Liquid AI d1 נגד Liquid AI d1-3B: מה שספריית Ollama מכנה מודל אחד והספק מכנה שניים

ישנן שתי דרכים לתת שם לאותה קבוצת משקלים,Liquid AI d1 וLiquid AI d1-3B ממחישים את ההבדל טוב יותר מכל השוואה של פרמטרים. החסירו מקף אחד וסיומת גודל מהשם השני ותקבלו את הראשון, ולכן מפתה להתייחס למחרוזת הקצרה יותר ככינוי. שני הקטלוגים שלמעשה מפרטים את המודלים האלה אינם מסכימים עם הקריאה הזאת. אינדקס התיעוד של Liquid AI עצמה משאיר את d1 בשורה משלו, עם האותיות "API" במקום שבו מופיעים קישורי ההורדה, ומשאיר את d1-3B וd1-omni-600M בצמד שורות נפרד עם קישורי Hugging Face ו-GGUF עובדים ו-"No" בעמודת האימון. Ollama, שהערך שלה בספרייה הוא הסיבה שבכלל שווה לכתוב על הצמד הזה, מקפלת את כל זה לעמוד אחד שנקרא d1, מתארת אותו בשורה אחת כ"מודל החלטות 3B מבית Liquid AI, הבנוי על LFM2.5-VL-3B", ומציעה מתחתיו בדיוק שלושה תגים. השוואה בין Liquid AI d1 לLiquid AI d1-3B אינה אפוא השוואה בין נקודת קצה מתארחת לצ'קפוינט פתוח, והיא גם לא השוואה בין שני צ'קפוינטים. זוהי השוואה בין נקודת קצה מתארחת לבין הצ'קפוינט הפתוח שהמערכת האקולוגית של הריצה המקומית החליטה שהוא d1 כשאתה אומר את המילה בלי הסתייגות. רוב מה שיבוא בהמשך עוסק בשאלה על איזו מהקריאות האלה הפריסה שלך באמת נשענת.

הערה על האופן שבו הנתונים שלהלן מקורם, משום שהכנות חשובה יותר מהעיצוב שלהם. כל דבר מספרי כאן הוא דיווח של Liquid AI עצמה, בכרטיסי המודל או בפוסט ההשקה מ-7 באוקטובר. שורות Decision Index נוקדו על ידי הספק עם כלי הניקוד הרשמי במקום להיות מוגשות לדירוג ציבורי, ואף צד שלישי לא שחזר באופן בלתי תלוי שום תוצאה של d1 שמצאנו. היכן שמספר הוא תוצאה של אריתמטיקה על נתון שפורסם ולא מדידה, הדבר מצוין.

מאיפה מגיעים שני השמות

השם הקצר הוא הישן יותר. הפוסט של Liquid AI מ-5 באוקטובר הציג את המודל בתור Liquid AI d1 — "מודל ההחלטות הראשון שלנו", מולטימודלי במהדורה ההיא, עונה על שאלות מוקלדות מעל מצב של טקסט, תמונות או שניהם, במעבר קדימה אחד עם אפס טוקנים של פלט. הפוסט הזה מצטט מחיר שירות מתארח של $0.04 למיליון טוקני קלט, מחייב על טוקני קלט בלבד, ומציין שתמונות מחויבות כמו טקסט ב-1.5 טוקנים לכל טלאי 32×32, כך שתמונה בגודל 1024×1024 עולה 1,536 טוקנים. הוא גם מציין את השהיית החלטת הטקסט כ-200–300 מילי-שניות. אלה מספרים של שירות מתארח, והפוסט מבהיר במפורש שסביבת ההרצה שמאחוריהם היא נקודת הקצה להחלטות של הספק עצמו בכתובת api.liquid.ai/decisions/v1/systemone.

השם הארוך יותר מופיע בפוסט מ-7 באוקטובר וב-Hugging Face, והוא זה שנושא את הפרט הניתן לשחזור: 3.12B פרמטרים, חלון הקשר של 32,768 טוקנים, אוצר מילים של 128,000 טוקנים, שישה עשר שפות מתועדות, מקודד חזותי SigLIP2 NaFlex 400M מותאם לצורה, ושרשרת הבסיס LFM2.5-2.6B-Base → LFM2.5-VL-3B → d1-3B. הכרטיס הזה גם מציין בפשטות שהמודל אינו מודל צ'אט ואינו כותב טקסט. זהו הצ'קפוינט שכל האקוסיסטם המקומי בנוי עליו: מאגר ה-GGUF מכיל Q4_K_M בגודל 1.67 GB, Q8_0 בגודל 2.87 GB, ו-F16 ו-BF16 בגודל 5.4 GB כל אחד.

