Liquid AI d1-omni-600M מול Liquid AI d1-3B: איזה חצי ממשפחת d1 אתם באמת צריכים?
- openaiחדשOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicחדשAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 128 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 56 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 320 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040אינטליגנציה
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 56 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 346 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 לכל 1M טוקנים · 230 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845אינטליגנציה75כתיבת קוד
- obsidianQwen3.8 27B2026-08-1534אינטליגנציה68כתיבת קוד
Liquid AI d1-omni-600M ו-Liquid AI d1-3B הועלו ל-Hugging Face בתוך שמונה שעות זה מזה ב-5 באוקטובר 2026 ושוחררו יחד באותה הכרזה של 7 באוקטובר, מה שהופך את השאלה הרגילה — איזה מהם חדש יותר, איזה מהם טוב יותר — לשאלה הלא נכונה. הם שני הקצוות של פשרה מכוונת. Liquid AI d1-3B הוא המוצר המוגמר: 3.12B פרמטרים, 48.57 במדד Decision Index 0.2.1 לפי דירוג הספק, טבלאות בנצ'מרק, השהיה הנמדדת עד ל-Jetson Orin Nano, ומקום המתואר בפוסט ההשקה כבעל איכות ההחלטה הגבוהה ביותר בגודלו. Liquid AI d1-omni-600M הוא הניסוי: 587M פרמטרים, 15.95 באותו מדד, קלט אודיו שאין ל-3B, וכרטיס מודל שאומר במפורש שזהו שחרור מחקרי מוקדם ללא מספרי הסקה משום שהוא עדיין בפיתוח פעיל. הבחירה ביניהם אינה החלטה לגבי איכות. זו החלטה בשאלה אם אתה זקוק למודאליות הנוספות בתחתית המשפחה או לדיוק הנוסף בראש, והמספרים מתיישרים מאחורי הפיצול הזה במקום לטשטש אותו.
כל מה שלהלן מגיע משני כרטיסי המודל ומפוסט ההשקה מ-7 באוקטובר, תוך כיבוד התיוג של פוסט ההשקה עצמו: שורות d1 ב-Decision Index דורגו על ידי Liquid AI עם המדרג הרשמי במקום להיות מוגשות ללוח המובילים הציבורי, ושום דבר כאן לא שוחזר באופן עצמאי.
שני עמודי שדרה שלעולם לא נועדו להתכנס
משפחת d1 לא צמצמה מתכון בודד. שתי נקודות הביקורת מתחילות משני קצוות מנוגדים של קטלוג המודלים של Liquid ונפגשות באמצע.
Liquid AI d1-3B מבוסס על LFM2.5-VL-3B, מודל חזותי-לשוני מסוג דקודר בלבד של הספק מאוגוסט 2026. הבסיס שלו נוצר על ידי מיצוע המשקלים של LFM2.5-2.6B עם עמוד השדרה הטקסטואלי של LFM2.5-VL-3B, ולאחר מכן כיוונון עדין של נקודות ביקורת תחת זרעים אקראיים ותערובות נתונים שונים לפני מיזוגם מחדש. הוא כולל מקודד חזותי SigLIP2 NaFlex מותאם-צורה בנפח 400M, הקשר של 32,768 אסימונים, אוצר מילים של 128,000 אסימונים, ושש-עשרה שפות מתועדות.
Liquid AI d1-omni-600M מגיע מהכיוון ההפוך. הגזע שלו הוא LFM2.5-Encoder-350M, מקודד דו-כיווני, שעבר כיוונון עדין על משימות החלטה תחילה ואחר כך הורחב בשלבים — מקודד FastConformer בעל 17 שכבות בתוספת מתאם לאודיו, כאשר מקודד האודיו עבר כיוונון עדין מאוחר יותר מול עמוד שדרה טקסטואלי קפוא, ואז מגדל SigLIP2 שנלקח מ-LFM2.5-VL-450M עם מתאם ועדכוני LoRA לעמוד השדרה עבור ראייה. הגרסה הסופית מוזגה מעדכוני ה-LoRA ואוחדה בממוצע עם נקודת הביקורת הקודמת. היא מגיעה ל-587M פרמטרים בסך הכול: גזע משותף וראש החלטה של 381M, מקודד ראייה של 94M ומקודד אודיו של 112M.
