Liquid AI d1-omni-600M זמין כעת כ-Ollama Pull: מודל החלטות בן 600M שיכול לשמוע אותך

Liquid AI d1-omni-600M הפך לחבילת Ollama ב-22:32 UTC ב-17 באוקטובר 2026. חותמת הזמן הזו אינה ניחוש: הרישום של Ollama מגיש כותרת ollama-push-time בכל מניפסט, וארבע התגיות שמאחורי השם d1-omni התקבלו בין 22:31:25 ל-22:32:13 באותו ערב, כארבע שעות לפני שנכתב הטקסט הזה. המודל עצמו אינו חדש — Liquid AI שחררה במשקולות פתוחות את Liquid AI d1-omni-600M לצד Liquid AI d1-3B ב-5 באוקטובר 2026 והכריזה על שניהם בפוסט "Open d1" שלה ב-7 באוקטובר — אבל עד אמש, הדרכים היחידות להריץ את המודל עם יכולת השמע על החומרה שלך היו סביבת transformers עם trust_remote_code=True או בנייה של llama.cpp שהדרת בעצמך. עכשיו זה ollama pull d1-omni. אף אחד לא הודיע על כך: לא הבלוג של Liquid AI, ולא זה של Ollama.

האריזה היא הסיפור, וכדאי להיות מדויקים לגבי אילו חלקים ממנה מתועדים. הפוסטים האחרונים בבלוג של Liquid AI הם d1-ultra ב-15 באוקטובר ו-LFM2.5-24B-A2B ב-13 באוקטובר, ואף אחד מהם אינו מזכיר את Ollama; עמוד הפריסה של Ollama של המעבדה עצמה עדיין מלמד להריץ את מאגרי ה-GGUF שלה ישירות מ-Hugging Face באמצעות ollama run hf.co/LiquidAI/... ולעולם אינו מזכיר דגם d1. הבלוג של Ollama שותק באותה מידה — הערכים האחרונים בו הם Reflection's Beam ב-16 באוקטובר ואינטגרציה עם Fly.io ב-13 באוקטובר. מה שקיים במקום זה הוא רשומת registry, ארבעה תגים, digest שניתן לאימות, ועמוד ספרייה שעדיין נכתב בזמן כתיבת המאמר הזה: לכידה מוקדמת של אותו עמוד החזירה "No readme", ולכידה כעבור ארבעים דקות החזירה תיאור מלא שנכתב על ידי Liquid AI עם טבלת benchmarks וסעיף רישיון. אם אתם רוצים אירוע מתוארך וניתן לבדיקה עבור שבעת הימים האחרונים, הכותרת הזו היא האירוע.

מה שהרישום למעשה קיבל

ארבעה תגים מפנים לשני אימג'ים, וזה הדבר הראשון שצריך להבין לפני שמושכים. d1-omni:latest, d1-omni:600m ו-d1-omni:600m-q8_0 הם אותו מניפסט — digest 1ba59f63e836 — בעוד ש-d1-omni:600m-bf16 הוא השני, digest c1e95fce6627. אין תג F16, אף שמאגר ה-GGUF של הספק עצמו מפרסם trunk מסוג F16.

• שכבות משקל (בניית Q8_0) — גזע של 407 MB מתוך d1-omni-600M-Q8_0.gguf בתוספת מקרן של 442 MB מתוך mmproj-d1-omni-600M-BF16.gguf, עם בלוב רישיון של 10.5 KB ובלוב פרמטרים של 18 בייט, בסך כולל של 849,659,968 בייט.

• גודל מדווח — 850 MB עבור תג ברירת המחדל ו-1.2 GB עבור 600m-bf16, שניהם כפי שמוצגים בעמוד הספרייה.

• מינימום זמן ריצה — דורש: 0.40.4 בבלוב התצורה, שמדווח גם על model_family: lfm2, model_type: 380.73M וסוג קובץ Q8_0.

• הקשר — גוש הפרמטרים מקבע את num_ctx על 16,384.

• רישיון — הטקסט המוטמע הוא LFM Open License v1.0, המציין את Liquid AI, Inc. כנותנת הרישיון, בהתאמה למזהה lfm1.0 בכרטיס המודל.

