Liquid AI d1-3B נוחת ב-Ollama: נקודת קצה מקומית שקטה למודל החלטות

יש d1 חדש בספרייה של Ollama, והוא אינו מודל צ'אט. הרשומה מתארת אותו בשורה אחת — "מודל החלטות בגודל 3B מבית Liquid AI, הבנוי על LFM2.5-VL-3B" — והמשפט הבודד הזה מכיל את שתי העובדות החשובות ביותר. Liquid AI d1-3B, המודל הקטן ש-Liquid AI בנתה על גבי Liquid AI LFM2.5-VL-3Bושוחרר במשקלים פתוחים ב-5 באוקטובר 2026, ארוז כעת כך שמשיכה אחת מתקינה אותו על המכונה שלך; והוא עדיין מחזיר הסתברויות מכוילות על שאלות מטיפוס מוגדר במקום טקסט מיוצר, בדיוק כפי שעושה נקודת הביקורת הבסיסית. אם יש לך שלב של מיון, ניתוב, פיקוח או סינון בצינור עיבוד, זו הפעם הראשונה שמשפחת המודלים הספציפית הזו נמצאת במרחק פקודה אחת מהרצה ללא מפתח API, ללא מחיר לכל קריאה וללא טקסט מצב שעוזב את החומרה שלך.

המלה "שקט" עושה כאן עבודה אמיתית, עם זאת, וכדאי להיות מדויקים לגבי איזה חצי מהסיפור הזה מתועד ואיזה חצי לא. הבלוג של Liquid AI עצמה מעולם לא הזכיר את Ollama: הפוסט האחרון של המעבדה, מ-13 באוקטובר 2026, עוסק במודל אחר בסדרת LFM2.5, ושני הפוסטים שלה על d1 — הכרזת הראייה מ-5 באוקטובר והשחרור "Open d1" מ-7 באוקטובר — מתארים משקלים, API וציון בנצ'מרק, לא סביבת הרצה מקומית. גם לדף הספרייה של Ollama עבור d1 אין שום הכרזה, וגם לא לאינדקס התיעוד של הספק, שמסמן את GGUF כזמין עבור Liquid AI d1-3B ואחיו בעל יכולות האודיו Liquid AI d1-omni-600M בעוד שהוא מזכיר את llama.cpp, ‏Ollama ו-MLX רק כאפשרויות פריסה גנריות. מה שכן קיים הוא חבילה מפורסמת, רשומת מרשם עם digest שאפשר לאמת, קובץ readme שעובד, ומונה הורדות שהראה 10.4K כשזה נכתב ב-15 באוקטובר 2026. מה שלא קיים הוא משפט של הספק שאומר "אנחנו עשינו את זה".

מה שהמודעה למעשה מכילה

שלושה תגים מופיעים ברשימה — d1:latest, d1:3b ו-d1:3b-q8_0 — ושלושתם מצביעים לאותו digest של מניפסט, 8c2d9ddae441. זה הדבר הראשון שצריך להבין על הדף: המונה "3 models" של הספרייה הוא ספירה של תגים, לא של צ'קפוינטים. ארטיפקט אחד, שלושה שמות, 3.7 GB, חלון הקשר של 32K, וקלט טקסט ותמונה. אם קיוויתם לבחור גודל או קוונטיזציה, אין עדיין מה לבחור.

ה-Registry שמאחורי הדף מספק יותר מידע מאשר הדף עצמו. בלוב התצורה של החבילה מפורטים: משפחת מודלים lfm2, סוג מודל 2.7B, סוג קובץ Q8_0, וזמן ריצה מינימלי של Ollama 0.40.4. הוא מגיע בשתי שכבות משקלים: מודל גנרטיבי בנפח 2.87 GB ומקרן נפרד בנפח 856 MB. השכבה השנייה היא המקודד החזותי, והנוכחות שלה מעידה שהבנייה המקומית שומרת על המסלול הרב-מודלי במקום לצמצם את d1 לטקסט בלבד — המודל עדיין יכול לקרוא תצלום לצד פנייה לתמיכה ולענות על שאלות בנוגע לשניהם. שני המספרים בדף זה שנראים כסותרים זה את זה — "3B" בתיאור ו-"2.7B" ב-Registry — מוטב לקרוא אותם כגזע והשלם: כרטיס המודל של Liquid AI מציב את הצ'קפוינט על 3.12B פרמטרים, כולל מקודד חזותי בעל 400M פרמטרים, וגזע השפה הוא המספר הקטן יותר. החשבון הזה הוא שלנו, לא של הספק, והוא מוצע כהסבר ולא כמפרט.

