Liquid AI d1-3B vs MiniCPM5-2B: Probabilitas atau Prosa, pada Skala Laptop

Dua model open-weight, keduanya cukup kecil untuk dijalankan di mesin di depan Anda, dan keduanya tidak sepakat tentang apa yang seharusnya dikembalikan oleh sebuah model. Liquid AI d1-3B adalah model pengambilan keputusan 3,12B milik Liquid AI, dibuka bobotnya pada 7 Oktober 2026: model ini membaca sebuah state dan serangkaian pertanyaan bernama lalu mengembalikan label, probabilitas untuk setiap opsi, dan tingkat keyakinan, dalam satu forward pass, tanpa menghasilkan apa pun. MiniCPM5-2B adalah model dense 2,52B milik ModelBest dan OpenBMB, dipamerkan di World Artificial Intelligence Conference pada 19 Juli dan diterbitkan secara diam-diam ke Hugging Face pada awal September 2026 di bawah Apache-2.0 — asisten penalaran, coding, dan tool-calling yang menulis jawaban, memanggil fungsi dalam XML, dan sudah memiliki lebih dari satu juta unduhan. Model yang lebih kecil memiliki jendela konteks empat kali lipat dan lisensi yang jauh lebih permisif; model yang lebih besar tidak dapat menghasilkan satu token pun bahkan jika Anda menginginkannya. Bentuk mana dari kedua itu yang cocok untuk pipeline Anda sepenuhnya bergantung pada apakah hal di hilir pemanggilan menginginkan angka atau kalimat.

Pembalikan yang patut diperhatikan terlebih dahulu

Hampir setiap ekspektasi intuitif tentang pasangan ini justru terbalik, jadi mulailah dari sana.

MiniCPM5-2B adalah model yang lebih kecil dan memiliki konteks yang lebih panjang: 131.072 token dibandingkan 32.768 untuk Liquid AI d1-3B. Model ini juga memiliki lisensi yang lebih bebas dari keduanya — Apache-2.0, tanpa pembatasan, dengan kumpulan data pelatihan yang dirilis bersama bobotnya sebagai bagian dari keluarga UltraData. Liquid AI d1-3B dikirim di bawah lisensi lfm1.0 milik Liquid sendiri, yang dapat diunduh dan disetel halus, tetapi merupakan lisensi vendor bukan lisensi permisif standar.

Liquid AI d1-3B adalah model yang lebih besar — 3,12B dibandingkan 2,52B total, meskipun perbandingannya berbalik lagi pada parameter non-embedding — dan inilah model yang tidak bisa menulis. Ia memiliki visi; MiniCPM hanya teks. Ia menjalani post-training untuk tepat satu hal; MiniCPM menjalani post-training untuk banyak hal. Dan ketika MiniCPM5-2B hadir dengan bagan perbandingan yang menempatkannya di puncak kelas ukurannya, Liquid AI d1-3B hadir dengan satu skor indeks dan serangkaian tabel latensi.

Semua itu tidak membuat salah satunya lebih unggul. Itu berarti keduanya ditujukan untuk pekerjaan yang berbeda, dan tanda yang mencoloknya adalah bentuk jawaban yang dikembalikan masing-masing.

Apa yang kembali melalui jaringan?

MiniCPM5-2B adalah model bahasa generatif. Ia menalar, ia menjawab dalam prosa, dan ia mengeluarkan panggilan alat bergaya XML yang diubah oleh parser minicpm5 bawaan SGLang menjadi tool_calls yang kompatibel dengan OpenAI tanpa adaptor khusus. Pasca-pelatihannya adalah bagian menarik dari kisahnya: 400 miliar token penyempurnaan terawasi deep-thinking, lalu pembelajaran penguatan dengan algoritma berbasis kritik yang dipinjam dari JustRL II, lalu distilasi on-policy yang melipat enam belas guru RL khusus — lima di antaranya agentik — kembali ke dalam satu jaringan padat. Kartu tersebut mengaitkan RL plus distilasi dengan rata-rata keuntungan 10,96 poin pada tugas penalaran dan umum serta 6,96 pada tugas agentik, dan melaporkan rata-rata 53,9 di seluruh kumpulan pembandingnya sendiri, di atas model terbesar yang disertakan dalam kumpulan itu. Itu adalah angka ModelBest, yang diproduksi secara internal, tanpa reproduksi independen yang dipublikasikan sejauh ini.

