d1-Omni-2B vs d1-omni: un solo tag, due checkpoint e un divario di otto volte

Scarica d1-omni oggi e ottieni un modello decisionale da 587 milioni di parametri in 850 MB. Scarica d1-omni:2b e ottieni 4,4 GB di qualcosa di completamente diverso — d1-Omni-2B, il modello decisionale audio che Liquid AI ha rilasciato con la famiglia LFM3 il 27 ottobre 2026, rispetto a d1-omni, il nome che Ollama usa da inizio ottobre per il checkpoint d1-omni-600M del fornitore. Non sono le risposte di due fornitori alla stessa domanda. Sono due generazioni della stessa idea, separate da un fattore otto nel numero di parametri, e la scelta tra i due è in realtà una scelta su dove il modello deve essere eseguito. Uno sta su un telefono. L'altro richiede una GPU e, in cambio, fa cose che il più piccolo non può fare affatto.

La denominazione rende questo più difficile di quanto dovrebbe essere, quindi vale la pena dirlo chiaramente prima dei numeri: non esiste un modello Liquid AI chiamato semplicemente d1-omni. La documentazione del fornitore elenca d1-omni-2B e d1-omni-600M come pesi aperti, e d1.1 e d1-ultra come disponibili solo come servizio ospitato. "d1-omni" è un nome di confezionamento — il checkpoint da 587M sotto un'etichetta più breve. Questo è l'avversario in questo confronto, ed è quello che la maggior parte delle persone ha già sul disco.

Che cosa ciascuno è in realtà

Entrambi sono modelli decisionali nel senso del termine usato da Liquid AI: gli si fornisce uno stato e un elenco di domande denominate, e restituiscono risposte tipizzate con probabilità in un singolo passaggio in avanti. Nessuno dei due scrive testo, nessuno dei due produce parlato, ed entrambi riportano zero token di output. La somiglianza finisce all'interfaccia.

• Parametri — 2,17B per d1-Omni-2B rispetto a 587M per d1-omni, suddivisi nel modello piccolo in un tronco condiviso e testa decisionale da 381M, un encoder visivo da 94M e un encoder audio da 112M.

• Architettura — una backbone tri-ibrida LFM3 per il modello 2B: 24 layer composti da 13 convoluzioni corte con gating, 5 attention a finestra scorrevole e 6 attention globale. Il modello da 587M è un encoder bidirezionale LFM2.5 costruito su LFM2.5-Encoder-350M, con una torre visiva SigLIP2 ereditata da LFM2.5-VL-450M e un FastConformer a 17 layer per l'audio.

• Contesto — 128K token con un vocabolario da 128.000 token per il modello 2B. Il modello 587M è documentato a 16.384 token, coprendo insieme posizioni di testo, immagini e audio, e la sua scheda aggiunge che, quando sono presenti immagini, il testo dello stato e della domanda viene ridotto a 896 token, come da addestramento. La pagina di Ollama indica 125K per entrambi i tag, una cifra che il fornitore non pubblica; dimensiona i tuoi prompt in base al numero del fornitore.

• Input — il 2B accetta uno stato testuale o JSON insieme a immagini, fotogrammi video e clip audio in un'unica lista media. Il 587M accetta testo con immagini, oppure testo con fino a 30 secondi di audio, e la sua scheda non documenta la combinazione dei due.

• Tipi di output — sì/no, scelta e punteggio su entrambi. Il 2B aggiunge caselle, selezione multipla, valori estratti con span e numeri con un intervallo. Sono nuovi nella generazione LFM3 e non hanno equivalente sul 587M.

• Su disco — 4,33 GB di safetensors BF16 per il 2B, contro 850 MB per la build Q8_0 di d1-omni e 1,2 GB per il suo tag BF16.

• Licenza — LFM Open License v1.0 su entrambi. Gratuita per uso commerciale al di sotto di $10,000,000 di fatturato annuo, con licenza separata al di sopra di tale soglia.

Cosa offre l’ottavo parametro

Il confronto utile è quello che Liquid AI ha pubblicato essa stessa, perché ha ricalcolato i punteggi di tutti e quattro i modelli d1 sugli stessi elementi con lo stesso scorer. Questo rende le righe confrontabili internamente in un modo in cui le schede più vecchie non lo sono.