אין תאריך לוח שנה בשום מקום בעמוד הספרייה. הוא מציג חותמות יחסיות — "עודכן לפני שעתיים" ברגע הלכידה — ומונה הורדות, מה שאומר שאי אפשר לדעת מהרשומה עצמה באיזה יום היא הופיעה לראשונה. כל העוגנים המתוארכים נמצאים ב-Hugging Face ובאתר הספק: מאגר המשקלים עבור Liquid AI d1-3B נוצר ב-5 באוקטובר 2026, מאגר GGUF נלווה ב-6 באוקטובר, ו-Liquid AI פרסמה את פוסט השחרור שלה ב-7 באוקטובר. אם אתם צריכים לתארך את "מתי זה הפך לניתן להרצה מקומית", התשובה הכנה היום היא שהחבילה קיימת ונמשכת כעת, ואף אחד מחוץ ל-Ollama לא יכול לומר באיזה בוקר היא עלתה.

מדוע אירוע אריזה הוא אירוע אמיתי

Ollama פתחה קטגוריית מודלי החלטה ב-29 בספטמבר 2026, כאשר שחררה את נקודת הקצה /v1/systemone ואת דגל ה-CLI בשם --ask עבור מודלים שעונים על שאלות מטופסות במעבר קדימה אחד. Nimble ו-Clef היו המשפחות הראשונות שנכנסו בדלת הזו. מה שחבילת d1 החדשה מוסיפה הוא דבר שונה משורת בנצ'מרק חדשה: היא לוקחת מודל שעד עכשיו חי או בסביבת Python עם מחלקת מודל מוטמעת או מאחורי נקודת קצה מתארחת, והופכת הסקה מקומית לפקודה.

החוזה ראוי לחזרה על עצמו, משום שהוא אינו מה שרוב הקוראים מתכוונים אליו באומרם "להריץ מודל". אתה מוסר ל-d1 מצב — מחרוזת, אובייקט JSON, מערך, או מחרוזת בתוספת תמונות — וקבוצה של שאלות בעלות שמות, ואתה מקבל בחזרה תשובות בלי שום טוקנים שנוצרו כלל. noul היא שאלת כן/לא הנענית כהסתברות אחת בין 0 ל-1. choice מחזיר את התווית הנבחרת, מידת ביטחון, ומפת הסתברויות מלאה על האפשרויות שלך. score מציב את המצב על סולם דירוג סדור של שתיים עד עשר רמות ומחזיר את הרמה המשוקללת לפי הסתברות בתוספת ההסתברות של כל רמה. מצב אחד, עד 64 שאלות, מעבר אחד על הקלט. תגובת הדוגמה של Ollama עצמה לפניית תמיכה מחזירה usage.output_tokens: 0, וזו ההצהרה הנקייה ביותר האפשרית של התכנון.

לכל מי שה-pipeline שלו כבר קורא למודל החלטה דרך HTTP, המסלול המקומי משנה שלושה דברים בבת אחת: השהיה, כי הבקשה מפסיקה לצאת מהמכונה; עלות, כי אין מונה לפי קריאה; וטיפול בנתונים, כי טקסט הפנייה והתמונה שאתם מסווגים לעולם אינם חוצים את הרשת. אם מה שאצלכם הוא הודעה של לקוח או מסמך פנימי, האחרון הזה הוא בדרך כלל הטיעון היחיד שצריך להציג.

הרצה שלו, והמגבלות שהתיעוד מציב סביבו

ישנן שלוש דרכים נתמכות להיכנס, וכולן מתועדות בעמוד הספרייה. נתיב ה-CLI הוא ollama run d1 --ask "האם מבוקש החזר?" עם המצב המוזרם מקובץ, ודגלי --choice ו---level לשני סוגי השאלות האחרים. נתיב ה-HTTP הוא POST אל http://localhost:11434/v1/systemone עם מודל, מצב, מערך תמונות אופציונלי ואובייקט שאלות. נתיב ה-SDK מפנה את לקוח ה-Python של TypeSafe ל-localhost, שבו מתעלמים ממפתח ה-API וכל ערך ממלא מקום עובד.

