Liquid AI d1 vs Liquid AI d1-omni-600M: Model Keputusan Terbuka yang Dapat Mendengar Anda

Cari nama Liquid AI d1 dan Anda akan menemukan model dengan tiga miliar parameter yang membaca teks dan gambar. Checkpoint terbuka lainnya dalam keluarga yang sama berukuran seperlima dari itu, mempertimbangkan hingga tiga puluh detik ucapan, dan merupakan satu-satunya dari keduanya yang dapat memutuskan apa pun tentang suara. Model itu disebut Liquid AI d1-omni-600M, dan jika Anda menemukan keluarga ini melalui pustaka runtime lokal alih-alih melalui dokumentasi vendor sendiri, ada kemungkinan cukup besar Anda belum pernah melihat namanya. Itulah situasi yang ingin diperbaiki oleh perbandingan ini, karena kedua model tersebut bukanlah jawaban yang bersaing untuk pertanyaan yang sama. Keduanya adalah jawaban untuk dua pertanyaan yang berbeda, dan hanya satu di antaranya yang melibatkan pendengaran.

Setiap angka di bawah ini berasal dari materi Liquid AI sendiri: kartu model LiquidAI/d1-omni-600M, repositori pendamping d1-omni-600M-GGUF, dan posting rilis 7 Oktober yang mengumumkan kedua checkpoint terbuka sekaligus. Baris performanya dinilai oleh vendor pada indeks yang dikelolanya, bukan diajukan untuk pemeringkatan publik, dan posting tersebut menyatakan terus terang bahwa tolok ukur keputusan audio khusus merupakan masalah terbuka. Tidak ada apa pun di sini yang telah direproduksi oleh siapa pun di luar lab.

Dari apa 587 juta parameter itu terbentuk

Angka utama menyembunyikan pembagian yang tidak biasa. Total parameternya mencapai 587M, dan itu bukan satu tumpukan: trunk bersama 381M dengan head pengambil keputusan yang menempel, encoder visi 94M, dan encoder audio 112M. Setiap modalitas melewati bobot trunk yang sama, dan itulah keputusan desain yang menjaga keseluruhannya tetap kecil — model ini bukan tiga model yang memakai satu mantel, melainkan satu trunk pengambil keputusan dengan dua cara untuk memberiinya masukan.

Komponen-komponennya berasal dari berbagai tempat di katalog Liquid. Trunk-nya diturunkan dari LFM2.5-Encoder-350M, sebuah encoder dua arah, bukan dari jalur decoder-only yang menjadi asal saudaranya yang lebih besar. Tower visi adalah SigLIP2 yang diambil dari LFM2.5-VL-450M dengan adapter dan pembaruan LoRA yang diterapkan pada backbone. Jalur audionya adalah encoder FastConformer 17 lapis dengan adapter-nya sendiri, di-fine-tune terhadap backbone teks yang dibekukan. Kartu tersebut melaporkan konteks 16.384 token yang digunakan bersama di seluruh posisi teks, gambar, dan audio, dengan teks dipangkas menjadi 896 token saat gambar ada, serta kosakata 65.536 token — setengah dari 128.000 milik saudaranya yang lebih besar. Angka terakhir itu layak diperhatikan jika Anda bekerja dalam bahasa yang hanya dicakup sebagian oleh keluarga ini.

Bidireksional versus decoder-only adalah alasan kedua model terasa berbeda bagi siapa pun yang pernah menjalankan keduanya. Batang berbentuk encoder membaca seluruh keadaan sekaligus, dalam kedua arah, sebelum menghasilkan apa pun. Yang berbentuk decoder membaca ke depan seperti yang dilakukan model bahasa. Keduanya dilatih untuk melaporkan jawaban dari suatu distribusi dengan nol token keluaran, jadi tidak ada yang menulis teks — tetapi mesin di baliknya adalah kelas model yang berbeda, dan kesenjangan akurasi yang dibahas di bawah ini adalah biaya yang terlihat dari desain berbentuk encoder yang lebih kecil.

