d1-Omni-2B vs MiniCPM5-2B: Model Keputusan Bukan Model Obrolan Kecil

Keduanya berbobot terbuka, keduanya berada di kisaran dua miliar parameter, dan keduanya ditujukan untuk perangkat keras yang ada di meja kerja, bukan di rak server. Di situlah kemiripannya berakhir. d1-Omni-2B menerima sebuah state — teks, JSON, gambar, frame video, audio — plus sekumpulan pertanyaan bernama, lalu mengembalikan jawaban bertipe dengan probabilitas terkalibrasi dalam satu forward pass. MiniCPM5-2B menerima teks dan menulis teks lagi, menalar langkah demi langkah menuju jawaban satu token setiap kali. Menukar yang satu dengan yang lain bukanlah peningkatan model atau penurunan versi model; itu adalah penulisan ulang atas apa pun yang mengonsumsi responsnya. Jadi, perbandingan yang layak dilakukan bukanlah mana yang skornya lebih tinggi. Melainkan kontrak mana yang benar-benar bisa diterima pipeline Anda, dan berapa biaya yang harus Anda tanggung untuk memenuhinya dalam hal lisensi, latensi, dan pekerjaan deployment.

Apa yang sebenarnya dikembalikan dari sebuah panggilan

Panggilan d1 terlihat seperti skema, bukan percakapan. Anda memberikan system_one sebuah state dan kamus pertanyaan, masing-masing dengan tipe — ya/tidak, pilihan tunggal, pilihan ganda, skor berurutan, rentang teks, angka, tanggal, satu kotak pembatas atau beberapa — dan Anda menerima kembali satu nilai per pertanyaan dengan probabilitas yang terlampir. Contoh pada kartu model itu sendiri merutekan tiket dukungan: penanda refund, penetapan tim yang diambil dari dua kriteria bernama, dan tingkat keyakinan pada masing-masingnya. Tanpa prosa, tanpa transkrip, tanpa token yang dihasilkan. Kartu tersebut menyatakannya secara gamblang: ini bukan model obrolan.

Desain itulah keseluruhan produknya. Karena tidak ada yang didekode, tidak ada langkah parsing, tidak ada perbaikan JSON, tidak ada loop percobaan ulang untuk model yang membungkus jawabannya dengan permintaan maaf. Sebuah nilai kembali pada ambang yang Anda pilih, dengan jalur abstain ketika tidak ada yang cocok dalam kumpulan opsi — Liquid melaporkan 78,5 pada uji abstain tersebut untuk teks tertulis dan 75,8 untuk lisan. Jika kode hilir Anda membutuhkan penetapan antrean dan sebuah angka, inilah bentuk yang Anda inginkan.

MiniCPM5-2B mengembalikan bentuk sebaliknya. Ini adalah decoder arsitektur Llama standar yang berpikir sebelum menjawab, dibangun di atas tahap SFT deep-thinking 400 miliar token, RL domain, dan langkah distilasi on-policy yang melipat enam belas guru spesialis menjadi satu checkpoint dense. Anda benar-benar bisa mendapatkan output terstruktur darinya — skor function-calling-nya lumayan, dan OpenBMB menyediakan parser alat untuk vLLM — tetapi Anda mendapatkannya dengan meminta, dalam sebuah prompt, dan mempercayai decoder untuk mematuhinya. Penalaran adalah fiturnya. Itu juga yang Anda bayar pada setiap panggilan.