ההבחנה בין דקודר-בלבד לבין דו-כיווני היא הנקודה שצריך לזכור. ה-3B קורא מצב ומפיק החלטה כפי שמודל שפה מפיק רצף טוקנים, כיוון אחד בכל פעם. ה-600M קורא את כולו בבת אחת ומחליט, וזה מה שהייתם מצפים ממקודד שלא נבנה כדי לייצר. שניהם מאומנים לדווח תשובות מתוך התפלגות המודל עם אפס טוקנים בפלט, אבל המכונה שמתחת אינה מאותה מחלקה של מודל, ופער הדיוק שלהלן הוא העלות הגלויה של העיצוב הקטן יותר, שצורתו כשל מקודד.
הפער במדד ההחלטה גדול, ותת-הציונים מעניינים יותר מהציון הכולל.
ב-Decision Index 0.2.1, Liquid מדווחת על 48.57 עבור Liquid AI d1-3B ועל 15.95 עבור Liquid AI d1-omni-600M, לעומת 50.02 עבור Winnow-12B. זהו פער של 32 נקודות בין שני צ'קפוינטים ששוחררו באותו יום על ידי אותה מעבדה, וקריאת חמשת ציוני המשנה מסבירה מהיכן זה נובע.
• ידע — 23.8 עבור Liquid AI d1-3B לעומת 8.3 עבור Liquid AI d1-omni-600M
• שפה — 56.4 לעומת 12.9
• אחזור — 52.8 לעומת 35.0
• כלים — 74.5 מול 15.1
• אמנויות — 36.3 מול 6.8
אחזור הוא המקום היחיד שבו המודל הקטן מחזיק מעמד, כשהוא מפסיד פחות משליש מהציון של 3B, בעוד שבארבע הקטגוריות האחרות הוא מפסיד 60 עד 80 אחוז. הדפוס הזה עולה בקנה אחד עם מה ש-600M הוא: מקודד מאומן עם יכולת ייצוגית אמיתית להתאמת מצב לתוכן, והרבה פחות מהיכולת השכבתית ש-3B יורש ממפענח שאומן מראש על הרבה יותר שפה. אם עומס העבודה שלך הוא החלטה בצורת אחזור — האם הקטע הזה עונה על השאלה הזו, איזה מהמסמכים האלה רלוונטי — הפרופיל של 600M פחות גרוע ממה שהציון הכולל שלו מרמז. אם עומס העבודה שלך הוא החלטת ניתוב כלים, פער של 51 נקודות באותה עמודה הוא המספר שכדאי לבהות בו.
טבלת מבחני הביצועים הטקסטואליים מספרת סיפור מתון יותר מהמדד, וזה כדאי לדעת לפני שמשתמשים באחד משני המספרים כדי לבסס טענה. בשבעה מבחנים ציבוריים מוביל ה-3B עם ממוצע של 82.9 וה-600M מגיע ל-78.4. ה-600M למעשה מפסיד בפער קטן ב-SQuAD 2.0 (74.0 לעומת 85.3), ב-PubMedQA (61.3 לעומת 66.0), ב-BoolQ (77.7 לעומת 86.7) וב-XNLI (74.7 לעומת 85.0), אך הוא מנצח בזיהוי רעילות ב-Civil Comments (95.8 לעומת 93.0) ובזיהוי פרפרזות ב-PAWS-X (79.5 לעומת 76.9). הניסוח של Liquid עצמה הוא שה-600M גובר על הממוצע 77.1 של Decider 2B ברבע ממספר הפרמטרים. שתי חבילות מבחנים, שתי מסקנות שונות לכאורה, ושתיהן מדווחות על ידי הספק — זה מה שהראיות תומכות בו, ולא יותר.
מה שיש ל-600M אבל אין ל-3B
הסיבה להשלים עם פער של 32 נקודות במדד היא ש-Liquid AI d1-omni-600M עושה דבר אחד ש-Liquid AI d1-3B אינו יכול, וזה לא הבדל בנאמנות.