Tiga puluh detik pidato, dan tidak ada apa pun untuk menilainya

Audio adalah alasan checkpoint ini ada. Ia menerima satu klip hingga 30 detik, mono 16 kHz, dalam forward pass yang sama yang menghasilkan jawaban, dan ini adalah satu-satunya anggota keluarga open-weight yang dapat melakukannya. Untuk pekerjaan on-device, itu bukan fitur yang marginal. Kamera yang menandai cacat di jalur produksi adalah masalah visi yang sudah ditangani oleh saudara yang lebih besar; perangkat yang mengarahkan permintaan lisan, mengklasifikasikan ucapan, atau memutuskan apakah penelepon meminta pengembalian dana adalah masalah yang hanya dapat diarahkan ke yang ini.

Dua batasan berada di atas kemampuan itu dan keduanya didokumentasikan, yang berarti tidak ada alasan untuk tersandung olehnya di produksi. Pertama, satu permintaan membawa gambar atau audio, tidak pernah keduanya — memberikan keduanya memunculkan ValueError alih-alih diam-diam menghilangkan salah satunya, sehingga kegagalannya mencolok dan murah ditemukan saat pengujian. Kedua, jalur audio dilatih pada pertukaran antara penutur bahasa Inggris dan asisten, dengan klip dipotong pada 30 detik. Itu adalah satu geometri penutur, satu struktur giliran, dan satu distribusi aksen. Mengarahkannya ke rekaman pusat panggilan atau audio lapangan berarti meminta perilaku yang tidak diklaim oleh kartu tersebut, dan itulah jenis celah yang akan diungkap oleh benchmark jika ada.

Tidak ada. Postingan rilis menyebut tolok ukur keputusan audio khusus sebagai "masalah terbuka saat ini" dan mengundang komunitas untuk membuatnya, yang merupakan hal jujur untuk ditulis oleh sebuah lab dan kendala nyata bagi siapa pun yang mengevaluasi model tersebut. Liquid AI d1-omni-600M diminta mempertanggungjawabkan dirinya berdasarkan kekuatan suatu kemampuan yang belum dapat diukur oleh siapa pun. Vendor juga sama sekali tidak mengungkap angka inferensi, dengan alasan yang dinyatakan bahwa model ini adalah rilis riset awal yang sedang dalam pengembangan aktif. Jadi tidak ada angka latensi sama sekali untuk 600M — baik untuk teks, bukan untuk visi, maupun untuk jalur audio yang justru menjadi inti persoalannya.

Yang dapat dikatakan tanpa mengarang apa pun adalah aritmetika pada jumlah parameter yang dipublikasikan: pada presisi float16 yang direkomendasikan kartu untuk GPU, 587M parameter berada pada kisaran 1,2 GB bobot sebelum aktivasi, dibandingkan dengan sekitar 6,2 GB untuk saudaranya yang 3,12B pada presisi yang sama. Kartu tersebut juga memuat peringatan presisi yang mudah terlewat saat membaca sepintas dan seharusnya tidak diabaikan: model dilatih dalam float32, float16 direkomendasikan pada GPU, dan bfloat16 mengubah jawaban teratas pada beberapa baris selama pengujian. Jika stack penyajian Anda menggunakan bfloat16 secara default, ini adalah model yang default tersebut tidak aman.

Mengapa separuh keluarga yang lebih kecil mudah terlewat

Alasan seorang pembaca tiba di 3B dan berhenti bersifat struktural, bukan kebetulan. Indeks dokumentasi Liquid AI mencantumkan tiga baris di bawah model keputusan dan ketiganya tidak terbaca sama: d1-3B dan d1-omni-600Mmembawa tautan Hugging Face dan GGUF dengan "No" di kolom trainable, sementara d1berada di barisnya sendiri dengan huruf polos "API" di tempat yang seharusnya berisi tautan unduhan setiap model lain. Pos rilis menyebut d1sebagai nama keluarga dan tidak pernah membedakan endpoint yang dilayani dari checkpoint terbuka. Pustaka runtime lokal kemudian mengambil 3B, karena itulah satu-satunya yang ukuran dan jumlah modalitasnya cocok dengan entri yang ingin mereka publikasikan, dan 600M sama sekali tidak muncul dalam daftar yang sama.

