Liquid AI d1 vs Liquid AI d1-3B: Apa yang Disebut Ollama Library sebagai Satu Model dan yang Disebut Vendor sebagai Dua

Ada dua cara untuk menamai kumpulan bobot yang sama, dan Liquid AI d1 dan Liquid AI d1-3B menunjukkan perbedaannya lebih baik daripada perbandingan parameter apa pun. Kurangi satu tanda hubung dan akhiran ukuran dari nama kedua, dan Anda mendapatkan yang pertama, sehingga menggoda untuk menganggap string yang lebih pendek sebagai nama panggilan. Dua katalog yang benar-benar mencantumkan model-model ini tidak sependapat dengan tafsiran itu. Indeks dokumentasi Liquid AI sendiri menempatkan d1 di barisnya sendiri dengan huruf "API" di tempat tautan unduhan, dan menempatkan d1-3B dan d1-omni-600M dalam sepasang baris terpisah dengan tautan Hugging Face dan GGUF yang berfungsi serta "Tidak" di kolom dapat dilatih. Ollama, yang entri pustakanya membuat pasangan ini sama sekali layak untuk dibahas, menggabungkan semuanya menjadi satu halaman bernama d1, menggambarkannya dalam satu baris sebagai "model keputusan 3B dari Liquid AI, dibangun di atas LFM2.5-VL-3B," dan menawarkan tepat tiga tag di bawahnya. Perbandingan Liquid AI d1 dengan Liquid AI d1-3B oleh karena itu bukanlah perbandingan antara endpoint yang dihosting dan checkpoint terbuka, dan juga bukan perbandingan antara dua checkpoint. Ini adalah perbandingan antara endpoint yang dihosting dan checkpoint terbuka yang dianggap oleh ekosistem runtime lokal sebagai d1 ketika Anda menyebut kata itu tanpa kualifikasi. Sebagian besar dari apa yang menyusul membahas tafsiran mana yang sebenarnya diandalkan oleh deployment Anda.

Catatan tentang bagaimana angka-angka di bawah ini diperoleh sumbernya, karena kejujuran lebih penting daripada formatnya. Semua yang bersifat numerik di sini adalah pelaporan Liquid AI sendiri, pada kartu model atau dalam postingan rilis 7 Oktober. Baris-baris Decision Index diberi skor oleh vendor dengan penilai resmi, bukan diajukan untuk pemeringkatan publik, dan tidak ada pihak ketiga yang secara independen mereproduksi hasil d1 apa pun yang dapat kami temukan. Jika suatu angka merupakan hasil aritmetika atas angka yang dipublikasikan, bukan suatu pengukuran, hal itu dinyatakan demikian.

Dari mana kedua nama itu berasal

Nama yang lebih pendek lebih tua. Postingan Liquid AI tanggal 5 Oktober memperkenalkan model sebagai Liquid AI d1 — "model keputusan pertama kami," multimodal dalam rilis itu, menjawab pertanyaan yang diketik berdasarkan keadaan teks, gambar, atau keduanya, dalam satu forward pass dengan nol token keluaran. Postingan itu menyebutkan harga layanan hosted sebesar $0,04 per juta token masukan, hanya menagih token masukan, dan mencatat bahwa gambar dikenai biaya seperti teks pada 1,5 token per patch 32×32, sehingga gambar 1024×1024 berbiaya 1.536 token. Postingan itu juga memberikan latensi keputusan teks sebesar 200–300 ms. Angka-angka tersebut adalah angka layanan hosted, dan postingan itu secara eksplisit menyatakan bahwa runtime di baliknya adalah endpoint keputusan milik vendor itu sendiri di api.liquid.ai/decisions/v1/systemone.

Nama yang lebih panjang muncul dalam postingan 7 Oktober dan di Hugging Face, dan itulah yang membawa detail yang dapat direproduksi: 3,12B parameter, konteks 32.768 token, kosakata 128.000 token, enam belas bahasa yang didokumentasikan, encoder visi 400M SigLIP2 NaFlex yang dioptimalkan untuk bentuk, dan rantai dasar LFM2.5-2.6B-Base → LFM2.5-VL-3B → d1-3B. Kartu itu juga menyatakan secara gamblang bahwa model tersebut bukan model obrolan dan tidak menulis teks. Inilah checkpoint yang menjadi fondasi seluruh ekosistem lokal: repositori GGUF memuat Q4_K_M pada 1,67 GB, Q8_0 pada 2,87 GB, serta F16 dan BF16 masing-masing pada 5,4 GB.

