d1-2B vs Liquid AI d1-omni-600M: Ketika Input Penentu Adalah Suara

Letakkan pesan suara dan faktur yang difoto di depan kedua model ini dan hanya satu yang bisa menjawab, dan itu bukan yang skornya lebih baik. d1-2B membaca teks, JSON, gambar, dan video, serta sama sekali tidak dapat menerima audio. Liquid AI d1-omni-600M membaca teks dengan gambar atau teks dengan ucapan hingga 30 detik, dan tidak dapat menerima audio dan gambar dalam permintaan yang sama. Asimetri tunggal itu menentukan sebagian besar penerapan nyata sebelum salah satu benchmark dirujuk. Berikut ini versi jujur dari perbandingannya: di mana model 587M benar-benar kompetitif, di mana model 1.92B tidak mendekati bisa digantikan, dan satu pola pipeline yang menggunakan keduanya tanpa berpura-pura bahwa keduanya adalah alternatif.

Keputusan itu adalah soal modalitas, bukan soal skor

Model keputusan menerima sebuah state dan sekumpulan pertanyaan bernama lalu mengembalikan probabilitas untuk setiap jawaban, tanpa token yang dihasilkan. State adalah keseluruhan input, dan tipe state tersebut adalah batasan yang mengikat. Kartu d1-2B mencantumkan teks, JSON, gambar, dan video. Kartu Liquid AI d1-omni-600M mencantumkan teks dengan gambar, atau teks dengan audio — dan kode menegakkan pengecualian itu: meneruskan gambar sekaligus klip audio ke system_one akan memunculkan ValueError.

Jadi pertanyaan pertama bukanlah model mana yang mendapat skor lebih tinggi. Pertanyaannya adalah apakah hal yang perlu Anda nilai datang sebagai piksel, teks, atau bentuk gelombang. Jika datang sebagai bentuk gelombang, ada satu jawaban dalam pasangan ini, dan sisa halaman ini membahas seberapa besar akurasi yang Anda relakan untuk mendapatkannya.

Apa yang sebenarnya bisa dibeli dengan 587M

600M bukan versi kecil dari d1-2B. Model ini merupakan konstruksi yang berbeda, dan anggarannya layak untuk dilihat secara terperinci karena hal itu menjelaskan kekuatannya sekaligus batas kemampuannya.

• Parameter — Total 587M: trunk bersama dan kepala keputusan berukuran 381M, encoder visi 94M, dan encoder audio 112M. Setiap modalitas berjalan melalui bobot trunk yang sama.

• Base — LFM2.5-Encoder-350M, encoder bidireksional, dengan menara visi SigLIP2 yang dipinjam dari LFM2.5-VL-450M dan FastConformer 17 lapis untuk audio.

• Konteks — 16.384 token di seluruh posisi teks, gambar, dan audio secara bersamaan, serta kosakata 65.536 token. Jendela d1-2B adalah 128K.

• Audio — hingga 30 detik ucapan mono 16 kHz per permintaan. Kartu itu secara eksplisit menyatakan bahwa sisi audio dilatih pada permintaan antara penutur bahasa Inggris dan asisten, yang merupakan distribusi sempit bagi model yang akan dipakai orang pada rekaman panggilan.

• Aturan media — gambar atau audio, tidak pernah keduanya. Kartu ini mendokumentasikan ValueError alih-alih membiarkan Anda menemukannya sendiri.

• Lisensi — LFM Open License v1.0, struktur ambang batas yang sama dengan d1-2B: penggunaan komersial dengan pendapatan tahunan di bawah $10.000.000.

• Kecepatan — tidak dipublikasikan. Kartu tersebut tidak melaporkan angka latensi, dan menyebut model ini sebagai rilis riset awal yang sedang dalam pengembangan aktif. d1-2B memublikasikan 5,7 ms pada H100 PCIe, 3,8 ms pada MI325X, dan 18,6 ms pada M5 Pro.

Tabel run yang sama, dan baris-baris yang selisihnya kecil.