• אודיו — Liquid AI d1-omni-600M מקבל עד 30 שניות של דיבור לכל בקשה דרך מקודד ה-FastConformer שלו; Liquid AI d1-3B לא מקבל כלל
• ערבוב מודאליות — ה-600M מקבל טקסט עם תמונות או טקסט עם אודיו, ומעלה ValueError אם שניהם מגיעים יחד; ה-3B מקבל טקסט ותמונות
• חלון הקשר — 16,384 טוקנים בעמדות טקסט, תמונה ואודיו עבור ה-600M, כאשר הטקסט מקוצר ל-896 טוקנים כאשר קיימות תמונות; 32,768 טוקנים עבור ה-3B
• אוצר מילים — 65,536 עבור ה-600M, 128,000 עבור ה-3B
• דיוק — כרטיס ה-600M ממליץ על float16 ב-GPU ומזהיר ש-bfloat16 שינה את התשובה המובילה בחלק מהשורות; ה-3B מגיע עם 15 קוונטיזציות כולל בילד w8a8
• שפות — ה-600M מפרט 16 שפות בקבוצה שונה מזו של ה-3B, והאודיו שלו מתואר כמאומן על חילופי דברים בין דובר אנגלית לעוזר, שזהו חלק צר ממה שפיד אודיו בייצור מכיל
קל לדלג על הערת האימון בנושא אודיו, וזה לא צריך לקרות. מודל שאומן על חילופי דיבור בין דובר אנגלי לעוזר ראה גאומטריית דוברים אחת, מבנה תורות אחד והתפלגות מבטאים אחת. פריסה שלו על אודיו ממוקדי שירות או על הקלטות שטח היא בבחינת דרישה להתנהגות שכרטיס המודל לא מצהיר עליה, ופוסט ההשקה מציין בגלוי שלא קיים בנצ'מרק להחלטות אודיו שאפשר לבדוק אותו מולו — Liquid מכנה זאת "בעיה פתוחה כיום" ומזמינה את הקהילה לבנות אחד כזה.
השהיה: לאחד מהאחים יש את הטבלאות, ולשני יש הערת שוליים
עבור מודלים של קבלת החלטות, המספר המעניין הוא השהיה מקצה לקצה, מכיוון שאין פענוח לתזמן. Liquid מפרסמת סט מלא עבור ה-3B ואף לא אחד עבור ה-600M.
• שאלה אחת — 8 ms על RTX 4090, 9 ms על MI325X, 16 ms על Jetson AGX Thor, 26 ms על Jetson AGX Orin 64 GB, 50 ms על Orin Nano, 30 ms על Apple M5 Pro
• שלוש שאלות על מצב אחד — 21 מ״ש ב-RTX 4090 ו-20 מ״ש ב-AGX Thor, בערך פי 1.3 מהעלות של שאלה בודדת ולא פי 3
• מצב של 3.4K טוקנים — 102 מילישניות על ה-4090, 220 מילישניות על ה-Thor, 1,640 מילישניות על ה-Orin Nano
• תפוקה דחוסה — 475 החלטות לשנייה ב-RTX 4090, 1,106 לשנייה ב-MI325X
• תמונה בגודל 384px — 17 מ״ש על ה-4090, 18 מ״ש על ה-MI325X
הנתונים האלה מתארים רק את Liquid AI d1-3B. עבור Liquid AI d1-omni-600M, כרטיס הדגם מציין שמספרי הסקה לא מדווחים משום שהדגם הוא מהדורת מחקר מוקדמת שנמצאת בפיתוח פעיל. זה לא שהדגם הקטן איטי יותר — ההיפך כמעט בטוח, שכן דגם עם חמישית מהפרמטרים אינו נעשה איטי יותר באותו דיוק — אלא שלא קיים נתון, וציטוט המילי-שניות של ה-3B עבור ה-600M יהיה המצאה בעלת צורה סבירה. מה שאפשר לומר בלי להמציא דבר הוא שברמת הדיוק float16 שהכרטיס ממליץ עליה, 587M פרמטרים הם בסדר גודל של 1.2 GB של משקלים לפני אקטיבציות, וזהו חישוב אריתמטי על סמך מספר פרמטרים שפורסם ולא מדידה.