Apa yang tidak dikatakan secara terang-terangan oleh dokumen vendor mana pun adalah bahwa Liquid AI d1 dan Liquid AI d1-3B adalah bobot yang sama. Indeks dokumentasi menetapkan keduanya pada baris yang terpisah. Tulisan rilis menyebut d1 sebagai sebuah keluarga, bukan checkpoint. Tulisan-tulisan pihak ketiga telah menyadari celah ini dan mencatat bahwa vendor belum mengonfirmasi identifikasi tersebut. Jadi pernyataan yang jujur itu singkat saja: angka-angka yang dipublikasikan bersama kedua nama itu tidak bertentangan di mana pun yang dapat kami temukan, rilis keluarga dan endpoint yang dilayani diumumkan terpisah dua hari dengan deskripsi yang kompatibel, dan vendor belum mengatakan bahwa keduanya adalah model yang sama. Perlakukan kesetaraan ini sebagai asumsi kerja yang wajar dan bukan sebagai fakta yang telah disahkan vendor dengan namanya.

Apa yang sebenarnya diubah oleh build lokal

Entri Ollama bukanlah rilis ulang dan bukan checkpoint baru. Ini adalah keputusan pengemasan, dan pengemasan itu memberlakukan tiga batasan yang sama sekali tidak disebutkan dalam dokumentasi vendor itu sendiri. Yang pertama adalah daftar tag: d1:latest, d1:3b dan d1:3b-q8_0, tiga tag yang menamai satu kuantisasi. Repositori GGUF yang diterbitkan Liquid memuat empat presisi, dan Q4_K_M berukuran 1,67 GB — yang paling mungkin diambil orang di laptop — tidak termasuk di antara tag Ollama. Yang bisa Anda tarik adalah Q8_0 berukuran 2,87 GB dan sebesar apa pun hasil perluasannya di penyimpanan lokal; halaman pustaka melaporkan unduhannya sebesar 3,7 GB.

Yang kedua adalah kontrak permintaan. Ollama menjawab model-model ini di /v1/systemone, menerima state plus objek questions, dan mengembalikan jawaban bertipe dengan output_tokens: 0. Itu bentuk yang sama dengan yang digunakan endpoint hosted vendor, yang membuat peralihan antara lokal dan hosted menjadi perubahan konfigurasi, bukan penulisan ulang. Batasan ketiga terdapat di dokumentasi endpoint Ollama, bukan di halaman model, dan lebih ketat daripada batasan model generatif: permintaan harus muat dalam 64 KiB tanpa gambar dan 32 MiB dengan gambar, streaming tidak didukung, model yang dihosting di cloud ditolak, dan gambar harus berupa base64 PNG, JPEG, atau WebP di body permintaan — URL remote ditolak. Gambar dipakai bersama oleh setiap pertanyaan dalam satu permintaan, jadi gambar yang hanya ingin dipertimbangkan oleh satu jawaban memerlukan panggilan tersendiri. Input tidak pernah dipotong, yang berarti state yang terlalu besar mengembalikan error, bukan dipotong secara diam-diam. Itu mode kegagalan yang lebih baik, dan itu tetap mode kegagalan yang harus ditangani klien Anda.

Dua detail dokumentasi masih belum terselesaikan dan perlu diketahui sebelum Anda mengajukan bug. Referensi endpoint Ollama menjelaskan tipe pertanyaan pilihan sebagai menerima 2 hingga 255 kunci opsi, sedangkan halaman kapabilitas decision-models-nya menyebut 2 hingga 26; salah satu dari keduanya sudah kedaluwarsa. Dan halaman kapabilitas tersebut mencantumkan model yang didukungnya sebagai Nimble, Tev1, Clef, dan Clef Flash, tanpa menyebut d1 — padahal readme paket d1 sendiri mendokumentasikan dukungan /v1/systemone dan --ask, dan paket tersebut memerlukan Ollama 0.40.4 sementara batas versi minimum yang didokumentasikan endpoint itu sendiri adalah 0.35.0. Bacalah persyaratan versi pada paket, bukan yang ada di panduan.

Angka-angkanya, dan dengan nama apa angka-angka itu diterbitkan

Ini adalah bagian dari pemasangan yang paling mudah salah, karena kedua nama tersebut dipublikasikan dengan angka kinerja dan angka-angkanya tidak disusun seperti yang Anda duga.

