Liquid AI d1-omni-600M Kini Tersedia sebagai Pull Ollama: Model Keputusan 600M yang Dapat Mendengar Anda

Liquid AI d1-omni-600M menjadi paket Ollama pada pukul 22.32 UTC tanggal 17 Oktober 2026. Stempel waktu itu bukan tebakan: registry Ollama menyajikan header ollama-push-time pada setiap manifes, dan keempat tag di balik nama d1-omni diterima antara pukul 22.31.25 dan 22.32.13 malam itu, sekitar empat jam sebelum tulisan ini dibuat. Model itu sendiri bukan hal baru — Liquid AI merilis bobot terbuka Liquid AI d1-omni-600M bersamaan dengan Liquid AI d1-3B pada 5 Oktober 2026 dan mengumumkan keduanya dalam tulisan "Open d1" pada 7 Oktober — tetapi sampai malam tadi satu-satunya cara menjalankan model yang mendukung audio itu di perangkat keras Anda sendiri adalah lingkungan transformers dengan trust_remote_code=True atau build llama.cpp yang Anda kompilasi sendiri. Sekarang caranya adalah ollama pull d1-omni. Tidak ada yang mengumumkan itu: bukan blog Liquid AI, bukan pula blog Ollama.

Kemasan adalah ceritanya, dan perlu cermat tentang bagian mana yang terdokumentasi. Posting blog terbaru Liquid AI adalah d1-ultra pada 15 Oktober dan LFM2.5-24B-A2B pada 13 Oktober, dan keduanya tidak menyebut Ollama; halaman deployment Ollama milik lab itu sendiri masih mengajarkan Anda menjalankan repositori GGUF-nya langsung dari Hugging Face dengan ollama run hf.co/LiquidAI/... dan tidak pernah menyebut model d1. Blog Ollama pun sama diamnya — entri terbarunya adalah Beam dari Reflection pada 16 Oktober dan integrasi Fly.io pada 13 Oktober. Yang ada sebagai gantinya adalah entri registri, empat tag, digest yang dapat diverifikasi, dan halaman library yang masih ditulis saat artikel ini dibuat: tangkapan awal halaman itu mengembalikan "No readme," dan tangkapan empat puluh menit kemudian mengembalikan deskripsi lengkap yang ditulis Liquid AI dengan tabel benchmark dan bagian lisensi. Jika Anda ingin peristiwa bertanggal dan dapat diperiksa selama tujuh hari terakhir, header itulah peristiwanya.

Apa yang sebenarnya diterima registry

Empat tag mengarah ke dua image, dan itulah hal pertama yang perlu dipahami sebelum Anda melakukan pull. d1-omni:latest, d1-omni:600m, dan d1-omni:600m-q8_0 adalah manifest yang sama — digest 1ba59f63e836 — sedangkan d1-omni:600m-bf16 adalah manifest kedua, digest c1e95fce6627. Tidak ada tag F16, meskipun repositori GGUF milik vendor sendiri menerbitkan trunk F16.

• Lapisan bobot (build Q8_0) — trunk 407 MB dari d1-omni-600M-Q8_0.gguf plus proyektor 442 MB dari mmproj-d1-omni-600M-BF16.gguf, dengan blob lisensi 10,5 KB dan blob parameter 18-byte, dengan total 849.659.968 byte.

• Ukuran yang dilaporkan — 850 MB untuk tag default dan 1,2 GB untuk 600m-bf16, keduanya seperti yang tercantum di halaman pustaka.

• Batas minimum runtime — memerlukan: 0.40.4 dalam blob konfigurasi, yang juga melaporkan model_family: lfm2, model_type: 380.73M dan jenis file Q8_0.

• Konteks — blob parameter mengunci num_ctx ke 16.384.

• Lisensi — teks tersemat adalah LFM Open License v1.0, yang menyebut Liquid AI, Inc. sebagai pemberi lisensi, sesuai dengan pengenal lfm1.0 pada kartu model.