Pertarungan langsung yang tidak ada

Tidak ada benchmark yang sama yang pernah dijalankan untuk kedua model ini. Itu bukan celah dalam pelaporan; itu konsekuensi dari pemisahan di atas. d1-Omni-2B hanya muncul dalam rangkaian keputusan Liquid — DecisionBench v1 sebesar 76,4, decisionbench.ai v4 sebesar 84,7, Decision Index public suite v0.3 sebesar 49,0, ImajevBench v2.0-lite sebesar 72,3, rata-rata visi tanpa bobot sebesar 67,7 di delapan belas benchmark. MiniCPM5-2B hanya muncul dalam rangkaian penalaran dan agentik OpenBMB: rata-rata 53,9 dari 34 tes, LiveCodeBench v6 sebesar 69,1, AIME 2025 sebesar 86,5, SWE-bench Verified sebesar 46,4, BFCL v4 sebesar 66,6, dan angka yang jauh lebih rendah, 8,9, pada Humanity's Last Exam. Tidak satu pun dari angka-angka itu diukur pada item yang sama, oleh pemberi skor yang sama, dengan angka mana pun dalam daftar pertama.

Siapa pun yang menunjukkan kepada Anda tabel dua kolom berisi skor-skor ini secara berdampingan sedang melakukan penjahitan, dan penjahitan itu lebih buruk daripada tampakannya. Setiap angka d1-Omni-2B dijalankan oleh vendor dan, pada saat publikasi, belum direproduksi secara independen. Rata-rata utama OpenBMB juga dijalankan oleh vendor — perusahaan merilis korpora pelatihan dan kerangka kerja RL-nya, yang lebih daripada yang dilakukan sebagian besar lab, tetapi itu adalah reprodusibilitas metode, bukan skor.

Angka-angka independen yang memang ada perlu dibaca dengan cermat karena angka-angka itu saling tidak konsisten di antara versi indeks. Artificial Analysis memberi MiniCPM5-2B skor 15 pada Intelligence Index v4.2 miliknya ketika meliput peluncuran pada 7 September; halaman langsungnya kini menampilkan 12; klaim OpenBMB sendiri sebesar 23 dibuat pada v4.1.1. Ketiga angka itu bukan penurunan dan bukan perselisihan — indeksnya berubah di baliknya, dan skor dari versi yang berbeda tidak dapat dibandingkan. Ambil arahnya dan abaikan angkanya. Artificial Analysis tidak memiliki halaman sama sekali untuk d1-Omni-2B atau saudaranya d1-2B, jadi model keputusan belum memiliki pengukuran independen apa pun.

Satu angka yang tampak bisa dialihkan tetapi ternyata tidak: Liquid menjalankan perbandingan 27 tes atas model chat LFM3-1.7B miliknya melawan MiniCPM5-2B dan menang 23 berbanding 4. Hasil itu menunjukkan bahwa decoder hasil post-training Liquid mengalahkan milik OpenBMB pada tes-tes tersebut. Hasil itu tidak mengatakan apa pun tentang decision head, yang tidak pernah ada dalam uji tersebut, dan tidak boleh dipinjam untuk menyelesaikan pasangan ini.

Di mana spesifikasi sebenarnya terpisah

• Kontrak keluaran — nilai bertipe dengan probabilitas dan nol token keluaran versus teks yang dihasilkan dengan jejak penalaran implisit. Semua hal lain dalam daftar ini merupakan turunan dari itu.

• Ukuran — 2,17B parameter dalam checkpoint BF16 4,33GB, dibandingkan dengan total 2,52B dan 1,98B non-embedding, sekitar 5GB dalam BF16. Cukup dekat sehingga tidak ada yang menang hanya berdasarkan jejak penyimpanan saja.

• Input — teks atau state JSON, gambar, frame video, dan audio, dapat dicampur dalam satu permintaan, versus hanya teks. MiniCPM5-2B tidak memiliki encoder visi dan tidak memiliki jalur audio; jika state berisi bentuk gelombang, perbandingan ini berhenti di sini. Jika Anda menginginkan lini multimodal dari OpenBMB, itu adalah MiniCPM-V 4.7, keluarga yang berbeda dengan trade-off yang berbeda.

• Konteks — 128.000 token dibandingkan dengan 131.072. Ini adalah angka yang sama yang dinyatakan dengan dua cara, dan itu bukan alasan untuk memilih salah satu model. Hal ini penting hanya karena keduanya dapat menampung dokumen panjang; batasan d1-Omni-2B adalah bahwa bagian lisan yang panjang menurunkan akurasinya jauh sebelum jendela terisi, dan kartu model menyebutkan hal itu.