מה שאף מסמך של הספק לא אומר בקול רם הוא שLiquid AI d1 ו-Liquid AI d1-3B הם אותם משקלים. אינדקס התיעוד מקצה להם שורות נפרדות. פוסט ההשקה מכנה את d1 משפחה, לא צ'קפוינט. פרסומים של צד שלישי שמו לב לפער וציינו שהספק לא אישר את הזיהוי. לכן ההצהרה הכנה היא קצרה: המספרים ששני השמות מפורסמים איתם אינם מתנגשים בשום מקום שמצאנו, השחרור של המשפחה ונקודת הקצה המוגשת הוכרזו בהפרש של יומיים עם תיאור תואם, והספק לא אמר שהם אותו מודל. התייחסו לשקילות כהנחת עבודה סבירה ולא כעובדה שהספק שם עליה את שמו.

מה שהבנייה המקומית באמת משנה

הרשומה של Ollama אינה מהדורה מחודשת ואינה צ'קפוינט חדש. זוהי החלטת אריזה, והאריזה כופה שלושה אילוצים שהתיעוד של הספק עצמו אינו מזכיר כלל. הראשון הוא רשימת התגים: d1:latest, d1:3b ו-d1:3b-q8_0, שלושה תגים שמציינים כימות אחד. במאגר ה-GGUF ש-Liquid מפרסמת יש ארבע רמות דיוק, וה-Q4_K_M בנפח 1.67GB — זה שרוב האנשים היו בוחרים בו במחשב נייד — אינו בין התגים של Ollama. מה שאפשר למשוך הוא ה-Q8_0 בנפח 2.87GB, ומה שזה מתנפח אליו במאגר המקומי; עמוד הספרייה מדווח שההורדה היא 3.7GB.

השני הוא חוזה הבקשה. Ollama עונה למודלים האלה ב-/v1/systemone, מקבל state ואובייקט questions, ומחזיר תשובות עם טיפוסים עם output_tokens: 0. זהו אותו מבנה שבו משתמשת נקודת הקצה המתארחת של הספק, וזה מה שהופך את המעבר между מקומי למתארח לשינוי בקונפיגורציה ולא לשכתוב. האילוץ השלישי נמצא בתיעוד נקודת הקצה של Ollama ולא בעמוד המודל, והוא מחמיר יותר מזה של מודל גנרטיבי: בקשות חייבות להיכנס במגבלה של 64 KiB ללא תמונות ו-32 MiB איתן, אין תמיכה ב-streaming, מודלים המתארחים בענן נדחים, ותמונות חייבות להיות base64 PNG, JPEG או WebP בגוף הבקשה — כתובות URL מרוחקות נדחות. תמונות משותפות לכל שאלה בבקשה, לכן תמונה שרוצים שרק תשובה אחת תביא בחשבון צריכה קריאה משלה. קלט לעולם אינו נחתך, כלומר state גדול מדי מחזיר שגיאה במקום להיחתך בשקט. זהו מצב הכשל הטוב יותר, והוא עדיין מצב כשל שהלקוח שלך צריך להתמודד איתו.

שני פרטי תיעוד נותרו לא פתורים וכדאי לדעת אותם לפני שתפתחו באג. תיעוד נקודות הקצה של Ollama מתאר את סוג שאלת הבחירה כמקבל 2 עד 255 מפתחות אפשרויות, בעוד שעמוד היכולות של מודלי ההחלטה (decision-models) אומר 2 עד 26; אחד מהשניים אינו מעודכן. ועמוד היכולות מפרט את המודלים הנתמכים שלו כ-Nimble, Tev1, Clef ו-Clef Flash, בלי אזכור של d1 — למרות שה-readme של חבילת d1 עצמה מתעד תמיכה ב-/v1/systemone וב־--ask, והחבילה דורשת Ollama 0.40.4 בעוד שהגרסה המינימלית המתועדת של נקודת הקצה עצמה היא 0.35.0. קראו את דרישת הגרסה שעל החבילה, לא זו שבמדריך.

המספרים, ותחת איזה שם הם פורסמו

זה החלק בזיווג שהכי קל לטעות בו, מפני ששני השמות מפורסמים עם נתוני ביצועים, והנתונים אינם מאורגנים בדרך שהייתם מצפים לה.

