d1-Omni-2B: Apa yang Disertakan oleh Model Keputusan 2B Paling Senyap dari Liquid AI — dan Apa yang Tidak Disertakannya

Repositori Hugging Face untuk LiquidAI/d1-Omni-2B dibuat pada 19:30 UTC pada 24 Oktober 2026. Postingan blog Liquid AI pertama yang menyebut nama model itu terbit pada 27 Oktober. Selama tiga hari itu, repo tersebut publik dan lengkap — lembar spesifikasi lengkap, 4,33GB safetensors BF16, kode Transformers yang berfungsi — dan tidak ada satu pun yang diterbitkan vendor yang menyatakan model itu ada. Ketika penyebutan itu akhirnya muncul, bentuknya dua paragraf dan tabel empat baris di dalam peluncuran keluarga enam model, bukan peluncuran tersendiri. Itulah bentuk rilis ini, dan itulah kerangka yang jujur untuk semua yang berikut: bobotnya dapat diperiksa, klaimnya adalah milik vendor, dan bagian-bagian yang biasanya didapatkan pembeli dari sebuah pengumuman — harga, endpoint yang dihosting, benchmark independen — belum tersedia.

Jeda lima hari antara beban dan kata-kata

Kisah model keputusan Liquid AI telah diceritakan dua kali, dan d1-Omni-2B tidak ada dalam kedua cerita itu. Pada 7 Oktober, perusahaan menerbitkan "Open d1: Model keputusan edge untuk teks, visi, dan audio," yang memperkenalkan tepat dua checkpoint terbuka: d1-3B, model visi dan teks 3,12B, dan d1-omni-600M, model 587M yang menerima teks dengan gambar atau teks dengan audio hingga 30 detik. Postingan itu masih aktif, dan masih tidak memuat model 2B.

Lini 2B muncul dengan jadwal yang berbeda. Pada 21 Oktober, checkpoint dasar LFM3-Omni-2B muncul di Hugging Face. Pada 24 Oktober, terpaut dua puluh empat detik, Liquid AI membuat repositori untuk d1-2B dan d1-Omni-2B. Postingan peluncuran LFM3 pada 27 Oktober kemudian menyebutkan keluarga model itu: enam model berukuran sekitar 2B parameter, empat mencakup teks, visi, audio, dan omni, dan, dalam kata-kata postingan itu sendiri, "dua model terakhir adalah model keputusan yang dispesialisasi dari model visi dan omni." Kalimat itulah pengumumannya. Tidak ada postingan terpisah untuk d1-Omni-2B, tidak ada halaman harga, tidak ada kutipan mitra peluncuran, dan tidak ada pembaruan pada artikel 7 Oktober.

Jadi model ini bukan tidak terdokumentasi — repositori ini adalah salah satu checkpoint kecil yang terdokumentasi lebih baik yang pernah diterbitkan Liquid AI, dan halaman dokumentasi vendor untuk model keputusan mencantumkannya bersama d1-2B dan d1-omni-600M. Model ini kurang diumumkan. Perbedaan itu penting karena memberi tahu Anda klaim mana yang sudah melalui tinjauan peluncuran dan mana yang belum.

Membaca kartu sebagai lembar spesifikasi

Jika pembingkaiannya dilepas, checkpoint-nya lugas. d1-Omni-2B adalah model keputusan yang telah dilatih lanjut (post-trained) di atas LFM3-Omni-2B, dan ini bukan model chat: ia tidak menulis teks dan tidak menghasilkan ucapan, dan setiap panggilan mengembalikan output_tokens: 0.

• Parameter — 2.17B, dikirim sebagai satu file safetensors BF16 4.33GB.

• Arsitektur — tulang punggung LFM3: 24 lapisan, 13 di antaranya adalah konvolusi pendek bergerbang, 5 adalah attention jendela geser dengan jendela 256 token, dan 6 adalah attention global. Postingan keluarga model ini mendeskripsikan campuran tri-hibrida ini sebagai hasil pencarian arsitektur hardware-in-the-loop yang dijalankan di 14 kombinasi perangkat dan backend.