המקרן הזה ראוי להסתכלות שנייה, כי הוא גדול מהמודל שאליו הוא מחובר. קריאה ישירה של מטא-נתוני GGUF מתוך ה-blob של הרישום מראה clip.has_vision_encoder = True ו-clip.has_audio_encoder = True באותו קובץ: 197 טנסורי חזון על פני 12 בלוקים עם הטמעות ברוחב 768 וקלט בגודל 256 פיקסלים, ו-641 טנסורי אודיו על פני 17 בלוקים עם הטמעות ברוחב 512 ו-128 סלי מל. זהו מגדל SigLIP2 ומקודד FastConformer שנוסעים יחד בחבילה הרב-מודלית, ולכן גזע בעל 381M פרמטרים מגיע מאחורי קובץ מצורף של 442 MB. יכולת האודיו נמצאת פיזית בחבילה שאתה מוריד; השאלה אם נקודת הקצה יכולה להגיע אליה מגיעה לאחר מכן.

המודל הוא 587M פרמטרים והתג 125K גדול מהאמת

הדף של Ollama מפרסם "חלון הקשר של 125K" בכל תג. ה-num_ctx של החבילה עצמה הוא 16,384, וכרטיס המודל של Liquid AI אומר את אותו הדבר בנוסח מפורש: 16,384 טוקנים המשתרעים יחד על מיקומי טקסט, תמונה ושמע, כאשר טקסט המצב והשאלה נחתך ל-896 טוקנים בכל פעם שיש תמונות. אפשר לעקוב אחרי הנתון 125K — ה-trunk GGUF מכיל את lfm2.context_length = 128000 — אבל זו תקרת הארכיטקטורה, לא החלון שמקבלים בפועל, וזה המספר שסביר ביותר להטעות מי שמחשב גודל של תחליף למסווג בעל הקשר ארוך. התייחסו ל-16,384 כנתון המעשי, ול-896 טוקנים של טקסט כנתון המעשי כאשר תמונה נמצאת במצב.

שאר המטא-נתונים מאששים את כרטיס המודל ולא את שורת השיווק. ה-trunk הוא 18 בלוקים, embeddings ברוחב 1,024 ואוצר מילים של 65,536, והוא אינו decoder: lfm2.attention.causal הוא False. ספירות ראשי ה-KV לכל שכבה נקראות 0, 0, 8, 0, 0, 8, …, כלומר רוב הבלוקים האלה אינם בלוקי attention כלל, וזו מורשת ה-encoder הדו-כיווני שמציצה דרכה. ראש ההחלטה הוא שני בלוקים (lfm2.decision.block_count = 2), וקבועי הכיול שהספק שומר ב-config.json נמצאים גם ב-GGUF הזה — שאלות בחירה נושאות טמפרטורה של 1.7465 עם שתי אפשרויות, 1.3999 עם שלוש עד חמש, 1.1751 עם שש עד עשר ו-1.3725 מעל אחת עשרה; כן/לא הוא 1.6663; שאלות עם ניקוד הן 1.7301 בשלוש עד חמש רמות ו-1.0 בשש עד עשר. זה כל העיצוב במקום אחד: קבוצה קבועה של תשובות בעלות שמות, עם ניקוד במעבר אחד, מכוילת לפי צורת השאלה, עם output_tokens: 0 בסוף.

זה אינו מודל צ'אט ואינו כותב טקסט. Liquid AI מפרטת חמש־עשרה שפות, מציבה את נתוני אימון השמע באנגלית בלבד — בקשות בין דובר לבין עוזר — ומגבילה קליפים ל־30 שניות. הכרטיס גם מזהיר מפני bfloat16 על GPUs: בבדיקות של הספק עצמו הוא שינה את התשובה המובילה ב־0.8% משורות הטקסט וב־1.7% משורות השמע, בעוד float16 תאם את float32 בכל מקום.

האודיו נמצא במשקלים וחסר מה־API המתועד.

זו אי-ההתאמה שכדאי להכיר לפני שמגישים באג. ה-README בעמוד הספרייה, שכתב Liquid AI, מתעד אודיו על ידי הצבת WAV מקודד base64 בתוך מערך images של בקשת /v1/systemone. ה-README של Hugging Face GGUF של הספק עבור אותו checkpoint מתעד זאת אחרת, עם מערך files הנושא data:audio/wav;base64,… אל תוך שרת llama.cpp. לעומת זאת, מסמך ה-endpoint reference ש-Ollama מפרסמת אינו מתעד אף אחת מהשיטות: סכימת הבקשה שלו כוללת state, images, questions ו-keep_alive, מתארת את images כ"דורש מודל עם ראייה, כגון Clef", ואינה מכילה שדה audio ואינה מכילה שדה files כלל. מדריך מודלי ההחלטה של Ollama עצמה, בינתיים, מנה את Nimble, Tev1, Clef ו-Clef Flash כמודלי ההחלטה ואומר רק שמודלי Clef יכולים גם לשפוט תמונות.