• מדד Decision Index 0.2.1 — 48.57, פורסם תחת Liquid AI d1-3B. Liquid מתארת אותו כציון הטוב ביותר למודל החלטות מתחת ל-10B פרמטרים, ומציבה אותו לפני מודל 35B-A3B עם 47.11. • השהיית החלטת טקסט — 200–300 מ״ש, פורסם תחת Liquid AI d1 בפוסט על ה-API המתארח. אין נתון מקביל המשויך לשמו של נקודת הבדיקה הפתוחה עצמה. • השהיה לשאלה בודדת בחומרה מקומית — 8 מ״ש על RTX 4090, 16 מ״ש על Jetson AGX Thor, 26 מ״ש על Jetson AGX Orin 64 GB, 50 מ״ש על Orin Nano, 30 מ״ש על Apple M5 Pro. פורסם תחת Liquid AI d1-3B. • תפוקה — 475 החלטות בשנייה על ה-RTX 4090 ו-1,106 בשנייה על AMD MI325X כשהשאלות ארוזות באצוות. פורסם תחת Liquid AI d1-3B. • ראייה — ממוצע של 74.1 על פני אחד-עשר מבחני תמונות ציבוריים, לעומת 73.9 עבור בסיס LFM2.5-VL-3B שממנו נבנה. פורסם תחת Liquid AI d1-3B. • אבלציה של תמונות — אותה קבוצת שאלות שנענתה ללא תמונות מקבלת ציון 45.1, שהוא המדד של הספק עצמו לתרומת נתיב הראייה. פורסם תחת Liquid AI d1-3B.

שתי בעיות עולות מהרשימה הזו, ואף אחת מהן אינה קטלנית, וזו בדיוק הסיבה שמתעלמים מהן. הנתון המתארח והנתון המקומי מרוחקים זה מזה פי 25 עד 37 — 200–300 מילישניות לעומת 8 מילישניות — והם נמדדו על דברים שהספק אינו מתאר במונחים ברי-השוואה. אין ביסוס לקריאה של הפער כ"המקומי מהיר יותר", מפני שהמספר המתארח הוא מקצה לקצה דרך API, וה-8 מילישניות הן מעבר קדימה על GPU שצוין בשמו. אלה אינן אותה מדידה, והספק מעולם לא טוען שהן כן.

הבעיה השנייה היא שורת הראייה. שיפור של 0.2 נקודות לעומת מודל הבסיס על פני אחד עשר בנצ'מרקים של תמונות נמצא בתוך הרעש של רוב דיווחי הבנצ'מרק, כך שמה שראש ההחלטה קונה לך, הוא אינו מקודד תמונות טוב יותר באופן מהותי. שורת האבלציה נראית מרשימה הרבה יותר בכיוון השני — תנודה של כ-29 נקודות כשמוסיפים תמונות — אבל היא משווה שתי ערכות שאלות שונות ולא שתי גרסאות של אותה ערכה, כפי ש-Liquid מציינת בפוסט עצמו. שתי השורות שימושיות. אף אחת מהן לא תומכת בטענה חזקה לגבי איכות החלטה חזותית, ואף צד שלישי לא הריץ אף אחת מהן.

היכן שני השמות מתפצלים בפועל

עבור קונה, ההבחנה מסתכמת בארבע שאלות, והתשובות אינן מצביעות כולן לאותו כיוון.

• מבנה העלות — Liquid AI d1 מחויב לפי טוקן קלט, בתעריף המפורסם של הספק, עם אפס טוקני פלט לשלם עליהם. Liquid AI d1-3B הוא הורדה בגודל 2.87 GB באריזה של Ollama או 1.67 GB ממאגר ה-GGUF של הספק, בלי מדידה לפי קריאה בכלל. • השהיה, מדידה — המסלול המתארח מציין 200–300 מילישניות להחלטת טקסט. 8 המילישניות המפורסמות של המסלול המקומי הן מעבר קדימה על RTX 4090 עם מודל חם, וזה מספר אמיתי ולא הלוך-חזור של בקשה. • נתיב נתונים — המסלול המתארח שולח את המצב לספק. המסלול המקומי שומר אותו על המכונה, ולגבי פניית תמיכה, הערה רפואית או תצלום זה בדרך כלל הטיעון שמסיים את הדיון. • נעיצת גרסה — Liquid AI d1 מאחורי נקודת קצה הוא מה שהספק מגיש היום. Liquid AI d1-3B ב-Ollama הוא חבילה קבועה שאתה שולט בה, והתמורה היא שהשדרוגים באחריותך.

המציאות המביכה שמתחת לכל ארבעתם היא שנקודת הביקורת הפתוחה היא אחות למודל המתארח ולא תחליף לו, והספק לא אמר אחרת. כרטיס המודל של נקודת הביקורת הפתוחה ממליץ עליה לניתוב וטריאז', למודרציה, לסיווג כוונות, לבדיקות חילוץ, לדירוג מחדש, ל-LLM-as-a-judge ולמעקות בטיחות, ומתאר אותה כמאומנת-בהמשך על LFM2.5-VL-3B לקבלת החלטות מכוילות במעבר יחיד. הפוסט על המודל המתארח מתאר את אותה קבוצת משימות במילים אחרות ומצטט את מחיר המודל המתארח. אם אלה מודל אחד, הבנייה המקומית היא עותק חינמי של מוצר מתארח, וזה דבר יוצא דופן שמעבדה תשלח בלי לומר זאת. אם אלה שני כיוונונים עדינים של בסיס משותף, אין להניח שהנתונים שפורסמו עוברים באחד מהכיוונים. ההסבר השני דורש פחות מהספק ומתאים לראיות שבידינו.