• Konteks dan kosakata — 128K token dan kosakata 128.000 token yang digunakan bersama dengan bagian lain LFM3.

• Input — sebuah keadaan yang dapat berupa teks atau nilai JSON apa pun, ditambah gambar, bingkai video, dan klip audio, ditambah sejumlah pertanyaan bernama, tertulis atau lisan. API kartu menerima semua itu dalam satu daftar media, yang merupakan perbedaan berarti dari checkpoint 587M: d1-omni-600M didokumentasikan sebagai teks-dengan-gambar atau teks-dengan-audio, bukan keduanya sekaligus.

• Keluaran — jawaban yang diketik beserta probabilitasnya. Ya/tidak, pilihan dari opsi yang disebutkan namanya, skor terurut, nilai yang dibaca dari sebuah dokumen beserta rentangnya, angka dengan interval p10–p90, kotak pembatas, atau setiap kemunculan objek beserta jumlahnya.

• Bahasa — enam belas. Fitur suara mencakup kumpulan yang sama kecuali Hindi, Thai, Vietnam, dan Indonesia, yang perlu dicatat karena sisi teks mencantumkannya.

• Lisensi — LFM Open License v1.0. Penggunaan komersial diizinkan di bawah pendapatan tahunan $10,000,000; di atas itu, teks lisensi menyatakan bahwa penggunaan komersial "tidak dilisensikan berdasarkan Perjanjian ini."

Audio adalah klaim yang layak diuji

Alasan untuk memilih checkpoint ini dibandingkan d1-2B adalah audio. Liquid AI memposisikannya untuk "perutean panggilan dan pesan suara serta peristiwa suara," dan kartu model memuat satu bukti yang biasanya menjadi pembuka postingan peluncuran: perbandingan lisan versus tulisan pada item yang sama.

• Perutean dan triase bisnis (DecisionBench, Hanno Labs v1) — 83,4 tertulis, 78,2 lisan.

• Kasus layanan pelanggan (Keputusan yang Diketik) — 50,5 tertulis, 48,0 lisan.

• JevBench v1.4.1, baris yang dapat diucapkan oleh suara — 87,6 tertulis, 89,0 lisan, yang berarti uji lisan memperoleh skor sedikit lebih tinggi, yang merupakan noise bukan peningkatan.

• Peristiwa suara (ESC-50) — 84.5, tanpa padanan tertulis.

• Identifikasi bahasa lisan (FLEURS, 43 bahasa) — 92.5.

Angka-angka itu mendukung pitch. Sisa bagian audio adalah bagian yang memberi tahu Anda di mana sebaiknya tidak membangun, dan itu luar biasa terus terang untuk kartu vendor. State pendek lisan turun dari 42.0 tertulis menjadi 22.8 terdengar. Bagian-bagian Belebele dalam delapan bahasa turun dari 83.6 menjadi 41.8. Kartu itu menyatakan dengan gamblang bahwa bagian lisan yang panjang kehilangan banyak akurasinya, "terutama di luar bahasa dengan aksara Latin," dan mengarahkan siapa pun yang tidak memiliki input audio ke d1-2B sebagai gantinya, yang menurutnya lebih kuat pada teks dan kotak tunggal, lebih sering melaporkan nilai yang hilang, dan lebih baik kalibrasinya.

Jika dibaca bersama, baris-baris itu menggambarkan sebuah model yang unggul dalam ujaran pendek yang dapat dirutekan dalam bahasa-bahasa utama dan jauh lebih lemah dalam hal apa pun yang memerlukan pemeliharaan keadaan lisan yang panjang. Triase pusat panggilan cocok. Rekaman rapat berdurasi empat puluh menit tidak.

Papan skor itu milik vendor, dan versi indeks berubah.

