d1-2B vs Liquid AI d1-omni-600M: quando l'input decisivo è il suono

Metti una nota vocale e una fattura fotografata davanti a questi due modelli e solo uno dei due può rispondere, e non è quello con il punteggio migliore. d1-2B legge testo, JSON, immagini e video, e non può accettare audio in alcun modo. Liquid AI d1-omni-600M legge testo con immagini o testo con fino a 30 secondi di parlato, e non può accettare audio e immagini nella stessa richiesta. Questa singola asimmetria decide la maggior parte delle implementazioni reali prima che venga consultato l'uno o l'altro benchmark. Quella che segue è comunque la versione onesta del confronto: dove il modello da 587M è davvero competitivo, dove il modello da 1,92B non è vicino a essere sostituibile, e l'unico schema di pipeline che li usa entrambi senza far finta che siano alternative.

La decisione è una questione di modalità, non di punteggio.

Un modello decisionale prende uno stato e un insieme di domande denominate e restituisce una probabilità per ogni risposta, senza token generati. Lo stato è l'intero input, e il tipo dello stato è il vincolo determinante. La scheda di d1-2B elenca testo, JSON, immagini e video. La scheda di Liquid AI d1-omni-600M elenca testo con immagini, oppure testo con audio — e il codice applica l'esclusione: passare sia un'immagine sia un clip audio a system_one solleva un ValueError.

Quindi la prima domanda non è quale modello ottenga un punteggio più alto. È se la cosa che devi giudicare arriva come pixel, come testo o come forma d'onda. Se arriva come forma d'onda, in questa coppia c'è una sola risposta, e il resto di questa pagina riguarda quanta accuratezza sacrifichi per ottenerla.

Cosa si compra davvero con 587M

Il 600M non è una versione ridotta di d1-2B. È una costruzione diversa, e vale la pena vedere il budget voce per voce perché spiega sia i suoi punti di forza sia il suo limite.

• Parametri — 587M in totale: un tronco condiviso e una testa decisionale da 381M, un encoder visivo da 94M e un encoder audio da 112M. Ogni modalità passa attraverso gli stessi pesi del tronco.

• Base — LFM2.5-Encoder-350M, un encoder bidirezionale, con una torre visiva SigLIP2 mutuata da LFM2.5-VL-450M e un FastConformer a 17 strati per l'audio.

• Contesto — 16.384 token complessivamente tra posizioni di testo, immagine e audio, e un vocabolario di 65.536 token. La finestra di d1-2B è di 128K.

• Audio — fino a 30 secondi di parlato mono a 16 kHz per richiesta. La scheda è esplicita sul fatto che il lato audio è stato addestrato su richieste tra un parlante inglese e un assistente, il che è una distribuzione ristretta per un modello che le persone useranno su registrazioni di chiamate.

• Regola sui media — immagini o audio, mai entrambi. La scheda documenta il ValueError invece di lasciarti scoprirlo.

• Licenza — LFM Open License v1.0, la stessa struttura a soglia di d1-2B: uso commerciale al di sotto di 10.000.000 $ di fatturato annuo.

• Velocità — non pubblicata. La scheda non riporta cifre di latenza e definisce il modello un rilascio di ricerca preliminare in fase di sviluppo attivo. d1-2B pubblica 5,7 ms su un H100 PCIe, 3,8 ms su un MI325X e 18,6 ms su un M5 Pro.

La tabella della stessa esecuzione e le righe in cui lo scarto è piccolo

Entrambi i modelli compaiono nella tabella benchmark sulla scheda di d1-2B, che valuta quattro modelli d1 open sugli stessi item con lo stesso scorer. Ciò rende il confronto più pulito rispetto alla maggior parte dei confronti tra schede, con un'avvertenza: la scheda di d1-omni-600M riporta 15,95 su Decision Index 0.2.1, mentre questa tabella riporta 18,3 sulla versione 0.3. La differenza è l'edizione dell'indice, ed entrambi i numeri sono corretti per il rispettivo test.

• Decision Index public suite v0.3 — 51,1 per d1-2B rispetto a 18,3 per Liquid AI d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 77,1 vs 58,7.

• Decision Bench (decisionbench.ai) v4 — 85,2 vs 57,9.

• ImajevBench v2.0-lite — 75.5 vs 21.7, il divario più ampio sul lato decisionale tra i due.

• WorkflowEvals — 81,6 vs 48,8.

• Media Vision, 18 benchmark — 70.2 vs 42.8.

• VisualWebBench — 96.2 vs 14.9, che più che un confronto è una dichiarazione su quanto può portare un vision encoder da 94M.

Poi le righe che invitano alla prudenza. Typed Decisions è 61,3 contro 57,5 — un divario di 3,8 punti per un modello con un terzo dei parametri. POPE, il benchmark sulle allucinazioni di oggetti, è 88,7 contro 82,7. JevBench è 77,9 contro 58,0, un ampio divario, ma DecisionBench v4 è 85,2 contro 57,9, e i due insieme indicano che il 600M è disomogeneo anziché uniformemente debole. Il post di lancio di Liquid AI riporta la sua media sui sette benchmark a 78,4, un valore alto per 587M; la scheda di d1-2B non pubblica una media equivalente, quindi le due cifre non dovrebbero essere accostate.

L'unico numero che non lusinga nessuno dei due modelli è quello indipendente. Efraín Garay ha eseguito Liquid AI d1-omni-600M su un campione di 6.000 richieste di Decision Index 0.3 e ha ottenuto 14,0, contro il 14,17 del fornitore sullo stesso campione — una riproduzione fedele. Ha inoltre rilevato che 1.758 richieste superavano il budget di istruzioni e opzioni del modello e venivano rifiutate, conteggiate come errate, il che rappresenta un costo reale di una finestra da 16K su una suite progettata per stati più lunghi.