• Decision Index suite pubblica, v0.3 — 49,0 per d1-Omni-2B contro 18,3 per d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76,4 contro 58,7.

• decisionbench.ai v4 — 84,7 contro 57,9.

• JevBench v1.4.1 — 75,3 contro 58,0.

• ImajevBench v2.0-lite — 72,3 contro 21,7, il divario più ampio del set e quello che conta di più per il lavoro visivo.

• WorkflowEvals — 77,1 contro 48,8.

• Decisioni tipizzate — 63,1 contro 57,5, il divario più stretto e un promemoria del fatto che non tutti i compiti scalano con i parametri.

• Media Vision, 18 benchmark di immagini — 67,7 contro 42,8.

Quel listino è accompagnato da due avvertenze. La prima è la deriva di versione: la scheda del 7 ottobre riportava d1-omni-600M a 15,95 sul Decision Index v0.2.1, mentre la nuova scheda riporta 18,3 sulla v0.3. Si tratta di suite diverse, e sottrarle misura l'indice, non il modello. La seconda è la provenienza: ogni dato è dichiarato dal fornitore, valutato da Liquid AI, su benchmark selezionati da Liquid AI. Nessuno al di fuori dell'azienda ha pubblicato una run di nessuno dei due checkpoint.

La forma del risultato è però coerente. Sui compiti di tipo classificazione il 587M regge sorprendentemente bene — Typed Decisions è entro sei punti. Su qualsiasi cosa richieda leggere una scena, contare oggetti o interpretare un layout, crolla: 21,7 su ImajevBench contro 72,3, e 14,9 su VisualWebBench nella suite precedente contro 88,6. Se il tuo lavoro è instradare un ticket testuale, i parametri extra sono un lusso. Se il tuo lavoro implica guardare qualcosa, sono l'intero prodotto.

Dove il 587M vince ancora, e il numero che lo dimostrerebbe

L'ampiezza di deployment è il vero vantaggio del modello da 587M, e non è un premio di consolazione. Un modello da 587M in 850MB gira su un laptop, un Raspberry Pi o un telefono, e Liquid AI ha creato la linea d1 esattamente per questo. Un modello da 2.17B in 4.33GB richiede una GPU o una macchina Apple Silicon ben dotata prima di essere piacevole da usare.

Ciò che manca è il confronto della latenza che renderebbe il trade-off preciso. La scheda d1-Omni-2B pubblica una tabella completa delle velocità: 5,8 ms per una domanda e 7,7 ms per tre su una H100 PCIe, 3,7 ms e 5,6 ms su una MI325X, 21,1 ms e 28,9 ms su un M5 Pro, e 1.154 stati al secondo in batch sulla H100. La scheda d1-omni-600M non pubblica nulla, e spiega perché: "Non riportiamo numeri di inferenza per d1-omni-600M poiché è una versione di ricerca preliminare ed è in fase di sviluppo attivo." Quindi il modello più piccolo è quasi certamente più veloce, e non c'è alcun dato del fornitore da citare per quanto. Chiunque ti dica che il 587M è tre volte più veloce sta estrapolando dal numero di parametri.

C'è un vantaggio genuino, legato all'accuratezza, che vale la pena menzionare. La scheda d1-Omni-2B raccomanda d1-2B al posto di se stessa quando non c'è audio, e ne indica le ragioni: d1-2B è più forte sul testo e sulle singole caselle, segnala più spesso i valori mancanti ed è meglio calibrato. Lo stesso consiglio sconsiglia il modello omni per il lavoro solo testuale. Non dice che il 587M sia meglio calibrato — solo che il 2B omni comporta un costo per una capacità che potresti non usare.

La separazione audio è il punto in cui le due generazioni si distinguono nettamente.

L'audio è l'unica modalità in cui entrambi i modelli competono direttamente, e i vincoli sono sufficientemente diversi da decidere un'architettura.

Il modello da 587M accetta fino a 30 secondi di parlato, richiede audio mono a 16 kHz e la sua scheda riporta un avviso esplicito: le capacità audio sono state addestrate su richieste tra un parlante inglese e un assistente, che riguardano il tipo di enunciato, il suo argomento e ciò che il parlante desidera. Si tratta di una distribuzione ristretta, ed è indicata come una limitazione anziché come una nota a piè di pagina.