Setiap angka kinerja pada model ini adalah milik Liquid AI sendiri. Kartu model tersebut menjelaskan secara eksplisit soal metodenya: keempat model d1 dinilai pada item yang sama dengan penilaian yang sama, sehingga beberapa angka sedikit berbeda dari kartu individual asal angka tersebut. Tidak disebutkan bahwa pihak ketiga telah mereproduksi sebagian pun darinya, dan tidak ada evaluasi independen terhadap d1-Omni-2B per saat tulisan ini dibuat.

• Suite publik Decision Index, v0.3 — 49,0 untuk d1-Omni-2B, dibandingkan dengan 51,1 untuk d1-2B, 49,0 untuk d1-3B dan 18,3 untuk d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76.4, dibandingkan dengan 77.1, 73.1, dan 58.7 secara berurutan.

• decisionbench.ai v4 — 84,7, dibandingkan dengan 85,2, 83,6 dan 57,9.

• ImajevBench v2.0-lite — 72,3, dibandingkan dengan 75,5, 64,0 dan 21,7.

• Papan benchmark milik vendor sendiri yang mencakup lebih dari seratus benchmark — 61.8, dibandingkan 63.2, 58.8 dan tanpa skor untuk 600M.

• Rata-rata visi pada 18 benchmark gambar — 67,7, dibandingkan dengan 70,2, 65,4, dan 42,8.

Ada satu jebakan di tengah-tengah ini. Postingan 7 Oktober melaporkan d1-omni-600M pada 15,95 di Decision Index v0.2.1. Kartu baru melaporkannya pada 18,3 di v0.3. Itu adalah suite yang berbeda dan selisihnya bukan peningkatan kemampuan; jangan mengurangkan satu dari yang lain. Satu-satunya perbandingan yang adil adalah yang benar-benar dibuat oleh kartu tersebut, dengan keempat model dinilai ulang pada item yang sama.

Pola yang bertahan setelah penilaian ulang adalah bahwa d1-Omni-2B berada tepat di bawah d1-2B hampir dalam semua hal dan di atas generasi sebelumnya dengan selisih yang lebar. Liquid AI membingkainya sebagai mengalahkan d1-3B pada papan keputusannya dan pada 16 dari 18 tolok ukur gambar dengan 70% parameter, yang memang benar untuk tabel sebagaimana dicetak dan juga merupakan perbandingan dengan model yang kini telah digantikan oleh keluarga ini.

Apa yang tidak dijawab oleh repositori

Lima pertanyaan masih terbuka, dan tidak satu pun terjawab dengan membaca bobot.

• Akses hosted dan harga. Postingan LFM3 menyatakan bahwa model base dan post-trained tersedia di Hugging Face, Playground, dan Liquid AI API. Namun, tabel dokumentasi decision-models mencantumkan d1-Omni-2B sebagai open weights dan menyisakan baris khusus hosted untuk d1.1 dan d1-ultra, dan halaman model Hugging Face menyatakan bahwa "model ini tidak di-deploy oleh Inference Provider mana pun." Tidak ada harga per panggilan untuk checkpoint ini yang dipublikasikan di mana pun yang dapat ditemukan artikel ini, jadi anggap akses hosted mungkin tetapi belum terkonfirmasi.

• Data pelatihan. Kartu ini tidak memberikan korpus, tidak memberikan komposisi, dan tidak memberikan deskripsi kumpulan data. Kartu ini menyebut pengujian pada klip dan suara "yang tidak dimiliki baris pelatihan mana pun," yang menyiratkan bahwa kumpulan data pelatihan memang ada dan tidak mengatakan apa pun tentang isinya.

• Kuantisasi. Repositori utama menyediakan BF16, dan Liquid AI menerbitkan tiga build serupa: MLX fp16, MLX 8-bit, dan ekspor ONNX. Tidak ada GGUF resmi dari vendor, meskipun pustaka d1-omni Ollama membawa tag 2b pada 4.4GB dan konteks 125K, dan ukurannya cukup dekat dengan checkpoint BF16 sehingga tidak terlihat seperti kuantisasi agresif.