Proyektor itu layak diperiksa ulang, karena ukurannya lebih besar daripada model yang dilekatinya. Membaca metadata GGUF langsung dari blob registry menunjukkan clip.has_vision_encoder = True dan clip.has_audio_encoder = True dalam file yang sama: 197 tensor visi di 12 blok dengan embedding selebar 768 dan input 256 piksel, serta 641 tensor audio di 17 blok dengan embedding selebar 512 dan 128 bin mel. Itulah menara SigLIP2 dan encoder FastConformer yang keduanya ikut dalam bundel multimodal, itulah sebabnya trunk 381M parameter dikirim di balik lampiran 442 MB. Kemampuan audio secara fisik ada dalam paket yang Anda unduh; pertanyaan apakah endpoint dapat mencapainya akan dibahas nanti.

Model ini memiliki 587M parameter dan lencana 125K lebih besar daripada kenyataannya.

Halaman Ollama mengiklankan “jendela konteks 125K” di setiap tag. num_ctx milik paket itu sendiri adalah 16.384, dan kartu model Liquid AI menyatakan hal yang sama dengan kata-kata: 16.384 token yang mencakup posisi teks, gambar, dan audio secara bersamaan, dengan teks state dan pertanyaan dipotong menjadi 896 token setiap kali ada gambar. Angka 125K dapat dilacak — GGUF trunk membawa lfm2.context_length = 128000 — tetapi itu adalah batas atas arsitektur, bukan jendela yang Anda dapatkan, dan itulah angka yang paling mungkin menyesatkan seseorang yang menentukan ukuran pengganti untuk pengklasifikasi konteks panjang. Anggap 16.384 sebagai angka kerja dan 896 token teks sebagai angka kerja saat ada gambar dalam state.

Sisa metadata menegaskan kartu model, bukan klaim pemasaran. Trunk-nya terdiri atas 18 blok, embedding selebar 1.024, dan kosakata 65.536, serta bukan decoder: lfm2.attention.causal adalah False. Jumlah head KV per lapisan terbaca 0, 0, 8, 0, 0, 8, …, yang berarti sebagian besar blok tersebut sama sekali bukan blok attention, dan di sinilah asal-usul encoder bidirectional itu terlihat. Decision head terdiri atas dua blok (lfm2.decision.block_count = 2), dan konstanta kalibrasi yang disimpan vendor di config.json juga ada di GGUF ini — pertanyaan pilihan memiliki temperature 1,7465 pada dua opsi, 1,3999 pada tiga hingga lima opsi, 1,1751 pada enam hingga sepuluh opsi, dan 1,3725 di atas sebelas opsi; ya/tidak adalah 1,6663; pertanyaan berskor adalah 1,7301 pada tiga hingga lima tingkat dan 1,0 pada enam hingga sepuluh tingkat. Itulah keseluruhan desainnya dalam satu tempat: sekumpulan jawaban bernama yang tetap, diskor dalam satu lintasan, dikalibrasi per bentuk pertanyaan, dengan output_tokens: 0 di akhir.

Ini bukan model chat dan tidak menulis teks. Liquid AI mencantumkan lima belas bahasa, menempatkan data pelatihan audio hanya dalam bahasa Inggris — permintaan antara penutur dan asisten — dan membatasi klip hingga 30 detik. Kartu tersebut juga memperingatkan agar tidak menggunakan bfloat16 pada GPU: dalam pemeriksaan dari vendor itu sendiri, bfloat16 mengubah jawaban teratas pada 0,8% baris teks dan 1,7% baris audio, sedangkan float16 cocok dengan float32 di semua kasus.

Audio ada di dalam bobot dan tidak ada dalam API yang terdokumentasi

Inilah ketidaksesuaian yang perlu diketahui sebelum Anda melaporkan bug. Readme halaman pustaka, yang ditulis Liquid AI, mendokumentasikan audio dengan menempatkan WAV base64 di dalam array images pada permintaan /v1/systemone. Readme Hugging Face GGUF milik vendor untuk checkpoint yang sama mendokumentasikannya secara berbeda, dengan array files yang membawa data:audio/wav;base64,… ke server llama.cpp. Dan referensi endpoint yang diterbitkan Ollama tidak mendokumentasikan keduanya: skema permintaannya memiliki state, images, questions, dan keep_alive, mendeskripsikan images sebagai "Memerlukan model dengan visi, seperti Clef," serta tidak memuat field audio dan sama sekali tidak memuat field files. Sementara itu, panduan model keputusan milik Ollama sendiri menyebut Nimble, Tev1, Clef, dan Clef Flash sebagai model keputusan dan hanya menyatakan bahwa model Clef juga dapat menilai gambar.