אז העמדה הכנה בנוגע לאודיו ב-Ollama כיום היא: המקודד מאומת כקיים ב-blob, ה-readme של הספק אומר שהוא עובד דרך תמונות, והסכימה המפורסמת אינה מכירה בכך. קלט תמונה באותו מודל עומד על קרקע יציבה יותר — ראייה היא יכולת מתועדת של System One ו-d1-omni מופיע ברשימת קטגוריית הראייה של Ollama. שני פערים תיעודיים קטנים יותר ניצבים לצד זה: תיעוד ה-endpoint מאפשר עד 255 מפתחות אפשרות בשאלת בחירה בעוד שמדריך ההחלטה אומר 2 עד 26, ורצפת זמן הריצה של החבילה, 0.40.4, גבוהה מה-0.35.0 שמצטט תיעוד ה-endpoint.

מסווג תחת חזון, לא תחת החלטה

חיפוש המודלים של Ollama מסנן מודלי החלטה לקטגוריה נפרדת משלהם. היא מכילה תשעה פריטים — nimble-v3, pplx-decider, kev, tev1, nimble, clef-flash, clef, laya ו-strands-decider — ואף אחד מ-d1 ומ-d1-omni לא נמצא ביניהם. העמוד של d1-omni מתויג ב-vision וב-600m, והוא אכן מופיע ברשימת vision, כך שקורא שמחפש "מודל החלטה" לא ימצא את החדש ביותר. זו בעיית גילוי ולא בעיית יכולת, אך יש לכך חשיבות אם תכננת להשוות בין משפחות מודלי ההחלטה בקטלוג של Ollama עצמו והסקת שהמודל הזה אינו קיים.

מה שזה גם אומר הוא ש-d1-omni הוא מודל ההחלטה הראשון בספרייה של Ollama שמסוגל לקלוט דיבור בכלל — מקודד האודיו נמצא בחבילה, ושום מודל אחר ברשימה בת תשעת המודלים לא כולל אחד כזה. השאלה אם נקודת הקצה תעביר לו את קובץ ה-WAV שלך היא השאלה הפתוחה מהסעיף שלמעלה, וזה הדבר היחיד שסביר ביותר שהשתנה עד שתקרא את זה.

המספרים, ומי הפיק כל אחד מהם

כל נתון דיוק המשויך ל־Liquid AI d1-omni-600M הוא של Liquid AI, ואין הערכה בלתי־תלויה לאף מודל d1 שקיים, ככל שמצאנו — אין שורה בלוח המובילים, אין הרצה של צד שלישי, ולא פורסמה דחייה של הניקוד של הספק. הספק ניקד בעצמו את שני הצ׳קפוינטים של d1 באמצעות כלי הניקוד הרשמי Decision Index, במקום להגיש אותם ללוח המובילים הציבורי, ואומר זאת בכרטיס; כל שורה מתחרה בטבלה שלו מגיעה מלוח המובילים v0.2.1, כלומר ההשוואה היא מספר בניקוד עצמי שיושב לצד מספרים בניקוד חיצוני.

• Decision Index 0.2.1 — 15.95 עבור d1-omni-600M (ידע 8.3, שפה 12.9, אחזור 35.0, כלים 15.1, אמנויות 6.8) לעומת 48.57 עבור d1-3B.

• מדדים כהחלטות, ממוצע של שבעה — 78.4 עבור d1-omni-600M לעומת 82.9 עבור d1-3B, כאשר מודל 600M מוביל ב-Civil Comments (95.8 לעומת 93.0) וב-PAWS-X (79.5 לעומת 76.9) ומפגר ב-BoolQ (77.7 לעומת 86.7) וב-SQuAD 2.0 (74.0 לעומת 85.3).

• החלטות מהירות (Fast Decisions), פיצול מפתחים — 76.9, לפי דיווח הספק, לא פורסמה שורת השוואה.

• מהירות — כלום. הכרטיס מציין במפורש שלא מדווחים נתוני inference משום שזו מהדורת מחקר מוקדמת שנמצאת בפיתוח פעיל, כך שכל טענת השהיה שתראו לגביה במקום אחר היא מדידה של מישהו אחר.

• מספרי ה-Fixture בעמוד Ollama — הדוגמה המעובדת ב-readme מציגה את urgent answered ב-0.998 ואת technical ב-0.995. אלו פלטים להמחשה של בקשה אחת, שפורסמו על ידי ה-runtime, והם אינם benchmark.