הקסקייד הוא התשובה האמיתית לרוב עומסי העבודה
מכיוון ששני הצ'קפוינטים שוחררו יחד ומחזירים אותו סוג של אובייקט — הסתברות, תווית עם רמת ביטחון, או ציון סדור — הם מתחברים זה לזה באופן ששני מודלים שרירותיים אינם מתחברים. ה-600M יכול לסנן וה-3B יכול להכריע. דרגו פריטים נכנסים עם Liquid AI d1-omni-600M, והסלימו את אלה שהוא מציב סמוך לאמצע הסקאלה שלו אל Liquid AI d1-3B לקבלת החלטה חדה יותר. כללי ההסלמה הם רמת הביטחון וההתפלגות שה-600M כבר מחזיר, כך שלוגיקת הניתוב אינה זקוקה למודל נוסף. בעומס עבודה שבו יש רוב מובהק של פריטים קלים, רוב התעבורה לעולם אינה מגיעה ל-3B ורוב הכסף לעולם אינו מוצא.
התבנית הזו היא גם הסיבה ששני המודלים שווים הרצה מאחורי ראוטר. דרך OrcaRouter, שניהם ישבו מאחורי מפתח API אחד, כאשר מחיר המחירון של כל ספק מועבר כמו שהוא עם 0% תוספת, כך שהקסקדה היא כלל ניתוב ולא אינטגרציה שנייה, והסלמה שנכשלת בשכבת הספק מנוסה שוב בגיבוי במקום שהבקשה תיכשל. מעבר אוטומטי לגיבוי חשוב כאן יותר מאשר במודל מגובש, מפני שאחד החצאים בזוג הזה הוא צ'קפוינט שהספק עצמו מתאר את התנהגותו כמצויה בפיתוח פעיל.
שום דבר מזה אינו הצהרת זמינות, וכדאי להבהיר את ההבחנה הזו באופן פשוט: נקודות הביקורת הפתוחות של d1 אינן בקטלוג שלנו. הנתיב של הספק הוא להוריד את המשקולות ולהריץ אותן באופן מקומי — תמיכת llama.cpp הגיעה כבר ביום הראשון על פני חומרה של Apple, AMD, Qualcomm ו-NVIDIA — או להגיע אליהן דרך ה-API של הספק עצמו ופלטפורמות צד שלישי.
בחירה, במעבר אחד
אם אתם זקוקים לטקסט ולתמונות, והתשובה חייבת להיות נכונה, קחו את Liquid AI d1-3B. יש לו את הבנצ'מרקים, טבלאות ההשהיה, ההקשר הרחב יותר, אוצר המילים הגדול יותר והקוונטיזציות, והוא החבר בצמד ש-Liquid מציבה כמוביל האיכות בגודלו.
אם אתם צריכים דיבור בנתיב ההחלטה, קחו את Liquid AI d1-omni-600M, כי זו האפשרות היחידה במשקולות פתוחות במשפחה הזו שמקבלת אודיו בכלל, וקבלו שאתם מאמצים אותה על סמך וייבים והדגמה עד שמישהו יפרסם בנצ'מרק להחלטות אודיו או את פיצול הראייה המוחזק.
אם אתה עדיין לא יודע איזה מאלה מתאר את עומס העבודה שלך, התחל עם ה-3B ומדוד את הביטחון שהוא מחזיר. תת-הציונים הם הסימן: משימה שנמצאת בעמודות הכלים או השפה תקבל שירות גרוע מה-600M, בעוד שמשהו בצורת אחזור הוא המקום היחיד שבו נקודת הביקורת הקטנה קרובה יותר ממה שהסך הכולל שלה מרמז. המשפחה קיימת כדי שתוכל להחליף דיוק בטביעת רגל, וההחלפה בטוחה רק אם אתה יודע איזו עמודה המשימה שלך תופסת.
דרך OrcaRouter שני המודלים יושבים מאחורי מפתח API אחד תחתכלל ניתוב אחד ולא אינטגרציה שנייה, והסלמה שנכשלת בשכבת הספק מנוסה מחדש על גיבוי במקום שהבקשה תיכשל.