• Evaluasi independen. Tidak ada. Setiap angka di atas dijalankan oleh vendor dengan penilai milik vendor sendiri pada papan milik vendor sendiri.

• Apakah ini menggantikan d1-omni-600M. Kartu ini merekomendasikan d1-2B daripada model ini ketika tidak ada audio, dan merekomendasikan model ini daripada d1-2B ketika ada audio. Kartu ini tidak mengatakan apa pun tentang masa depan checkpoint 587M, dan Liquid AI belum menyatakannya usang.

Menjalankannya, dan berapa biaya perangkat kerasnya

Jalur inferensi adalah Transformers 5.19 atau yang lebih baru dengan trust_remote_code, dan pemanggilannya adalah model.system_one(state, questions, media). Tidak ada parameter sampling yang perlu diatur, karena tidak ada yang di-sampling. Kompilasi memakan waktu sekitar satu menit pada pemanggilan pertama; setelah itu kartu melaporkan 5,8 ms untuk satu pertanyaan dan 7,7 ms untuk tiga pertanyaan pada H100 PCIe, 3,7 ms dan 5,6 ms pada AMD MI325X, serta 21,1 ms dan 28,9 ms pada Apple M5 Pro. State 5K token membutuhkan 52 ms pada H100. Batching adalah kunci throughput-nya: 1.154 state per detik pada H100 dan 1.697 pada MI325X dengan 64 state dalam satu pemanggilan.

Bagi model di kelas ini, angka-angka itu adalah argumennya. Model ini tidak bersaing dengan model chat dalam hal kualitas; ia bersaing dengan menjalankan model chat sama sekali. Forward pass 5,8 ms yang mengembalikan probabilitas terkalibrasi adalah item biaya yang berbeda dari panggilan generatif yang mengembalikan paragraf yang kemudian harus Anda urai.

Di mana pengambilan keputusan berakhir dan bagian lain dari pipeline dimulai

Model seperti ini melakukan satu lompatan. Model ini mengubah tiket, rekaman panggilan, atau bingkai kamera menjadi label dan tingkat keyakinan, lalu ada sesuatu yang harus bertindak atas label tersebut — menyusun draf balasan, mengeskalasi kasus, memanggil API. Tidak ada model Liquid AI dalam katalog OrcaRouter, jadi lompatan kedua itulah tempat produk kami sebenarnya berada: model generatif yang mengonsumsi keputusan itu melewati satu kunci yang kompatibel dengan OpenAI yang mencakup 200+ model, dengan harga daftar tiap penyedia yang diteruskan dengan markup 0%, serta failover otomatis saat permintaan mendarat pada penyedia yang sedang mengalami gangguan sesaat. Model keputusan adalah bagian yang murah, cepat, dan deterministik. Layak menghubungkan bagian yang mahal dan non-deterministik ke sesuatu yang dapat mencoba ulang.

Apa yang bisa menyelesaikannya

Tiga hal akan memindahkan d1-Omni-2B dari "menjanjikan" menjadi "layak direkomendasikan," dan tidak satu pun memerlukan posting blog lagi. Yang pertama adalah uji mandiri atas rangkaian audio pada perangkat keras yang tidak dikendalikan vendor — selisih 22,8 versus 42,0 pada status pendek lisan adalah angka yang paling mungkin berubah di bawah mikrofon orang lain. Yang kedua adalah harga yang dipublikasikan untuk akses terhosting, yang tanpanya perhitungan membangun-versus-membeli tidak dapat diselesaikan. Yang ketiga adalah perbandingan langsung dengan d1-2B pada tugas-tugas berbasis audio yang sama, karena rekomendasi pada kartu itu sendiri — gunakan 2B omni hanya ketika input menyertakan audio — adalah kalimat paling berguna di dalamnya, dan itu juga satu-satunya yang belum diuji siapa pun di luar Liquid AI.