• Lisensi — LFM Open License v1.0 dengan ambang pendapatan tahunan $10.000.000, dibandingkan dengan Apache-2.0 tanpa syarat apa pun. Ini adalah perbedaan tunggal terbesar dalam tabel tersebut dan sama sekali tidak berkaitan dengan kualitas model.

• Runtime — kode pemodelan khusus di balik trust_remote_code, Transformers 5.19 atau lebih baru, hanya BF16, tanpa GGUF dari vendor dan tanpa jalur vLLM atau SGLang yang terdokumentasi, dibandingkan dengan perkakas Llama yang tidak dimodifikasi: vLLM, SGLang, llama.cpp, MLX, GPTQ, GGUF resmi di repositori dan build terkuantisasi yang sudah beredar.

• Adopsi — 36 unduhan dan 10 suka empat hari setelah repositori itu muncul pada 24 Oktober, dibandingkan dengan 1.216.145 unduhan dan 1.823 suka sejak 6 September. Catatan: angka MiniCPM sudah punya waktu tujuh minggu dan sebuah pos peluncuran, angka d1 tidak punya keduanya, jadi bacalah itu sebagai sinyal kematangan, bukan vonis.

Lima milidetik dibandingkan dengan sebuah pikiran

Liquid menerbitkan latensi panggilan hangat untuk d1-Omni-2B, diukur setelah compile() dalam BF16 sebagai median dari dua puluh panggilan. Di H100 PCIe, satu pertanyaan membutuhkan 5,8ms, tiga pertanyaan 7,7ms, state 5.000 token 52ms, gambar 384 piksel 12,1ms, dan sepuluh detik audio 12,4ms. Jika di-batch 64 state per panggilan, ia menjalankan 1.154 state per detik, dan MI325X bahkan lebih cepat pada 3,7ms dan 1.697 state per detik. M5 Pro membutuhkan 21,1ms untuk satu pertanyaan dan 110 state per detik — lambat dibandingkan kartu pusat data, namun tetap cukup cepat untuk terasa instan di dalam aplikasi desktop.

Tidak satu pun dari ini adalah perlombaan yang adil, karena pihak lain tidak menerbitkan waktu. Yang dapat dikatakan secara struktural adalah bahwa latensi decoder berskala dengan seberapa banyak ia "berpikir", dan MiniCPM5-2B adalah model yang dibangun untuk berpikir. Pada panggilan perutean atau triase — ketika jawaban yang benar adalah salah satu dari empat nama antrean — Anda membayar untuk rasional yang tidak diminta siapa pun, dan membayarnya per token. Artificial Analysis memberi angka untuk ini: sepanjang pengujian Intelligence Index-nya, model tersebut mengeluarkan 74 juta token keluaran, dibandingkan median 67 juta untuk model sebanding, yang dalam ringkasannya disebut "agak bertele-tele." Itu bukan argumen menentang model tersebut; itu argumen menentang penggunaannya dalam peran yang menjadi tujuan pembangunan d1-Omni-2B.

Perlakukan angka d1 dengan kehati-hatian seperti biasa. Itu adalah pengukuran dari vendor, yang diambil pada perangkat keras tertentu dengan langkah kompilasi, dan pengujian independen hampir pasti akan menghasilkan angka yang berbeda. Yang tetap bertahan adalah urutan besarnya — satuan milidetik per keputusan.

Klausul lisensi yang mengalahkan papan skor

MiniCPM5-2B dirilis di bawah Apache-2.0. Anda dapat menggunakannya secara komersial, melakukan fork, mendistribusikannya ulang, menanamkannya dalam produk, dan tidak perlu berbicara dengan pengacara tentangnya. d1-Omni-2B dirilis di bawah LFM Open License v1.0, yang memberikan penggunaan komersial hanya selama organisasi Anda tetap berada di bawah $10,000,000 pendapatan tahunan. Pada atau di atas ambang tersebut, lisensi menyatakan bahwa penggunaan komersial "is not licensed under this Agreement" — artinya Anda memerlukan pengaturan terpisah dengan Liquid AI, atau Anda tidak merilis model tersebut.