Kedua model muncul dalam tabel benchmark pada kartu d1-2B, yang menilai empat model d1 terbuka pada item identik dengan penilai identik. Itu membuat perbandingan lebih bersih daripada sebagian besar perbandingan antarkartu, dengan satu catatan: kartu milik d1-omni-600M sendiri melaporkan 15,95 pada Decision Index 0.2.1, sedangkan tabel ini melaporkan 18,3 pada versi 0.3. Perbedaannya adalah edisi indeks, dan kedua angka tersebut benar untuk pengujiannya masing-masing.

• Suite publik Decision Index v0.3 — 51,1 untuk d1-2B vs 18,3 untuk Liquid AI d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 77,1 vs 58,7.

• Decision Bench (decisionbench.ai) v4 — 85,2 vs 57,9.

• ImajevBench v2.0-lite — 75,5 vs 21,7, selisih sisi keputusan terlebar di antara keduanya.

• WorkflowEvals — 81,6 vs 48,8.

• Rata-rata Vision, 18 benchmark — 70,2 vs 42,8.

• VisualWebBench — 96,2 vs 14,9, yang lebih merupakan pernyataan tentang seberapa besar yang dapat ditanggung encoder visi 94M daripada sebuah perbandingan.

Lalu baris-baris yang mendukung pengekangan. Typed Decisions adalah 61,3 berbanding 57,5 — selisih 3,8 poin untuk model dengan sepertiga parameter. POPE, tolok ukur halusinasi objek, adalah 88,7 berbanding 82,7. JevBench adalah 77,9 berbanding 58,0, selisih yang lebar, tetapi DecisionBench v4 adalah 85,2 berbanding 57,9, dan keduanya bersama-sama menunjukkan bahwa 600M tidak merata, bukan lemah secara seragam. Posting peluncuran Liquid AI sendiri menempatkan rata-rata tujuh tolok ukurnya pada 78,4, yang tinggi untuk 587M; kartu d1-2B tidak menerbitkan rata-rata yang setara, jadi kedua angka itu tidak boleh disandingkan.

Satu angka yang tidak menyanjung kedua model adalah angka independen. Efraín Garay menjalankan Liquid AI d1-omni-600M pada sampel 6.000 permintaan dari Decision Index 0.3 dan mendapatkan 14,0, dibandingkan dengan 14,17 milik vendor sendiri pada sampel yang sama — reproduksi yang mendekati. Ia juga menemukan bahwa 1.758 permintaan melebihi anggaran instruksi-dan-opsi model dan ditolak, dihitung sebagai salah, yang merupakan biaya nyata dari jendela 16K pada suite yang dibangun untuk state yang lebih panjang.

Di mana 600M adalah satu-satunya pilihan

Perutean audio adalah kasus yang menjadi tujuan model ini dibangun, dan contoh-contoh di kartu bersifat konkret: perutean panggilan dan pesan suara, peristiwa suara, instruksi lisan di atas status tertulis. Tidak satu pun dari itu tersedia dari d1-2B pada tingkat akurasi apa pun, karena model ini tidak memiliki encoder audio dan tidak ada posisi audio dalam skema inputnya.

Dua titik data independen seharusnya meredam promosi tersebut. Yang pertama adalah evaluasi di atas, di mana 600M memperoleh AUC deteksi tembakan sebesar 0,580 dan AUC prakiraan hujan sebesar 0,593 pada tugas data nyata — hanya sedikit di atas peluang, dan tertinggal dari setiap model yang lebih besar yang diuji. Yang kedua adalah ulasan langsung yang mengukur penggunaan VRAM di bawah 2GB dan menemukan bahwa model tersebut mengklasifikasikan penyampaian dan nada dalam audio jauh lebih andal daripada makna semantik, dengan pertanyaan bergaya inferensi yang hasilnya hampir setara lempar koin. Keduanya mengarah pada kesimpulan yang sama: ini adalah model penyaringan. Model ini bagus untuk "jenis hal apa ini," dan bukan pengganti model yang memahami apa yang dikatakan.

Itu bukan kritik terhadap checkpoint 587M. Itulah yang didapat dari 587M ketika 381M di antaranya adalah trunk bersama. Alasan menggunakannya adalah biaya dan jejak — di bawah 2GB VRAM, repositori GGUF sejak 6 Oktober, build MLX sejak 12 Oktober, dan keputusan dalam satu forward pass — bukan fidelitas.