המגבלות מגיעות מתיעוד נקודת הקצה של Ollama ולא מ-Liquid AI, והן מחמירות יותר מאלו של מודל גנרטיבי: בקשות חייבות להיות בגודל של עד 64 KiB ללא תמונות ועד 32 MiB איתן, אין תמיכה בסטרימינג, מודלים המתארחים בענן נדחים על הסף, ותמונות חייבות להיות base64 PNG, JPEG או WebP הנשלחות בגוף הבקשה — כתובות URL מרוחקות נדחות. התמונות משותפות לכל שאלה בבקשה, כך שתמונה שאתם רוצים שרק התשובה הראשונה תתחשב בה צריכה להישלח כקריאה נפרדת. הקלט לעולם אינו נחתך, כלומר מצב גדול מדי הוא שגיאה ולא פרומפט שנחתך בשקט.

שני פרטי תיעוד ראויים לציון כבלתי פתורים. מדריך נקודת הקצה של Ollama מתאר את סוג choice כמקבל 2 עד 255 מפתחות אפשרויות, בעוד שעמוד היכולות של מודלי החלטה אומר 2 עד 26 — אחד מהשניים מיושן, ולא ברור איזה. ובעמוד היכולות מפורטים המודלים הנתמכים שלו כ-Nimble, Tev1, Clef ו-Clef Flash, בלי אזכור של d1, למרות שה-readme של חבילת d1 עצמה מציין שהוא עובד דרך /v1/systemone ועם --ask. החבילה דורשת Ollama 0.40.4; גרסת המינימום המתועדת עבור נקודת הקצה עצמה היא 0.35.0. שום דבר מזה אינו סתירה שמונעת ממך למשוך את המודל, אבל קרא את דרישת הגרסה שעל החבילה ולא את זו שבמדריך היכולות.

המספרים, ומי הפיק כל אחד מהם

עכשיו החלק שראוי לזהירות הרבה ביותר. כל נתון ביצועים המשויך למודל הזה הוא של Liquid AI, ואין בנמצא הערכה בלתי תלויה של Liquid AI d1-3B ככל שיכולנו למצוא. התוצאות המדווחות של הספק, המובאות שוב בעמוד של Ollama ובכרטיס המודל, הן אלה:

• מדד ההחלטות (Decision Index) 0.2.1 — 48.57 עבור d1-3B, לעומת 47.11 עבור Decider 35B-A3B, שאותו Liquid מתארת כציון הטוב ביותר למודל החלטות מתחת ל-10B פרמטרים. • ראייה (Vision) — ממוצע של 74.1 על פני אחד עשר מבחני תמונה ציבוריים, לעומת 73.9 עבור בסיס LFM2.5-VL-3B שממנו נבנה. • השהיה (Latency) — 8 מ״ש להחלטה על RTX 4090, 9 מ״ש על AMD MI325X, ו-30 מ״ש על Apple M5 Pro. • תפוקה (Throughput) — 475 החלטות בשנייה על ה-4090 ו-1,106 על ה-MI325X כאשר השאלות נארזות בקבוצות. • אבלציה (Ablation) — אותה קבוצת שאלות שנענתה ללא תמונות מקבלת ציון 45.1, שהוא המדד של Liquid עצמה למידת תרומת נתיב הראייה.

שורת הראייה היא זו שצריכה למתן את הציפיות. שיפור של 0.2 נקודות לעומת מודל הבסיס על סט של בנצ'מרקים לתמונות נמצא בתוך הרעש של רוב דיווחי הבנצ'מרקים; מה שראש ההחלטה קונה לך, אם בכלל, זה לא מקודד תמונות טוב יותר באופן מהותי. שורת האבלציה מעניינת יותר בכיוון ההפוך — תנודה של כ-29 נקודות כשמוסיפים תמונות — אבל היא משווה שתי ערכות שאלות שונות, לא שתי גרסאות של אותה ערכה. וה-Decision Index הוא כלי של צד שלישי שעליו Liquid נתנה ציונים לרשומות של עצמה במקום להגיש אותן לדירוג ציבורי, אז התייחסו ל-48.57 כאל טענת ספק שנמדדה בסרגל של מישהו אחר. גם נתוני המהירות אינם מבוקרים: 8 ms על 4090 הוא מספר סביר עבור מודל 3B שמבצע מעבר קדימה אחד, ועדיין המצב הוא שאיש לא פרסם הרצה שאינה שלו.