Jadi, posisi jujur soal audio di Ollama saat ini adalah: encoder terverifikasi ada di blob, readme vendor menyatakan bahwa itu berfungsi melalui gambar, dan skema yang dipublikasikan tidak mengakuinya. Input gambar pada model yang sama lebih kuat landasannya — visi adalah kemampuan System One yang terdokumentasi dan d1-omni muncul dalam daftar kategori visi Ollama. Dua celah dokumentasi yang lebih kecil menyertai celah itu: referensi endpoint mengizinkan hingga 255 kunci opsi dalam pertanyaan pilihan, sementara panduan keputusan menyebutkan 2 hingga 26, dan batas minimum runtime paket 0.40.4 lebih tinggi daripada 0.35.0 yang dikutip dokumentasi endpoint.

Tergolong dalam visi, bukan dalam keputusan

Pencarian model Ollama memfilter model keputusan ke kategori tersendiri. Kategori itu berisi sembilan entri — nimble-v3, pplx-decider, kev, tev1, nimble, clef-flash, clef, laya, dan strands-decider — dan baik d1 maupun d1-omni tidak ada di antaranya. Halaman d1-omni diberi tag vision dan 600m, dan memang muncul dalam daftar vision, sehingga pembaca yang menelusuri "decision model" tidak akan menemukan yang terbaru. Itu masalah kemudahan ditemukan, bukan masalah kemampuan, tetapi hal ini penting jika Anda berencana membandingkan keluarga model keputusan di katalog Ollama sendiri dan menyimpulkan bahwa model ini tidak ada.

Yang juga berarti adalah bahwa d1-omni adalah model keputusan pertama di pustaka Ollama yang sama sekali dapat menerima masukan suara — encoder audio ada di dalam paket dan tidak ada satu pun model lain dalam daftar sembilan model itu yang memilikinya. Apakah endpoint akan memberikan WAV Anda kepadanya adalah pertanyaan terbuka dari bagian di atas, dan itu adalah satu hal yang paling mungkin telah berubah pada saat Anda membaca ini.

Angka-angka itu, dan siapa yang menghasilkan masing-masingnya.

Setiap angka akurasi yang dilampirkan pada Liquid AI d1-omni-600M adalah milik Liquid AI, dan sejauh yang dapat kami temukan, tidak ada evaluasi independen atas model d1 mana pun yang ada — tidak ada baris papan peringkat, tidak ada uji pihak ketiga, tidak ada penolakan yang diterbitkan atas penilaian vendor. Vendor menilai sendiri kedua checkpoint d1 dengan penilai Decision Index resmi alih-alih mengirimkannya ke papan peringkat publik, dan menyatakan hal itu di kartu; setiap baris pesaing dalam tabelnya berasal dari leaderboard v0.2.1, yang berarti perbandingan tersebut adalah angka yang dinilai sendiri yang berdampingan dengan angka-angka yang dinilai secara eksternal.

• Decision Index 0.2.1 — 15,95 untuk d1-omni-600M (pengetahuan 8,3, bahasa 12,9, retrieval 35,0, alat 15,1, seni 6,8) dibandingkan dengan 48,57 untuk d1-3B.

• Benchmark sebagai keputusan, rata-rata dari tujuh — 78,4 untuk d1-omni-600M dibandingkan 82,9 untuk d1-3B, dengan model 600M unggul pada Civil Comments (95,8 vs 93,0) dan PAWS-X (79,5 vs 76,9) serta tertinggal pada BoolQ (77,7 vs 86,7) dan SQuAD 2.0 (74,0 vs 85,3).

• Keputusan Cepat, dev split — 76,9, dilaporkan vendor, tidak ada baris perbandingan yang dipublikasikan.

• Kecepatan — tidak ada. Kartu tersebut menyatakan secara jelas bahwa angka inferensi tidak dilaporkan karena ini adalah rilis penelitian awal yang masih dalam pengembangan aktif, jadi klaim latensi apa pun yang Anda lihat untuknya di tempat lain adalah hasil pengukuran orang lain sendiri.

• Angka fixture di halaman Ollama — contoh yang dikerjakan dalam readme menunjukkan urgent dijawab pada 0.998 dan technical pada 0.995. Itu adalah keluaran ilustratif dari satu permintaan, yang diterbitkan oleh runtime, dan bukanlah benchmark.