Liquid AI d1-3B mengembalikan struktur. Pertanyaan baru yang kembali sebagai P(yes) antara 0 dan 1. Pertanyaan pilihan yang kembali sebagai label, keyakinan, dan probabilitas per opsi. Pertanyaan skor yang kembali sebagai tingkat yang diharapkan pada skala dua sampai sepuluh yang terurut dengan distribusinya dan legendanya. Objek penggunaan melaporkan output_tokens: 0, dan ada probabilitas mentah yang dapat diakses jika Anda menginginkan vektor yang belum diolah. Pasca-pelatihannya adalah jenis pekerjaan yang berlawanan: rata-ratakan dua checkpoint bersama, fine-tune beberapa seed pada campuran data yang berbeda, gabungkan mereka, lalu curahkan upaya pada pelatihan input panjang, mengacak urutan opsi jawaban dan menghilangkan jalan pintas dari data pelatihan — karena model keputusan yang mempelajari "opsi B biasanya benar" alih-alih membaca keadaan adalah lebih buruk daripada tidak berguna.

Yang satu meminta model untuk berpikir lalu mengatakan sesuatu. Yang lain menanyakan kepada model apa yang sudah diyakininya.

Berdampingan, dengan asal-usul yang diberi label

Setiap angka di bawah ini dilaporkan oleh vendor. Angka MiniCPM5-2B berasal dari kartu model milik ModelBest sendiri dan set perbandingannya sendiri; angka Liquid AI d1-3B berasal dari Liquid yang menjalankan sendiri penilai Decision Index resmi, bukan mengirimkannya ke papan peringkat publik. Tidak satu pun dari kedua model tersebut yang telah di-benchmark secara independen oleh pihak ketiga pada saat rilis open-weight.

• Parameter — Liquid AI d1-3B total 3,12B dengan encoder visi SigLIP2 400M dan kosakata 128.000 token; MiniCPM5-2B total 2.516.756.480, 1.981.982.720 non-embedding, 42 lapisan, 16 head kueri ke 2 head KV, kosakata 130.560.

• Konteks — 32.768 token untuk Liquid AI d1-3B; 131.072 untuk MiniCPM5-2B.

• Modalitas masukan — teks dan gambar untuk Liquid AI d1-3B; hanya teks untuk MiniCPM5-2B.

• Keluaran — probabilitas, label, tingkat keyakinan, dan skor terurut, dengan nol token keluaran, untuk Liquid AI d1-3B; teks yang dihasilkan, penalaran, dan panggilan alat XML untuk MiniCPM5-2B.

• Skor utama — Liquid AI d1-3B 48,57 pada Decision Index 0.2.1, peringkat pertama di antara model di bawah 10B dalam tabel vendor; MiniCPM5-2B rata-rata 53,9 pada set perbandingannya sendiri, yang merupakan set berbeda yang mengukur hal-hal berbeda.

• Kecepatan — 8 ms per pertanyaan pada RTX 4090, 26 ms pada Jetson AGX Orin 64 GB, 50 ms pada Jetson Orin Nano, dan 64 status terkemas per pass pada 475 per detik untuk Liquid AI d1-3B. Kecepatan MiniCPM5-2B merupakan fungsi dari berapa banyak token yang dihasilkannya, jadi tidak ada satu angka pun yang bisa diletakkan sebagai pembandingnya.

• Lisensi — Apache-2.0, tanpa pembatasan akses, data pelatihan dirilis, untuk MiniCPM5-2B; lfm1.0 milik Liquid untuk Liquid AI d1-3B.

• Bukti — lebih dari satu juta unduhan Hugging Face dan sebulan kuantisasi komunitas untuk MiniCPM5-2B; baru dua hari keberadaannya dan belum ada uji coba pihak ketiga untuk Liquid AI d1-3B.

Pekerjaan yang sebenarnya dikuasai oleh masing-masing

Ada alur kerja yang bisa dilakukan kedua model, dan perbedaan dalam cara mereka melakukannya adalah inti dari seluruh argumen.

Anggaplah Anda sedang melakukan triase tiket dukungan, atau memutuskan apakah bagian yang diambil menjawab sebuah pertanyaan, atau menilai keluaran LLM terhadap rubrik. MiniCPM5-2B dapat melakukan ketiganya — ia adalah penalar kecil yang mumpuni dengan pemanggilan alat dan konteks panjang, dan Anda akan menjalankannya seperti asisten lain, meminta label lalu mengurai apa pun yang dikembalikan. Terkadang ia mengembalikan JSON yang bersih. Terkadang ia mengembalikan JSON dengan penjelasan di sekelilingnya. Terkadang ia mengembalikan jawaban yang benar dalam bentuk yang salah, dan kegagalan itu adalah bug di parser Anda, bukan di model.

Liquid AI d1-3B tidak dapat melakukan hal lain, dan justru itulah intinya. Pada tiga tugas yang sama, ia mengembalikan probabilitas dan label serta tidak ada apa pun untuk diurai, tiga pertanyaan atas satu state memakan waktu 1,3x waktu satu pertanyaan, dan mode kegagalannya bergeser dari "formatnya rusak" menjadi "keyakinannya salah kalibrasi" — yang setidaknya dapat diukur, karena keyakinannya ada tepat di dalam respons.