היכן OrcaRouter מתאים, והיכן לא

OrcaRouter לא מגיש את Liquid AI d1-3B. בדקנו את הקטלוג שלנו לפני שכתבנו את זה — 207 מודלים, אף אחד מהם אינו של Liquid AI, אף אחד מהם אינו מודל קבלת החלטות — כך שאם ברצונכם לקרוא ל-d1 מ-API ולא מהחומרה שלכם, המסלול המאוחסן כיום הוא נקודת הקצה של הספק עצמו לקבלת החלטות בכתובת api.liquid.ai/decisions/v1/systemone, שבה מסלול d1 בתשלום מטפל בתמונות ומסלול d1:free חינמי הוא טקסט בלבד, ובנוסף כל פלטפורמות צד־שלישי שיאמצו אותו. אין לקרוא שום דבר בטקסט הזה כטענה שאנחנו מארחים אותו.

מה שאנחנו עושים נמצא בצמוד לבעיה שהמודל הזה פותר. הסיבה שמודל החלטה קיים היא שפייפליינים זקוקים לדרך זולה ודטרמיניסטית לבחור בין אפשרויות, והדוגמה המתועדת של d1 עצמה היא כרטיס שמנותב לצוות יעד — וזו בעיית ניתוב רמה אחת מתחת לשלנו. כאשר ההחלטה הזו משמשת כשער לקריאה למודל גנרטיבי שאתה שוכר ולא מריץ, OrcaRouter הוא מפתח אחד תואם OpenAI ל-200+ מודלים מתארחים במחיר המחירון של הספק, מועבר הלאה עם 0% תוספת, כך שהורדת מחיר של ספק מגיעה אליך ביום שבו היא נוחתת ולא בחידוש החוזה הבא. ומכיוון שהחצי המקומי של הפייפליין הזה הוא החצי שבבעלותך, הסיכון נמצא בחצי המתארח: מעבר אוטומטי בין ספקים בעת כשל משאיר בקשה שעברה מיון בחיים כאשר המודל שאליו ניתבת אותה נופל. אף אחד מאלה אינו סיבה להשתמש במודל החלטה 3B. הם סיבות לכך שהדבר בצד השני של ההחלטה לא צריך להיות נקודת כשל יחידה.

מה יהפוך את זה מפתק אריזה לסיפור?

חמישה דברים, שכל אחד מהם היה משנה את התמונה. Liquid AI שתכיר בפורט, או שאינדקס התיעוד שלה יוסיף את Ollama לשורת הפריסה שהיא ממלאת כיום ב-llama.cpp ו-MLX. כימות שני: מאגר ה-GGUF של Liquid עצמה מספק Q4_K_M, F16 ו-BF16 לצד Q8_0, כך שבנייה מקומית קטנה יותר זמינה טכנית, רק לא דרך החבילה הזו. נתיב מקומי עבור Liquid AI d1-omni-600M, האח בעל 587M פרמטרים שקורא עד שלושים שניות של אודיו ושאותו הספק מתייג כמהדורת מחקר מוקדמת — הוא יהיה חשוב יותר מה-3B לעבודה על המכשיר, ואין לו שום זכר באף ספרייה עדיין. שורה עצמאית ב-Decision Index, או רשומה פומבית בלוח דירוג, שזה החלק החסר היחיד בכל משפחת המודלים הזו. ו-Ollama שתוסיף את d1 לעמוד יכולות ההחלטה שלה, שזה שינוי של שורה אחת שיגיד לך שהפורט מאושר ולא מקרי.

עד אז ההחלטה פשוטה מספיק כדי לקבל אותה בתנאים שלך. אם אתה כבר מריץ גרסה עדכנית של Ollama, המשיכה היא פקודה אחת, ההורדה היא 3.7 GB, והדבר שהוא מחליף הוא או קריאה מתארחת שאתה מעדיף לא לבצע עם הטקסט של לקוח, או סביבת Python שדורשת יותר עבודה לתחזוקה ממה שהמודל שווה. אם אתה צריך ראיות בלתי תלויות לדיוק לפני שזה עומד מול משתמשים אמיתיים, ראיות כאלה עדיין לא קיימות עבור אף מודל d1, ושום כמות של אריזה מקומית לא יוצרת אותן.

הרצת שלב קבלת ההחלטה על החומרה שלך היא גם הזדמנות טובה לבחון מה כבר השתבש בקטגוריה הזו: אירועי ה-AI המתועדים וכשלי הסוכנים הכרוכים במודלים של קבלת החלטות נאספים בOrcaRouter AI Incident Archive, שבו כל רשומה נושאת את המקורות, החומרה, דירוג הביטחון ודגל המחלוקת שלה.