• Decision Index 0.2.1 — 48,57, dipublikasikan dengan Liquid AI d1-3B. Liquid menggambarkannya sebagai skor terbaik untuk model keputusan di bawah 10B parameter dan menempatkannya di depan model 35B-A3B pada 47,11. • Latensi keputusan teks — 200–300 ms, dipublikasikan dengan Liquid AI d1 dalam postingan API terhosting. Tidak ada angka setara yang disematkan pada nama checkpoint terbuka itu sendiri. • Latensi pertanyaan tunggal pada perangkat keras lokal — 8 ms pada RTX 4090, 16 ms pada Jetson AGX Thor, 26 ms pada Jetson AGX Orin 64 GB, 50 ms pada Orin Nano, 30 ms pada Apple M5 Pro. Dipublikasikan dengan Liquid AI d1-3B. • Throughput — 475 keputusan per detik pada RTX 4090 dan 1.106 per detik pada AMD MI325X dengan pertanyaan dikemas ke dalam batch. Dipublikasikan dengan Liquid AI d1-3B. • Visi — rata-rata 74,1 pada sebelas tolok ukur gambar publik, dibandingkan dengan 73,9 untuk basis LFM2.5-VL-3B yang menjadi asal pembuatannya. Dipublikasikan dengan Liquid AI d1-3B. • Ablasi gambar — kumpulan pertanyaan yang sama yang dijawab dengan gambar dihilangkan mendapat skor 45,1, yang merupakan ukuran vendor sendiri tentang kontribusi jalur visi. Dipublikasikan dengan Liquid AI d1-3B.

Dua masalah muncul dari daftar itu dan tidak satu pun bersifat fatal, yang justru membuat keduanya terabaikan. Angka hosted dan angka lokal terpaut 25 hingga 37 kali — 200–300 ms versus 8 ms — dan keduanya diukur pada hal-hal yang tidak dijelaskan vendor dengan istilah yang sebanding. Menafsirkan selisih itu sebagai "lokal lebih cepat" tidak didukung, karena angka hosted bersifat end-to-end melalui API dan 8 ms adalah forward pass pada GPU tertentu. Keduanya bukan pengukuran yang sama, dan vendor tidak pernah mengklaim demikian.

Masalah kedua adalah baris visi. Peningkatan 0,2 poin dibandingkan model dasar pada sebelas tolok ukur gambar berada di dalam batas noise pada sebagian besar pelaporan tolok ukur, jadi apa pun yang Anda dapatkan dari head keputusan, itu bukan encoder gambar yang secara material lebih baik. Baris ablasi terlihat jauh lebih mengesankan ke arah sebaliknya — perubahan sekitar 29 poin saat gambar ditambahkan — tetapi baris itu membandingkan dua kumpulan pertanyaan yang berbeda, bukan dua versi dari satu kumpulan yang sama, yang dinyatakan Liquid dalam postingan itu sendiri. Kedua baris tersebut berguna. Tidak satu pun mendukung klaim yang kuat tentang kualitas keputusan visual, dan tidak ada pihak ketiga yang menjalankan salah satu pun.

Di mana kedua nama tersebut berbeda dalam praktiknya

Bagi seorang pembeli, perbedaannya bergantung pada empat pertanyaan, dan jawabannya tidak semuanya mengarah ke arah yang sama.

• Bentuk biaya — Liquid AI d1 ditagih per token input, pada tarif yang dipublikasikan vendor, tanpa token output yang perlu dibayar. Liquid AI d1-3B adalah unduhan 2,87 GB dalam kemasan Ollama atau 1,67 GB dari repo GGUF vendor, tanpa meteran per panggilan sama sekali. • Latensi, terukur — jalur hosted menyebut 200–300 ms per keputusan teks. 8 ms yang dipublikasikan jalur lokal adalah forward pass pada RTX 4090 dengan model yang sudah dihangatkan, yang merupakan angka nyata dan bukan perjalanan bolak-balik permintaan. • Jalur data — jalur hosted mengirim state ke vendor. Jalur lokal menyimpannya di mesin, yang untuk tiket dukungan, catatan medis, atau foto biasanya menjadi argumen yang mengakhiri diskusi. • Penyematan versi — Liquid AI d1 di balik endpoint adalah apa pun yang vendor sajikan hari ini. Liquid AI d1-3B di Ollama adalah paket tetap yang Anda kendalikan, dan pertukarannya adalah Anda yang memiliki upgrade-nya.

Kenyataan canggung di balik keempatnya adalah bahwa checkpoint terbuka merupakan saudara dari model yang dihosting, bukan penggantinya, dan pihak vendor tidak menyatakan sebaliknya. Kartu model untuk checkpoint terbuka merekomendasikannya untuk perutean dan triase, moderasi, klasifikasi maksud, pemeriksaan ekstraksi, pemeringkatan ulang, LLM sebagai penilai, dan guardrails, serta menggambarkannya sebagai model yang menjalani pasca-pelatihan pada LFM2.5-VL-3B untuk keputusan terkalibrasi dalam satu lintasan. Postingan tentang versi yang dihosting menjelaskan rangkaian tugas yang sama dengan kata-kata berbeda dan mencantumkan harga versi yang dihosting. Jika keduanya adalah satu model yang sama, build lokal adalah salinan gratis dari produk yang dihosting, yang akan menjadi hal tidak biasa bagi sebuah lab untuk dirilis tanpa mengatakannya. Jika keduanya adalah dua hasil fine-tuning dari basis yang sama, angka-angka yang dipublikasikan tidak semestinya diasumsikan dapat ditransfer ke arah mana pun. Penjelasan kedua menuntut lebih sedikit dari pihak vendor dan lebih cocok dengan bukti yang kita miliki.