Keunggulan mutlak MiniCPM5-2B terletak pada segala hal setelah keputusan itu. Model ini menampung 131K token, sehingga state-nya bisa berupa seluruh pohon file repositori atau dokumen panjang, bukan hanya halaman pertama dokumen tersebut. Model ini menulis panggilan alat secara native. Ini adalah model yang bisa Anda jadikan dasar untuk membangun agen kecil, dan model ini dilatih secara pascapelatihan secara eksplisit untuk pekerjaan agentic. Dan lisensi Apache-2.0-nya berarti percakapan pengacara komersial yang biasanya terjadi tidak perlu dilakukan.

Di mana Liquid AI d1-3B menang mutlak adalah pada batas bawah latensi dan modalitasnya. Perangkat yang menjalankan keputusan dalam 50 ms tanpa GPU bukanlah perangkat yang menjalankan MiniCPM5-2B; keduanya berada di tingkat perangkat keras yang berbeda meskipun jumlah parameternya mirip. Dan 3B dapat melihat — produsen melaporkan 74,1 pada sebelas tolok ukur gambar publik yang dibaca sebagai keputusan, dibandingkan 73,9 untuk model bahasa-visi yang menjadi dasar pembuatannya, dan melaporkan bahwa menghilangkan gambar membuat pertanyaan yang sama merosot ke 45,1, yang merupakan cara mereka menunjukkan bahwa jawabannya berasal dari piksel. Inspeksi visual pada lini produksi bukanlah tugas yang bisa diberikan sama sekali kepada 2B yang hanya berbasis teks.

Menjalankannya, dan lapisan di sekitarnya

Keduanya adalah kisah self-host, dan keduanya sudah melalui pekerjaan deployment. Liquid AI d1-3B hadir dengan dukungan llama.cpp sejak hari pertama, stack NVIDIA lengkap dari DGX hingga Jetson, kuantisasi NVFP4, build bobot-dan-aktivasi 8-bit, dan konversi GGUF yang sudah dipublikasikan. MiniCPM5-2B adalah arsitektur LlamaForCausalLM biasa tanpa kernel kustom yang diperlukan, satu shard safetensors BF16, build GGUF dan MLX di keluarga yang lebih luas, dan preferensi yang didokumentasikan untuk SGLang saat Anda membutuhkan parser tool-call. Tidak satu pun ada di katalog kami, dan artikel ini bukan klaim ketersediaan untuk salah satu pun.

Alternatif yang dihosting adalah API milik vendor sendiri dan platform pihak ketiga. Liquid menyajikan d1yang dihosting dengan harga hanya berdasarkan token input sebesar $0,04 per juta, dengan gambar ditagih sebagai input sebesar 1,5 token per patch 32×32 piksel dan tidak ada baris output sama sekali; MiniCPM5-2B tidak memiliki API pihak pertama, yang merupakan hal normal untuk rilis open-weights Apache-2.0.

Yang keduanya masuki adalah masalah arsitektur yang sama. Model lokal 2B atau 3B yang menangani klasifikasi, perutean, atau pemeriksaan guardrail berada di depan panggilan generatif yang tidak Anda hosting, dan campuran itu — inferensi milik sendiri di samping inferensi sewaan — adalah hal yang keberadaan lapisan perutean dimaksudkan untuk menyerapnya. Satu endpoint untuk 200+ model, harga daftar penyedia diteruskan dengan markup 0% sehingga perubahan harga vendor langsung berlaku pada hari yang sama, failover otomatis saat salah satu upstream menurun. Memiliki model kecil justru membuat pertanyaan perutean lebih sulit, bukan lebih mudah, karena kini batas antara perangkat keras Anda dan milik orang lain adalah keputusan yang harus Anda ambil per permintaan.

Pilih berdasarkan tipe jawaban

Jika hal yang Anda butuhkan adalah label, probabilitas, atau peringkat, dan kumpulan opsi sudah diketahui sebelumnya, Liquid AI d1-3B adalah instrumen yang lebih jujur — ia dibuat untuk permintaan itu dan jawabannya tidak akan datang dalam bentuk yang cacat. Terimalah lisensi vendor, konteks 32K, dan jejak bukti yang berusia dua hari itu sebagai harganya.

Jika yang Anda butuhkan adalah model kecil yang bisa bernalar, memanggil alat, menampung dokumen panjang, dan menjawab dengan kata-kata, MiniCPM5-2B adalah mesin yang jauh lebih cakap, dan ia hadir dengan Apache-2.0 serta dukungan berupa sejuta unduhan dari pengujian yang dilakukan orang lain.

Tim yang akan memperoleh manfaat paling besar dari rilis mana pun adalah tim yang menjalankan keduanya: model keputusan di depan, tempat jawabannya berupa angka dan milidetik sangat penting, serta model generatif kecil di belakangnya, untuk bagian pekerjaan yang membutuhkan bahasa. Keduanya bukan pesaing. Keduanya adalah penyaring dan pembicara.