Dove il 600M è l'unica opzione

Il routing audio è il caso per cui il modello è stato costruito, e gli esempi della scheda sono concreti: routing di chiamate e messaggi vocali, eventi sonori, istruzioni vocali su uno stato scritto. Niente di tutto ciò è disponibile da d1-2B a qualsiasi livello di accuratezza, perché non ha un encoder audio e nessuna posizione audio nel suo schema di input.

Due punti dati indipendenti dovrebbero moderare l'entusiasmo. Il primo è la valutazione di cui sopra, in cui il 600M ha ottenuto un AUC di 0,580 nel rilevamento degli spari e un AUC di 0,593 nella previsione della pioggia su attività con dati reali — appena sopra il caso, e dietro ogni modello più grande testato. Il secondo è una recensione pratica che ha misurato meno di 2 GB di VRAM in uso e ha rilevato che il modello classificava consegna e tono nell'audio in modo molto più affidabile del significato semantico, con domande in stile inferenza vicine al lancio di una moneta. Entrambi indicano la stessa direzione: questo è un modello di screening. È bravo a capire "che tipo di cosa è questa", e non è un sostituto di un modello che comprende ciò che è stato detto.

Non è una critica a un checkpoint da 587M. È ciò che 587M ti danno quando 381M sono un tronco condiviso. Il motivo per usarlo è il costo e l'ingombro — meno di 2GB di VRAM, un repository GGUF dal 6 ottobre, build MLX dal 12 ottobre e una decisione in un solo forward pass — non la fedeltà.

Una cascata che utilizza entrambi

L'errore è considerarli dei concorrenti. Sono due fasi dello stesso filtro, e la pipeline naturale esegue per primo il modello economico.

Fase uno: Liquid AI d1-omni-600M prende in carico l'elemento in ingresso — una nota vocale, una chiamata al supporto, un reclamo scritto con un allegato — e risponde a domande di massima. Si tratta di un problema di fatturazione o di tipo tecnico? Il chiamante è arrabbiato? Questo messaggio contiene almeno una richiesta? Con meno di 2 GB e una sola passata, è abbastanza economico da eseguirlo su ogni elemento.

Fase due: tutto ciò che il 600M colloca vicino al centro della propria scala, o tutto ciò che arriva con un'immagine da leggere, passa a d1-2B. Il 2B dispone di una finestra da 128K, input video e circa il triplo della media nel campo della visione, e vede solo la frazione di traffico che la prima fase non è riuscita a risolvere.

Le soglie sono il lavoro. Entrambe le schede restituiscono probabilità, ed entrambe ti dicono di calibrare sui tuoi dati — la scheda di d1-2B lo dice a chiare lettere. Una cascata con una fascia intermedia non calibrata o manda tutto in escalation, nel qual caso i 600M erano decorazione, oppure non manda nulla in escalation, nel qual caso i 2B non correggono mai lo stadio che non sa leggere.

Esiste una terza fase nella maggior parte dei sistemi reali: il modello che scrive la risposta. È qui che entra in gioco un'API ospitata, ed è qui che OrcaRouter è rilevante. Nessuno dei modelli Liquid AI è servito da noi, quindi i nodi decisionali restano sulla tua GPU; il passaggio generativo che consuma le loro etichette può provenire da un'unica chiave compatibile con OpenAI che copre oltre 200 modelli, con 0% di ricarico sui prezzi di listino dei fornitori e failover automatico se un fornitore smette di funzionare a metà del traffico. Il DSL di routing è anche il modo onesto di esprimere la cascata stessa — i due modelli decisionali come passaggi lato GPU, la generazione della risposta come passaggio ospitato, composti anziché incollati insieme nel codice dell'applicazione.

Quello che nessuno dei due modelli fa, e la terza opzione

Nessuno dei due scrive testo. Entrambi restituiscono risposte tipizzate e probabilità con zero token di output; se il passo successivo richiede prosa, serve un modello diverso. Nessuno dei due gestisce video con audio: d1-2B accetta fotogrammi video ma nessun suono, il 600M accetta l'audio ma non insieme alle immagini, e il limite massimo di 30 secondi per l'audio è un limite invalicabile, non una raccomandazione.

Se il requisito è davvero "audio e immagini nella stessa richiesta", la risposta non è nessuna delle due: è d1-Omni-2B, il fratello da 2,17B che Liquid AI ha creato ventiquattro secondi dopo d1-2B e che accetta testo, immagini, fotogrammi video e clip audio in un unico elenco di media. Il suo punteggio Decision Index è 49,0 sulla stessa tabella v0.3, la sua media nella visione è 67,7 e presenta la stessa assenza di test indipendenti di d1-2B. Costa circa quattro volte i parametri del 600M, che è il prezzo da pagare per non dover scegliere tra modalità.

Quindi la regola è breve. Se lo stato contiene parlato e non serve vedere nient'altro, Liquid AI d1-omni-600M è l'unico membro di questa coppia che può essere eseguito, e va trattato come uno schermo. Se lo stato è testo, immagini o video e la risposta deve reggere, d1-2B è il modello — ed è quello con una cifra di latenza pubblicata, una finestra da 128K e un vantaggio nei benchmark che regge a una lettura riga per riga. Se lo stato ha entrambi, nessuno dei due è la risposta, e lo è il modello omni da 2,17B.