Menjalankan kedua bagian keputusan tanpa menjalankan dua stack

Nama apa pun yang Anda pilih, pipeline di sekitarnya cenderung terlihat sama. Antrean dukungan menerima pertanyaan pilihan tentang tim tujuan, pertanyaan noul tentang apakah pengembalian dana diajukan, dan pertanyaan skor untuk urgensi — satu state, tiga jawaban, satu kali proses. Di mana kedua nama itu benar-benar berbeda adalah pada titik ketika keputusan tersebut menjadi gerbang bagi panggilan ke model generatif yang Anda sewa alih-alih jalankan sendiri. Panggilan itu adalah masalah yang berbeda dengan profil kegagalan yang berbeda, dan itulah bagian pipeline tempat d1benar atau tidaknya paling tidak penting: jawaban routing berprobabilitas 0,98 yang diikuti oleh 502 dari model yang Anda tuju tetap merupakan permintaan yang gagal, apa pun yang terjadi.

Kami tidak meng-host model Liquid AI apa pun — kami memeriksa katalog kami sendiri sebelum menulis ini — jadi tidak ada apa pun di sini yang merupakan klaim tentang memanggil bobot ini melalui kami. Yang kami lakukan adalah lapisan di sisi lain dari keputusan: satu kunci yang kompatibel dengan OpenAI untuk model-model yang menjadi tujuan penyebaran permintaan yang telah ditriase, pada harga daftar masing-masing penyedia yang diteruskan apa adanya dengan markup 0%, sehingga pemotongan harga vendor sampai kepada Anda pada hari pemotongan itu berlaku, bukan pada saat perpanjangan kontrak, dengan failover otomatis antar penyedia sehingga permintaan yang telah ditriase tetap bertahan ketika model yang Anda tuju menjadi tidak aktif. Jika Anda baru pertama kali menghubungkan model keputusan ke dalam pipeline, itulah bagian yang layak dibuat membosankan.

Nama mana yang harus digunakan, sesuai situasi

Jika Anda ingin mencoba model ini minggu ini tanpa lingkungan Python yang layak dipertahankan, gunakan nama yang dipakai runtime lokal. Tarik Liquid AI d1 dari pustaka, terima Q8_0 dan 3,7 GB, dan jadikan batas permintaan 64 KiB serta aturan tanpa streaming sebagai kendala desain, bukan gangguan. Anda mendapatkan endpoint nyata, jawaban bertipe nyata, dan tanpa meteran per panggilan pada hari pertama.

Jika Anda memerlukan ukuran yang lebih kecil daripada Q8_0, nama yang harus digunakan adalah Liquid AI d1-3B, karena build Q4_K_M berukuran 1,67 GB berada di repositori GGUF vendor dan bukan di entri pustaka. Fakta tunggal itu adalah perbedaan paling praktis antara kedua nama tersebut saat ini, dan itulah hal yang paling mungkin terlewatkan oleh siapa pun yang membaca halaman pustaka lalu berhenti di situ.

Jika Anda menempatkan ini di depan pengguna berbayar dan perlu bukti akurasi terlebih dahulu, tidak ada satu pun dari kedua nama itu yang membantu Anda untuk saat ini. Kami tidak menemukan evaluasi independen untuk model d1 mana pun, baris-baris Decision Index dinilai sendiri, dan vendor sama sekali belum menerbitkan tolok ukur keputusan audio. Yang bisa Anda lakukan adalah menginstrumentasikan nilai keyakinan yang sudah dikembalikan model — 0 hingga 1, yang mencerminkan seberapa kuat probabilitas mendukung satu jawaban, bukan seberapa besar kemungkinan jawaban itu benar — lalu mencari tahu sendiri pada traffic Anda di titik mana sistem ini tidak yakin. Pengukuran itu lebih berharga daripada slide mana pun di atas, dan hanya butuh satu hari.

Model keputusan adalah separuh pipeline yang murah. Model generatif yang menjadi tujuan peruteannya adalah separuh yang memerlukan kontrak — satu kunci yang kompatibel dengan OpenAImembawa model-model yang menjadi tujuan penyebaran permintaan yang telah ditriase, masing-masing pada harga daftar penyedianya yang diteruskan dengan markup 0%.

Mengukur checkpoint yang telah didistilasi terhadap rilis lengkapnya sendiri juga merupakan momen yang tepat untuk memeriksa catatan: insiden AI dan kegagalan agen yang terdokumentasi seputar model Liquid kecil dikumpulkan di the OrcaRouter AI Incident Archive, di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan tanda yang diperdebatkan.