הפער בין 15.95 ל-48.57 הוא הדבר השימושי ביותר בכרטיס, משום שהוא מכריע את שאלת הקנייה במילותיו של הספק עצמו: קובץ ה-README מורה לך להשתמש ב-d1 כאשר דיוק בטקסט ובתמונות הוא מה שחשוב, ולפנות ל-d1-omni כאשר הגודל חשוב או כשאתה צריך אודיו. מודל 587M שמשיג 78.4 בשבעה בנצ'מרקים ציבוריים, כשמתרגמים את זה להחלטות, הוא מסווג קצה סביר. הוא אינו גרסה קטנה יותר של ה-3B.

היכן OrcaRouter מתאים, והיכן לא

איננו מספקים את המודל הזה. בדיקה של הקטלוג שלנו ב-18 באוקטובר החזירה 208 מזהי מודלים, ואף אחד מהם אינו של Liquid AI, לכן אין כאן הצהרת זמינות ואין אצלנו נתיב למשוך אותו משם. אם אתם רוצים Liquid AI d1-omni-600M, המסלול המקומי הוא זה שתואר לעיל, והמסלול המתארח הוא ה-API של הספק עצמו וכל פלטפורמות צד שלישי שיקלטו אותו.

מה שהאריזה משנה הוא צורת המערכת שסביבה, ושם אנחנו מועילים. מודל החלטה כמעט לעולם אינו כל צינור העיבוד: הפנייה שהוא מתייג, הפריים שהוא מסמן והתמלול שהוא מנתב עדיין צריכים לקבל מענה, סיכום או הסלמה ממשהו שכותב טקסט. קריאות גנרטיביות אלה יושבות מאחורי מפתח אחד תואם OpenAI ליותר מ-200 מודלים מתארחים במחיר המחירון של הספק, מועבר הלאה בתוספת של 0%, כך ששינוי מחיר של ספק מגיע אליכם באותו יום ולא עם חוזה חדש. וכיוון ש-d1-omni-600M מגיע בלי ראיות עצמאיות לדיוק ובלי נתוני השהיה מפורסמים, הדרך הנכונה להציב אותו מול תעבורה אמיתית היא מאחורי מעבר אוטומטי בין ספקים — לתת לו לטפל בקריאות שהוא בטוח בהן, ולהשאיר יציאה כאשר הוא אינו, במקום להפוך 587M פרמטרים לנקודת כשל יחידה בשלב המיון שלכם. ההחלטה נשארת מקומית; הגיבוי לא חייב להיות.

מה ישנה את הקריאה הזו?

ארבעה דברים, שכל אחד מהם לבדו היה הופך הערת אריזה למאמר אחר. Ollama מתעדת אודיו בסכימת הבקשות של System One, מה שהיה ממיר את התחבולה של WAV-בתוך-תמונות מה-readme לקלט נתמך והופך את זה למודל ההחלטות הראשון עם יכולת דיבור שאפשר להריץ בפקודה אחת. שכל אחת מהחברות תכיר בהעברה — Liquid AI תוסיף את d1-omni לעמוד Ollama בתיעוד הפריסה שלה, או ש-Ollama תציג אותו תחת מודלי החלטות במקום חזון. נתון מהירות ממישהו, ספק או לא, כיוון שאין כזה היום. ושורה עצמאית ב-Decision Index עבור מודל d1 כלשהו, שנותרת החלק החסר היחיד בכל המשפחה.

עד אז ההחלטה פשוטה. אם אתה כבר מריץ Ollama בגרסה 0.40.4 או מאוחרת יותר, המשיכה היא פקודה אחת, ההורדה היא 850 MB, ומה שתקבל הוא מסווג בגודל 587M שעונה על שאלות מוקלדות במעבר קדימה אחד על טקסט ותמונות — ואם ה-readme צודק, גם על יותר מ-30 שניות של דיבור באנגלית. אם המצב שלך ארוך, זכור את חלון 16,384 הטוקנים ואת תקציב הטקסט של 896 טוקנים, ולא את תג 125K. ואם אתה צריך הוכחה שהוא מדויק לפני שהוא מתייג משהו שלקוח רואה, ההוכחה הזו עדיין לא קיימת — לא עבור המודל הזה ולא עבור אף אחד מאחיו.

הכשלים המתועדים של ה-AI ותקריות הסוכנים שמאחורי גרסאות כמו זו נאספים בארכיון תקריות ה-AI של OrcaRouter, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות ודגל מחלוקת.