Redistribusi diperbolehkan pada keduanya, dengan syarat di sisi LFM: teruskan lisensinya, tandai file yang dimodifikasi, dan pertahankan pemberitahuannya. Tidak ada persyaratan rebranding. Bagi tim riset, prototipe, atau perusahaan yang masih nyaman berada di bawah ambang batas, klausul itu hanyalah formalitas. Bagi tim produk di perusahaan yang mungkin melewati ambang batas selama masa pakai model, itu adalah pertanyaan pengadaan yang muncul sebelum benchmark pertama hadir — dan itulah jenis hal yang baru ditemukan terlambat, oleh tim legal, setelah arsitektur ditetapkan.

Asimetrinya cukup mencolok sehingga harus dinyatakan tanpa ragu: hanya dari segi lisensi, MiniCPM5-2B adalah pilihan yang lebih aman untuk penerapan komersial apa pun, dan lisensi d1-Omni-2B merupakan biaya nyata dari memilihnya, bukan sekadar catatan kaki.

Mana yang benar-benar bisa kamu jalankan hari ini?

MiniCPM5-2B membosankan untuk di-deploy, dan itu adalah pujian tertinggi yang bisa diberikan kepada model seukuran ini. Ini adalah decoder standar, jadi vLLM dan SGLang mendukungnya tanpa patch, llama.cpp dan LM Studio membaca GGUF, MLX mencakup Apple silicon, dan build Q4_K_M sekitar 1,45GB. Satu-satunya jebakan adalah tool calling: model mengeluarkan panggilan bergaya XML, jadi vLLM perluminicpm5 parser tool-call diaktifkan atau panggilan fungsi Anda tiba sebagai prosa.

d1-Omni-2B belum membosankan. Memuatnya berarti Transformers versi terbaru dengan trust_remote_code=True, ditambah torch, torchvision, dan Pillow; repositori hanya menyertakan safetensors BF16 dan tidak ada yang lain. Tidak ada GGUF dari vendor, tidak ada resep vLLM gabungan di kartu, dan Hugging Face tidak mencantumkan penyedia inferensi untuknya — jadi tidak ada endpoint hosting untuk diuji, yang juga menjadi alasan tidak ada harga hosting untuk dikutip. Jalur praktis yang akan diambil kebanyakan orang adalah tag Ollama d1-omni:2b, paket komunitas 4,4GB yang membungkus bobot yang sama. Itu berfungsi. Itu juga satu-satunya alasan seorang pengembang dapat mencoba model ini dalam satu sore, dan itu karya pihak ketiga, bukan Liquid.

Tidak ada dari kedua model yang memiliki harga per token yang dipublikasikan, karena keduanya tidak dijual per token. Angka per juta apa pun yang Anda temukan untuk salah satu dari keduanya diturunkan dari perhitungan sewa GPU, bukan dikutip oleh vendor. Jika Anda membandingkan keduanya berdasarkan biaya, bandingkanlah berdasarkan berapa biaya satu keputusan dalam hitungan detik waktu GPU — dan ingat bahwa jawaban model keputusan sudah selesai ketika panggilan itu kembali, sedangkan jawaban model chat selesai ketika model itu berhenti berpikir.

Pola yang menggunakan keduanya

Kesimpulan jujur dari perbandingan ini adalah bahwa keduanya bukan pesaing, dan arsitektur yang berguna memperlakukan keduanya seperti itu. d1-Omni-2B menangani penilaian yang murah, bervolume tinggi, dan sensitif terhadap latensi: antrean mana, tim mana, apakah ini faktur yang sama, seberapa mendesak, yang mana di antara dua belas kotak ini. Model ini berjalan secara lokal, mengembalikan angka yang dapat Anda beri ambang batas, dan tidak memberikan jawaban ketika tidak tahu.