Hasilnya adalah sebuah keluarga yang cerita akses terpublikasinya, jika dibaca sekilas, tampak seperti satu model dan satu baris API. Yang sebenarnya ditawarkan adalah dua checkpoint terbuka dengan trunk berbeda, modalitas berbeda, dan selisih 32 poin antara skor keduanya pada indeks milik vendor sendiri, plus endpoint terkelola yang hubungannya dengan checkpoint mana pun belum pernah dikonfirmasi vendor. 600M tidak disembunyikan di balik apa pun. Ia sekadar tidak memiliki nama yang akan dimunculkan oleh pencarian untuk d1, dan ia satu-satunya dari keduanya yang mendengar.

Skor yang ada, dan satu-satunya kolom yang layak dibaca

Pada Decision Index 0.2.1 vendor melaporkan 15,95 untuk Liquid AI d1-omni-600M dibandingkan 48,57 untuk saudaranya yang lebih besar — selisih yang cukup besar sehingga totalnya nyaris tidak berguna sebagai dasar untuk memilih. Sub-skornya lebih informatif daripada jumlah totalnya, dan salah satunya benar-benar mengejutkan.

• Pengetahuan — 8,3 berbanding 23,8

• Bahasa — 12.9 dibandingkan 56.4

• Pengambilan — 35,0 dibandingkan dengan 52,8

• Alat — 15,1 berbanding 74,5

• Seni — 6.8 dibanding 36.3

Retrieval adalah area tempat model kecil bertahan, hanya kehilangan kurang dari sepertiga skor model yang lebih besar, sedangkan pada empat kolom lainnya ia kehilangan 60 hingga 80 persen. Pola itu cocok dengan hal yang seharusnya menjadi keunggulan encoder terlatih: mencocokkan state dengan konten itu dekat dengan tujuan trunk dibangun, dan jauh lebih sedikit bergantung pada kemampuan bahasa berlapis yang diwarisi saudara berbentuk decoder dari prapelatihan yang jauh lebih banyak. Kolom Tools adalah kisah yang berlawanan, dan selisih 59 poin di sana adalah angka yang perlu Anda perhatikan jika beban kerja Anda adalah merutekan permintaan ke fungsi yang tepat.

Pada tujuh tolok ukur teks publik, gambaran itu melunak. Vendor melaporkan rata-rata 78,4 untuk 600M dibandingkan 82,9 untuk 3B, dengan model kecil kalah tipis pada SQuAD 2.0 (74,0 vs 85,3), PubMedQA (61,3 vs 66,0), BoolQ (77,7 vs 86,7), dan XNLI (74,7 vs 85,0), tetapi menang pada deteksi toksisitas Civil Comments (95,8 vs 93,0) dan identifikasi parafrase PAWS-X (79,5 vs 76,9). Framing Liquid sendiri adalah bahwa 600M mengalahkan rata-rata 77,1 dari model keputusan 2B dengan seperempat parameter. Dua rangkaian tolok ukur memberikan dua kesimpulan yang tampak berbeda, keduanya dilaporkan sendiri, dan pembacaan yang jujur adalah bahwa keduanya tidak menyelesaikan apa pun tentang jalur audio, karena jalur audio tidak ada di kedua rangkaian tersebut.

Di mana keduanya sebenarnya bertemu

Terlepas dari semua perbedaannya, model pemrogramannya identik, dan itulah yang membuat keduanya dapat dipertukarkan dalam satu pengertian tertentu. Keduanya menjawab pertanyaan noul, pilihan, dan skor terhadap suatu state, keduanya mengembalikan jawaban yang dipilih dengan peta probabilitas dan nilai keyakinan antara 0 dan 1, dan keduanya melaporkan output_tokens: 0. Bidang confidence adalah bidang yang sering disalahpahami orang: bidang ini mengukur seberapa kuat probabilitas mendukung satu jawaban, bukan peluang bahwa jawaban itu benar. Nilai 0,96 pada pertanyaan yang diajukan dengan buruk adalah jawaban salah yang penuh keyakinan, dan bidang itu tidak akan memperingatkan Anda.