Kaskade yang menggunakan keduanya

Kesalahannya adalah menganggap ini sebagai pesaing. Keduanya adalah dua tahap dari filter yang sama, dan pipeline alaminya menjalankan model murah terlebih dahulu.

Tahap satu: {{1}}Liquid AI d1-omni-600M{{/1}} menerima item masuk — catatan suara, panggilan dukungan, keluhan tertulis dengan lampiran — dan menjawab pertanyaan-pertanyaan garis besar. Apakah ini masalah penagihan atau masalah teknis? Apakah penelepon marah? Apakah pesan ini sama sekali berisi permintaan? Dengan ukuran di bawah {{2}}2GB{{/2}} dan satu lintasan, itu cukup murah untuk dijalankan pada setiap item.

Tahap dua: apa pun yang ditempatkan 600M di dekat bagian tengah skalanya, atau apa pun yang datang dengan gambar yang perlu dibaca, akan dieskalasi ke d1-2B. 2B mendapatkan jendela 128K, input video, dan sekitar tiga kali rata-rata visi, dan ia hanya melihat sebagian kecil trafik yang tidak dapat diselesaikan oleh tahap pertama.

Ambang batas itulah pekerjaannya. Kedua kartu mengembalikan probabilitas, dan keduanya menyuruh Anda mengalibrasi pada data Anda sendiri — kartu d1-2B mengatakannya secara terang-terangan. Kaskade dengan pita tengah yang tidak terkalibrasi entah mengeskalasi semuanya, yang berarti 600M hanya jadi hiasan, atau tidak mengeskalasi apa pun, yang berarti 2B tidak pernah mengoreksi tahap yang tidak mampu membaca.

Ada tahap ketiga di sebagian besar sistem nyata: model yang menulis balasan. Di situlah API terkelola masuk, dan di situlah OrcaRouter relevan. Tidak ada model Liquid AI yang kami layani, sehingga node keputusan tetap berada di GPU Anda sendiri; langkah generatif yang mengonsumsi label mereka dapat berasal dari satu kunci kompatibel OpenAI yang mencakup lebih dari 200 model, dengan markup 0% atas harga daftar penyedia dan failover otomatis jika penyedia terputus di tengah trafik. DSL routing juga merupakan cara yang jujur untuk mengekspresikan kaskade itu sendiri — kedua model keputusan sebagai langkah di sisi GPU, pembuatan balasan sebagai langkah terkelola, disusun alih-alih direkatkan bersama dalam kode aplikasi.

Apa yang tidak dilakukan oleh kedua model itu, dan opsi ketiga

Keduanya tidak menulis teks. Keduanya mengembalikan jawaban bertipe dan probabilitas dengan nol token keluaran; jika langkah berikutnya membutuhkan prosa, itu model yang berbeda. Keduanya tidak menangani video dengan audio: d1-2B menerima frame video tetapi tanpa suara, 600M menerima suara tetapi tidak bersama gambar, dan batas audio 30 detik adalah batas keras, bukan rekomendasi.

Jika persyaratannya benar-benar "audio dan gambar dalam permintaan yang sama," jawabannya bukan keduanya — melainkan d1-Omni-2B, saudara 2,17B yang dibuat Liquid AI dua puluh empat detik setelah d1-2B dan yang menerima teks, gambar, frame video, dan klip audio dalam satu daftar media. Skor Decision Index-nya 49,0 pada tabel v0.3 yang sama, rata-rata visinya 67,7, dan tidak adanya pengujian independen sama seperti pada d1-2B. Parameternya sekitar empat kali lipat dari 600M, yang merupakan harga dari tidak memilih di antara modalitas.

Jadi aturannya singkat. Jika state berisi ucapan dan tidak ada hal lain yang perlu dilihat, Liquid AI d1-omni-600M adalah satu-satunya anggota pasangan ini yang dapat berjalan, dan model itu harus diperlakukan sebagai penyaring. Jika state berupa teks, gambar, atau video dan jawabannya harus tahan uji, d1-2B adalah modelnya — dan model itulah yang memiliki angka latensi terpublikasi, jendela 128K, dan keunggulan benchmark yang tetap bertahan saat dibaca baris demi baris. Jika state memiliki keduanya, keduanya bukan jawabannya, dan model omni 2.17B adalah jawabannya.