Selisih antara 15.95 dan 48.57 adalah hal paling berguna pada kartu itu, karena menjawab pertanyaan pembelian dengan kata-kata vendor sendiri: readme memberi tahu Anda untuk menggunakan d1 ketika akurasi pada teks dan gambar adalah yang terpenting dan memilih d1-omni ketika ukuran menjadi pertimbangan atau Anda membutuhkan audio. Model 587M yang mencetak 78.4 pada tujuh tolok ukur publik, jika diterjemahkan menjadi keputusan, adalah pengklasifikasi edge yang masuk akal. Ini bukan versi lebih kecil dari 3B.

Di mana OrcaRouter cocok, dan di mana tidak

Kami tidak menyediakan model ini. Pemeriksaan katalog kami pada 18 Oktober menghasilkan 208 id model dan tidak satu pun berasal dari Liquid AI, jadi tidak ada di sini yang merupakan klaim ketersediaan dan tidak ada jalur di sisi kami untuk mengambilnya. Jika Anda menginginkan Liquid AI d1-omni-600M, jalur lokal adalah yang dijelaskan di atas, dan jalur hosted adalah API milik vendor itu sendiri serta platform pihak ketiga mana pun yang mengadopsinya.

Yang diubah oleh kemasan adalah bentuk sistem di sekitarnya, dan di situlah kami berguna. Model keputusan hampir tidak pernah menjadi keseluruhan pipeline: tiket yang dilabelinya, frame yang ditandainya, dan transkrip yang dirutekannya tetap harus dijawab, diringkas, atau dieskalasi oleh sesuatu yang menulis teks. Panggilan generatif itu berada di balik satu kunci yang kompatibel dengan OpenAI untuk 200+ model terkelola pada harga daftar penyedia, diteruskan dengan markup 0%, sehingga perubahan harga vendor sampai kepada Anda pada hari yang sama, bukan pada kontrak baru. Dan karena d1-omni-600M hadir tanpa bukti akurasi independen dan tanpa latensi yang dipublikasikan, cara yang tepat untuk menghadapkannya pada lalu lintas nyata adalah di balik failover otomatis antarpenyedia — biarkan ia menangani panggilan yang diyakininya, dan sediakan rute keluar saat ia tidak yakin, alih-alih menjadikan 587 juta parameter sebagai satu titik kegagalan untuk langkah triase Anda. Keputusannya tetap lokal; fallback-nya tidak harus demikian.

Apa yang akan mengubah pembacaan ini?

Empat hal, yang salah satunya saja akan mengubah catatan pengemasan menjadi artikel yang berbeda. Ollama mendokumentasikan audio dalam skema permintaan System One, yang akan mengubah trik WAV-dalam-gambar di readme menjadi input yang didukung dan menjadikan ini model keputusan pertama yang mampu menangani ucapan yang dapat Anda jalankan dengan satu perintah. Salah satu perusahaan mengakui port tersebut — Liquid AI menambahkan d1-omni ke halaman Ollama dalam dokumentasi deployment-nya, atau Ollama mencantumkannya di bagian model keputusan alih-alih vision. Angka kecepatan dari siapa pun, vendor atau bukan, karena saat ini belum ada. Dan baris Decision Index independen untuk model d1 mana pun, yang tetap menjadi satu-satunya kepingan yang hilang di seluruh keluarga model ini.

Sampai saat itu, keputusannya lugas. Jika Anda sudah menjalankan Ollama versi 0.40.4 atau lebih baru, pull-nya cukup satu perintah, unduhannya 850 MB, dan yang Anda dapatkan adalah classifier 587M yang menjawab pertanyaan yang diketik dalam satu forward pass atas teks dan gambar — dan, jika readme benar, atas lebih dari 30 detik ucapan bahasa Inggris. Jika state Anda panjang, ingatlah jendela 16.384 token dan anggaran teks 896 token, bukan lencana 125K. Dan jika Anda memerlukan bukti bahwa model ini akurat sebelum model ini memberi label pada apa pun yang dilihat pelanggan, bukti itu belum ada, baik untuk model ini maupun model-model saudaranya.

Kegagalan AI yang terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.