחזיר. Liquid AI d1-3B הוא מודל ההחלטות 3.12B של Liquid AI, שנפתח במשקלים פתוחים ב-7 באוקטובר 2026: הוא קורא מצב וקבוצה של שאלות בעלות שמות ומחזיר תווית, הסתברות לכל אפשרות ורמת ביטחון, במעבר קדימה אחד, בלי לייצר דבר. MiniCPM5-2B הוא המודל הצפוף 2.52B של ModelBest ו-OpenBMB, שהוצג ב-World Artificial Intelligence Conference ב-19 ביולי ופורסם בשקט ל-Hugging Face בתחילת ספטמבר 2026 תחת Apache-2.0 — עוזר הסקה, קידוד וקריאה לכלים שכותב תשובות, קורא לפונקציות ב-XML, וכבר יש לו למעלה ממיליון הורדות. לקטן מביניהם חלון ההקשר גדול פי ארבעה ורישיון הרבה יותר מתירני; הגדול מביניהם לא יכול להפיק טוקן אפילו אם תרצו בכך. איזו משתי הצורות האלה שייכת לצינור שלכם תלוי לחלוטין בשאלה אם הדבר שבמורד הזרימה של הקריאה רוצה מספר או משפט.

ההיפוך שכדאי לשים לב אליו תחילה

כמעט כל ציפייה אינטואיטיבית לגבי השילוב הזה היא הפוכה, אז התחילו משם.

MiniCPM5-2B הוא המודל הקטן יותר והוא מחזיק את ההקשר הארוך יותר: 131,072 אסימונים לעומת 32,768 עבור Liquid AI d1-3B. הוא גם בעל הרישיון הליברלי יותר מבין השניים — Apache-2.0, ללא הגבלת גישה, כאשר מערכי הנתונים לאימון שוחררו לצד המשקלים כחלק ממשפחת UltraData. Liquid AI d1-3B משוחרר תחת רישיון lfm1.0 של Liquid עצמה, שניתן להורדה ולכיוונון עדין, אך הוא רישיון ספק ולא רישיון מתירני סטנדרטי.

Liquid AI d1-3B הוא המודל הגדול יותר — 3.12B מול 2.52B בסך הכל, אם כי ההשוואה מתהפכת שוב בפרמטרים שאינם embedding — והוא זה שלא יכול לכתוב. יש לו ראייה; ה-MiniCPM הוא טקסטואלי בלבד. הוא עבר אימון post-training בדיוק לדבר אחד; ה-MiniCPM עבר אימון post-training לדברים רבים. ובמקום שבו MiniCPM5-2B מגיע עם תרשים השוואה שמציב אותו בראש קטגוריית הגודל שלו, Liquid AI d1-3B מגיע עם ציון אינדקס בודד וקבוצה של טבלאות השהיה.

שום דבר מזה לא הופך אחד מהם לטוב יותר. זה אומר שהשניים מיועדים למשימות שונות, והרמז המסגיר הוא צורת התשובה שכל אחד מהם מחזיר.

מה חוזר על החוט

MiniCPM5-2B הוא מודל שפה גנרטיבי. הוא מנמק, הוא עונה בפרוזה, והוא פולט קריאות כלים בסגנון XML שאותן ממיר המנתח minicpm5 המובנה של SGLang לtool_calls תואמי OpenAI בלי מתאם מותאם אישית. האימון המשלים שלו הוא החלק המעניין בסיפורו: 400 מיליארד טוקנים של כיוונון עדין מפוקח של חשיבה עמוקה, ואחר כך למידת חיזוק עם אלגוריתם מבוסס מבקר שאול מ-JustRL II, ואחר כך זיקוק על-מדיניות המקפל שישה עשר מורי RL מתמחים — חמישה מהם סוכניים — בחזרה לרשת צפופה אחת. הכרטיס מייחס ל-RL יחד עם הזיקוק רווח ממוצע של 10.96 נקודות בנימוק ובמשימות כלליות ו-6.96 במשימות סוכניות, ומדווח על ממוצע של 53.9 בקבוצת ההשוואה של עצמו, מעל המודל הגדול ביותר שנכלל באותה קבוצה. אלה הנתונים של ModelBest, שהופקו באופן פנימי, וטרם פורסם שחזור בלתי תלוי.

Liquid AI d1-3B מחזיר מבנה. שאלת noul חוזרת בתור P(yes) בין 0 ל-1. שאלת choice חוזרת בתור התווית, רמת ביטחון והסתברות לכל אפשרות. שאלת score חוזרת כרמה צפויה על סקאלה סדורה של שתיים עד עשר, עם ההתפלגות והמקרא שלה. אובייקט ה-usage מדווח output_tokens: 0, ויש גישה גולמית ל-probabilities אם אתם רוצים את הווקטורים הלא־מעובדים. אימון־העל שלו היה סוג העבודה ההפוך: למצע שני צ׳קפוינטים יחד, לבצע כיוונון עדין של כמה זרעים על תערובות נתונים שונות, למזג אותם, ואז להשקיע את המאמץ באימון על קלט ארוך, בערבוב סדר אפשרויות התשובה ובהסרת קיצורי דרך מנתוני האימון — כי מודל קבלת החלטות שלומד ש״אפשרות B בדרך כלל נכונה״ במקום לקרוא את המצב הוא גרוע מחסר תועלת.