Titik temu keduanya dalam praktik adalah sebuah kaskade. Saring dengan Liquid AI d1-omni-600M — secara murah, secara lokal, dan mencakup kasus audio yang tidak dapat ditangani oleh penilai berbasis teks saja — lalu eskalasikan item yang ditempatkannya di sekitar tengah skalanya ke checkpoint yang lebih besar untuk keputusan yang lebih tajam. Aturan eskalasinya adalah keyakinan dan distribusi yang sudah dikembalikan oleh 600M, sehingga logika peruteannya tidak memerlukan model tambahan, dan pada beban kerja yang mayoritas besar itemnya mudah, sebagian besar trafik tidak pernah mencapai tahap kedua. Komposisi itu berhasil karena kedua model mengembalikan jenis objek yang sama. Dua model sembarang tidak akan bisa.

Jika cascade itu pernah menjadi gerbang bagi panggilan ke model generatif yang Anda sewa alih-alih jalankan sendiri, lapisan di bawahnya adalah tempat perpipaan menjadi menarik, dan di situlah kami masuk. Mengarahkan sebuah keputusan melalui rantai model adalah persis bentuk masalah yang menjadi tujuan aturan routing: OrcaRouter menyusun beberapa model di balik satu endpoint yang kompatibel dengan OpenAI, masing-masing pada harga daftar providernya yang diteruskan dengan markup 0%, dengan failover otomatis antar provider sehingga eskalasi yang gagal di lapisan provider akan mencoba ulang pada fallback alih-alih menggagalkan permintaan. Kami tidak menghosting model Liquid AI apa pun — kami memeriksanya sebelum menulis ini — jadi tidak ada yang di atas merupakan klaim tentang memanggil bobot ini melalui kami. Intinya adalah bahwa model keputusan adalah bagian yang murah dari pipeline dan model pinjaman di sisi lain adalah bagian yang mati.

Dari mana file itu berasal, jika Anda ingin menjalankannya hari ini

Untuk deployment lokal, repositori GGUF milik vendor untuk 600M menyediakan Q8_0 pada 407 MB serta F16 dan BF16 masing-masing pada 764 MB, tanpa build 4-bit yang dicantumkan — jadi unduhan resmi terkecil sekitar tujuh kali lebih kecil daripada build yang sesuai dari model yang lebih besar dan kira-kira sama ukurannya dengan foto resolusi sedang. Contoh pada kartu itu sendiri memulai server llama.cpp dengan flag batch 4096 dan menyarankan menaikkannya ke 16384 untuk state yang lebih panjang, lalu melakukan kueri ke endpoint /v1/systemone yang sama dengan yang digunakan oleh model yang lebih besar.

Satu hal yang tidak diberikan oleh rute lokal kepada Anda adalah angka-angka dari jalur audio, karena angka-angka itu tidak ada. Jika Anda berniat menjalankan ucapan melalui ini di depan pengguna nyata, evaluasinya harus Anda bangun sendiri: kumpulan klip berlabel, tiga jenis pertanyaan yang sama, dan tingkat jawaban terukur per kelas. Itu bukan pengabaian terhadap model — checkpoint 587M yang memutuskan atas klip suara dalam satu lintasan adalah alat yang benar-benar berbeda dari pengklasifikasi teks yang ditempelkan ke langkah transkripsi, dan ia layak diuji secara nyata, bukan berdasarkan kesan.

Jika kaskade itu pernah menjadi gerbang bagi panggilan ke model generatif yang Anda sewa alih-alih Anda jalankan sendiri, OrcaRouter menyusun beberapa model di balik satu endpoint yang kompatibel dengan OpenAI , masing-masing pada harga daftar penyedianya yang diteruskan dengan markup 0%.

Memilih checkpoint omni alih-alih yang hanya teks juga merupakan waktu yang tepat untuk melihat apa yang sudah salah di kelas ini: insiden AI dan kegagalan agen yang terdokumentasi yang melibatkan model multimodal kecil dikumpulkan dalam OrcaRouter AI Incident Archive, yang setiap entrinya mencantumkan sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda sengketa.