הרצת שני חצאי ההחלטה בלי להריץ שני סטאקים

לא משנה על איזה שם תבחרו, הצינור סביבו נוטה להיראות זהה. תור תמיכה מקבל שאלת בחירה על צוות יעד, שאלת noul בשאלה אם מתבקש החזר כספי, ושאלת ניקוד לדחיפות — מצב אחד, שלוש תשובות, מעבר אחד. המקום שבו שני השמות באמת נפרדים הוא בנקודה שבה ההחלטה משמשת שער לקריאה למודל גנרטיבי שאתם שוכרים ולא מריצים. הקריאה הזו היא בעיה אחרת עם פרופיל כשל אחר, והיא החלק בצינור שבו d1להיות נכון חשוב הכי פחות: תשובת ניתוב בהסתברות 0.98 ואחריה 502 מהמודל שאליו ניתבו היא בקשה כושלת בכל מקרה.

אנחנו לא מארחים שום מודל של Liquid AI — בדקנו את הקטלוג שלנו לפני שכתבנו את זה — כך ששום דבר כאן אינו טענה על קריאה למשקלים האלה דרכנו. מה שכן אנחנו עושים הוא השכבה בצד השני של ההחלטה: מפתח אחד תואם OpenAI למודלים שאליהם מתפצלת בקשה שעברה טריאז', במחיר המחירון של כל ספק, כשהוא מועבר הלאה עם 0% תוספת, כך שהורדת מחיר של ספק מגיעה אליכם ביום שהיא נוחתת ולא בחידוש החוזה, עם מעבר אוטומטי בין ספקים בעת כשל כך שבקשה שעברה טריאז' שורדת את זה שהמודל שאליו נותבתם אותה מפסיק לפעול. אם אתם מחברים מודל החלטה לצינור עיבוד בפעם הראשונה, זה החצי ששווה להפוך למשעמם.

באיזה שם להשתמש, לפי המצב

אם תרצו לנסות את המודל השבוע בלי סביבת Python ששווה לתחזק, השתמשו בשם שסביבת ההרצה המקומית משתמשת בו. משוך Liquid AI d1 מהספרייה, קבל את Q8_0 ואת 3.7 GB, והתייחס לתקרת הבקשה של 64 KiB ולכלל אי-הסטרימינג כאילוצי תכנון ולא כמטרדים. כבר ביום הראשון תקבלו נקודת קצה אמיתית, תשובות אמיתיות עם טיפוסים, ובלי מונה חיוב לפי קריאה.

אם אתה צריך טביעת רגל קטנה יותר מ-Q8_0, השם שיש להשתמש בו הוא Liquid AI d1-3B, מכיוון שבניית Q4_K_M בנפח 1.67 GB נמצאת במאגר ה-GGUF של הספק ולא ברשומת הספרייה. העובדה הבודדת הזו היא ההבדל המעשי ביותר בין שני השמות כיום, והיא זו שהכי קל לפספס על ידי כל מי שקורא את דף הספרייה ועוצר שם.

אם אתה מציג את זה בפני משתמשים משלמים וצריך קודם ראיות לדיוק, אף אחד מהשמות לא עוזר לך עדיין. לא הצלחנו למצוא הערכה עצמאית לאף מודל d1, שורות ה-Decision Index קיבלו ניקוד עצמי, והספק לא פרסם בכלל בנצ'מרק להחלטות אודיו. מה שאתה יכול לעשות הוא להטמיע מדידה של ערך הביטחון שהמודל כבר מחזיר — 0 עד 1, שמשקף עד כמה ההסתברויות מעדיפות תשובה אחת ולא עד כמה סביר שאותה תשובה נכונה — ולגלות בתעבורה שלך היכן הדבר לא בטוח. המדידה הזו שווה יותר מכל השקפים שלמעלה, והיא לוקחת יום.

מודל ההחלטה הוא החצי הזול של הצינור. המודל הגנרטיבי שאליו הוא מנתב הוא החצי שזקוק לחוזה — מפתח יחיד תואם OpenAI נושא את המודלים שאליהם מתפצלת בקשה שעברה מיון, כל אחד במחיר המחירון של הספק שלו, ומועבר הלאה בתוספת של 0%.

הקטנת נקודת ביקורת מזוקקת בהשוואה לשחרור המלא שלה היא גם רגע טוב לבדוק את התיעוד: אירועי AI מתועדים וכשלי סוכנים סביב מודלים קטנים של Liquid נאספים בארכיון אירועי ה-AI של OrcaRouter, שבו כל רשומה נושאת את המקורות שלה, חומרה, דירוג מהימנות ודגל שנוי במחלוקת.