האחד מבקש ממודל לחשוב ואז לומר משהו. האחר שואל מודל במה הוא כבר מאמין.

זה לצד זה, עם ציון מקור

כל נתון שלהלן הוא לפי דיווח הספק. המספרים של MiniCPM5-2B מגיעים מהכרטיס של ModelBest עצמה וממערכת ההשוואה שלה; אלה של Liquid AI d1-3B מגיעים מכך ש-Liquid הריצה בעצמה את מעריך הניקוד הרשמי של Decision Index במקום להגיש ללוח התוצאות הציבורי. נכון לשחרור המשקולות הפתוחות, אף אחד מהמודלים לא נבחן באופן בלתי תלוי בידי צד שלישי.

• פרמטרים — Liquid AI d1-3B סה"כ 3.12B עם מקודד חזותי SigLIP2 בנפח 400M ואוצר מילים של 128,000 טוקנים; MiniCPM5-2B סה"כ 2,516,756,480, 1,981,982,720 ללא embedding, 42 שכבות, 16 ראשי query ל-2 ראשי KV, אוצר מילים 130,560.

• הקשר — 32,768 טוקנים עבור Liquid AI d1-3B; 131,072 עבור MiniCPM5-2B.

• מודאליות קלט — טקסט ותמונות עבור Liquid AI d1-3B; טקסט בלבד עבור MiniCPM5-2B.

• פלט — הסתברויות, תוויות, רמות ביטחון וציונים מסודרים, עם אפס אסימוני פלט, עבור Liquid AI d1-3B; טקסט שנוצר, הנמקה וקריאות כלי XML עבור MiniCPM5-2B.

• ציון כותרת — Liquid AI d1-3B 48.57 ב-Decision Index 0.2.1, הראשון מבין מודלים מתחת ל-10B בטבלה של הספק; MiniCPM5-2B בממוצע של 53.9 על פני סט ההשוואה שלו עצמו, שהוא סט שונה המודד דברים שונים.

• מהירות — 8 מילישניות לכל שאלה ב־RTX 4090, 26 מילישניות ב־Jetson AGX Orin 64 GB, 50 מילישניות ב־Jetson Orin Nano, ו־64 מצבים ארוזים בכל מעבר בקצב של 475 לשנייה עבור Liquid AI d1-3B. המהירות של MiniCPM5-2B היא פונקציה של מספר הטוקנים שהוא מייצר, כך שאין מספר יחיד להעמיד מולו.

• רישיון — Apache-2.0, ללא הגבלת גישה, נתוני האימון שוחררו, עבור MiniCPM5-2B; lfm1.0 של Liquid עבור Liquid AI d1-3B.

• ראיות — יותר ממיליון הורדות מ-Hugging Face וחודש של קוונטיזציה קהילתית עבור MiniCPM5-2B; יומיים של קיום וללא הרצה של צד שלישי עבור Liquid AI d1-3B.

התפקיד שכל אחד מהם באמת טוב בו

ישנו תהליך עבודה ששני המודלים יכולים לבצע, וההבדל באופן שבו הם מבצעים אותו הוא כל הטיעון.

נניח שאתה ממיין פניות תמיכה, או מחליט אם קטע שנשלף עונה על שאלה, או מדרג פלט של LLM לפי מחוון. MiniCPM5-2B יכול לעשות את כל השלושה — הוא מודל הסקה קטן ובעל יכולת עם קריאה לכלים והקשר ארוך, והיית מריץ אותו כמו כל עוזר אחר, מבקש תווית ואז מנתח כל מה שחוזר. לפעמים הוא מחזיר JSON נקי. לפעמים הוא מחזיר JSON עם הסבר סביבו. לפעמים הוא מחזיר את התשובה הנכונה בצורה הלא נכונה, וההחמצה הזו היא באג במפרסר שלך ולא במודל.

Liquid AI d1-3B לא יכול לעשות שום דבר אחר, וזה בדיוק העניין. באותן שלוש משימות הוא מחזיר הסתברות ותווית ואין מה לפרסר, שלוש שאלות על מצב אחד עולות פי 1.3 מהזמן של שאלה אחת, ואופן הכשל משתנה מ"הפורמט נשבר" ל"הביטחון היה מכויל לא נכון" — מה שלפחות ניתן למדידה, כי הביטחון נמצא ממש שם בתגובה.