MiniCPM5-2B menangani bagian yang membutuhkan bahasa: menjelaskan keputusan kepada pelanggan, menyusun balasan, menulis perbaikan, memanggil alat berikutnya dalam rantai. Model ini lebih lemah pada tugas pertama dan lebih baik pada tugas kedua, dan pemisahan itu tidak membebani Anda apa pun selain satu pemanggilan fungsi di antara keduanya — sebuah rute yang hanya melakukan eskalasi ke model mahal ketika keyakinan model murah turun di bawah ambang batas Anda. Lapisan eskalasi itulah yang menjadi tujuan platform routing: satu kunci API untuk 200+ model dengan markup 0% atas harga daftar penyedia, failover otomatis ketika penyedia tersendat, dan DSL routing yang memungkinkan Anda menyusun beberapa model di balik satu panggilan. Baik d1-Omni-2B maupun MiniCPM5-2B belum ada di katalog OrcaRouter saat ini, jadi separuh bagian keputusan dari pola ini untuk sementara tetap di-hosting sendiri — tetapi separuh bagian generatifnya, bagian yang akan ingin Anda tukar saat model-model kecil yang lebih baik muncul, justru adalah bagian yang layak dirutekan alih-alih di-hard-code.

Siapa yang harus memilih yang mana

Gunakan d1-Omni-2B saat state berisi audio atau video, saat Anda memerlukan probabilitas, bukan kalimat, saat jawabannya harus berupa bounding box atau span atau angka dengan rentang, dan saat pemanggilan berada dalam loop di mana 6ms dan 78ms adalah produk yang berbeda. Gunakan dengan menyadari bahwa ambang lisensi berlaku bagi Anda, bahwa deployment adalah wilayah kode kustom, dan bahwa belum ada evaluasi independen — kartu milik Liquid sendiri mengarahkan orang tanpa audio ke d1-2B, sebuah panduan yang lebih jujur daripada yang biasanya diberikan sebagian besar vendor.

Pilih MiniCPM5-2B ketika inputnya berupa teks, ketika outputnya harus dibaca oleh manusia atau diberikan ke alat yang menginginkan prosa, ketika Anda memerlukan penalaran lintas dokumen panjang, dan ketika Apache-2.0 serta jalur penyebaran Llama standar menghilangkan dua kategori risiko sebelum Anda menulis satu baris kode. Ambillah dengan mengetahui bahwa rata-rata 53,9 dari vendor tidak tereproduksi, bahwa skor independennya adalah 12 pada indeks saat ini — jauh di atas median 5 untuk model di kelas ukurannya, dan tidak sebanding dengan 15 atau 23 yang tercatat pada versi sebelumnya — dan bahwa hasil terlemah yang dipublikasikan, Terminal-Bench pada 8,6 dan SWE-bench Pro pada 14,4, adalah yang paling dekat dengan pekerjaan agentic, yang merupakan area yang paling gencar dipasarkannya.

Dan jangan ambil keduanya jika yang sebenarnya Anda inginkan adalah model chat kecil yang bisa melihat. MiniCPM5-2B tidak bisa, d1-Omni-2B tidak mengobrol, dan model yang biasanya dimaksud orang ketika mengetik salah satu nama itu ke kotak pencarian adalah model berbeda dalam keluarga yang sama. Yang perlu diperhatikan adalah evaluasi audio independen pertama untuk d1-Omni-2B. Hasil bahasa lisannya — 92,5 pada FLEURS di 43 bahasa, tetapi 42,0 secara tertulis yang merosot menjadi 22,8 saat didengar pada state pendek, dan 83,6 menjadi 41,8 pada bagian multibahasa — menggambarkan model yang sangat baik dalam mengidentifikasi bahasa dan rapuh dalam memahami paragraf yang dibacakan. Sampai seseorang di luar Liquid mengukur kesenjangan itu, kasus input suara adalah janji dengan angka yang ditempelkan, bukan hasil.