המקום שבו MiniCPM5-2B מנצח באופן מוחלט הוא כל מה שבא אחרי ההחלטה. הוא מחזיק 131K טוקנים, כך שהמצב יכול להיות עץ קבצים שלם של מאגר קוד או מסמך ארוך, ולא העמוד הראשון שלו. הוא כותב קריאות לכלים באופן נייטיבי. זהו מודל שאפשר לבנות עליו סוכן קטן, והוא עבר אימון-המשך במפורש לעבודה סוכנית. והרישיון Apache-2.0 שלו אומר שהשיחה הרגילה עם עורך דין מסחרי לא מתרחשת.

היכן ש-Liquid AI d1-3B מנצח באופן מובהק הוא ברצפת ההשהיה ובמודאליות. מכשיר שמריץ החלטה ב-50 מ״ש בלי GPU אינו מכשיר שמריץ MiniCPM5-2B; השניים חיים בדרגות חומרה שונות למרות מספרי הפרמטרים הדומים. וה-3B רואה — היצרן מדווח על 74.1 ב-11 בנצ'מרקים ציבוריים של תמונות הנקראים כהחלטות, לעומת 73.9 עבור המודל החזותי-לשוני שממנו נבנה, ומדווח שהסרת התמונות ממוטטת את אותן שאלות ל-45.1, שזו דרכם להראות שהתשובות מגיעות מהפיקסלים. בדיקה חזותית של קו ייצור אינה משימה שאפשר להטיל על ה-2B הטקסטואלי בכלל.

הרצתם, והשכבה סביבם

שתיהן סיפורי self-host, ושתיהן כבר השלימו את עבודת הפריסה. Liquid AI d1-3B מגיע עם תמיכה ב-llama.cpp מהיום הראשון, מלוא סטאק NVIDIA מ-DGX ועד Jetson, קוונטיזציה NVFP4, בנייה של 8 סיביות למשקלים ולאקטיבציות, והמרות GGUF שכבר פורסמו. MiniCPM5-2B היא ארכיטקטורת LlamaForCausalLM פשוטה ללא צורך בקרנלים מותאמים אישית, שרד safetensors יחיד ב-BF16, בנייות GGUF ו-MLX במשפחה הרחבה יותר, והעדפה מתועדת ל-SGLang כשאתה צריך את מפענח קריאות הכלים. אף אחת מהן אינה בקטלוג שלנו, והמאמר הזה אינו הצהרת זמינות לגבי אף אחת מהן.

החלופות המתארחות הן ה-API של הספק עצמו ופלטפורמות צד שלישי. Liquid מספקת את d1המתארח בתמחור לפי טוקני קלט בלבד ב-$0.04 למיליון, כאשר תמונות מחויבות כקלט ב-1.5 טוקנים לכל רבב של 32×32 פיקסלים וללא שורת פלט כלל; ל-MiniCPM5-2B אין API צד ראשון, וזה נורמלי עבור Apache-2.0 עם משקולות פתוחות

מה ששניהם מזינים לתוכו הוא אותה בעיית ארכיטקטורה. מודל מקומי בגודל 2B או 3B שמטפל בסיווג, בניתוב או בבדיקות סייגי בטיחות יושב לפני הקריאות הגנרטיביות שאינך מארח, והשילוב הזה — הסקה בבעלות עצמית לצד הסקה שכורה — הוא בדיוק הדבר ששכבת ניתוב קיימת כדי לספוג. נקודת קצה אחת על פני יותר מ-200 מודלים, מחירי המחירון של הספקים מועברים הלאה במרווח של 0% כך ששינוי מחיר של ספק נכנס לתוקף באותו היום, מעבר אוטומטי לגיבוי כאשר ספק במעלה הזרם נחלש. הבעלות על המודל הקטן הופכת את שאלת הניתוב לקשה יותר, לא לקלה יותר, כי כעת הגבול בין החומרה שלך לזו של מישהו אחר הוא החלטה שעליך לקבל בכל בקשה.

בחר לפי סוג התשובה

אם הדבר שאתה צריך הוא תווית, הסתברות או דירוג, וקבוצת האפשרויות ידועה מראש, Liquid AI d1-3B הוא הכלי הישר יותר — הוא נבנה בדיוק לבקשה הזו והתשובה לא תגיע פגומה. קבל את רישיון הספק, הקשר של 32K ושביל הראיות בן היומיים כמחיר.

אם מה שאתם צריכים הוא מודל קטן שמסוגל לנמק, להפעיל כלים, להחזיק מסמך ארוך ולענות במילים, MiniCPM5-2B הוא המכונה היכולה יותר בפער עצום, והוא מגיע עם Apache-2.0 ומאחוריו מיליון הורדות של בדיקות של אחרים.

הצוותים שיפיקו את המרב מכל אחד מהשחרורים הם אלה שמריצים את שניהם: מודל קבלת החלטות בחזית, שבו התשובה היא מספר והמילישניות חשובות, ומודל גנרטיבי קטן מאחוריו, עבור חלקי העבודה שזקוקים לשפה. הם לא מתחרים. הם מסנן ודובר.