Il modello 2B supporta il parlato nelle stesse sedici lingue del suo versante testuale, meno hindi, thai, vietnamita e indonesiano, e i risultati audio della scheda includono 84,5 sugli eventi sonori ESC-50 e 92,5 sull'identificazione linguistica FLEURS su 43 lingue. Degrada anche nei modi documentati dalla scheda: gli stati brevi parlati scendono da 42,0 nella forma scritta a 22,8 in quella ascoltata, e i passaggi Belebele in otto lingue scendono da 83,6 a 41,8. I passaggi lunghi parlati perdono accuratezza, soprattutto al di fuori della scrittura latina.

Quindi la distinzione non è «il 2B è migliore nell'audio». È che il 2B percepisce più tipi di audio e continua a faticare con lo stato parlato lungo, mentre il 587M percepisce una porzione più ristretta e controllata e non è mai stato valutato con benchmark su eventi sonori o identificazione della lingua. Per l'instradamento dei comandi vocali in inglese, i vincoli del 587M sono sopportabili. Per il triage delle chiamate multilingue, sono disqualificanti.

Quale tag estrarre

Le regole decisionali sono abbastanza brevi da poter essere enunciate come regole.

• Solo testo e immagini, e nessun audio nel prodotto — non considerare nessuno dei due. d1-2B ottiene un punteggio più alto di d1-Omni-2B sull'indice decisionale, 51,1 contro 49,0, e la scheda dello stesso fornitore ti dice di usarlo. Il premium omni compra audio che non userai.

• Routing vocale su hardware vincolato — d1-omni a 850 MB. Accetta il limite di 30 secondi, la distribuzione di addestramento degli anglofoni e il contesto di 16.384 token, e misura la tua latenza perché il fornitore non ti darà un numero.

• Audio più immagini nella stessa decisione, oppure box e span nell'output — d1-Omni-2B. Il 587M non è in grado di esprimere quelle richieste, quindi non c'è alcun confronto da fare.

• Voce multilingue — d1-Omni-2B, con le quattro lingue escluse verificate rispetto al tuo traffico reale prima di procedere.

• Throughput batch — d1-Omni-2B, la cui scheda è l'unica delle due che pubblichi stati al secondo.

Un segnale di adozione merita di essere registrato perché va contro la narrazione dei benchmark: d1-omni-600M ha totalizzato circa 18.900 download e 148 like su Hugging Face dal 5 ottobre. d1-Omni-2B aveva 36 download e 7 like quattro giorni dopo la comparsa del suo repository. I conteggi iniziali dei download misurano la novità e il confezionamento, non la qualità — il modello da 587M ha un tag Ollama che lo rende a portata di un solo comando — ma descrivono effettivamente quale modello le persone stanno usando oggi.

Dopo la decisione, il resto della chiamata

Qualunque tag tu scelga, il modello decisionale è il primo passaggio e non l'ultimo. Restituisce un'etichetta con una probabilità; qualcosa deve comunque scrivere la risposta, escalare il caso o chiamare l'API successiva, e quel secondo passaggio è generativo. OrcaRouter non include modelli Liquid AI, quindi la chiamata a d1-omni o d1-Omni-2B viene eseguita dove già la esegui — sull'hardware tuo, dai pesi di Hugging Face, oppure tramite il fornitore. Ciò che sta dietro una chiave compatibile con OpenAI sono gli altri 200+ modelli del catalogo, al prezzo di listino di ciascun fornitore con markup dello 0%, con failover tra fornitori quando il modello downstream che hai scelto è quello che sta avendo una giornata storta. Per un modello così nuovo, questa separazione è utile: la parte non collaudata resta locale ed economica, e la parte che tocca il traffico di produzione ottiene un percorso di retry.

Il numero che nessuna delle due carte ti dà

Nessuno dei due checkpoint ha una valutazione indipendente. Il 587M è pubblico dal 5 ottobre e ancora non ne ha una; il 2B ha quattro giorni. Finché qualcuno non li esegue entrambi sullo stesso set audio, con lo stesso microfono e le stesse lingue, il divario di parametri di otto volte è una tabella del fornitore, non un fatto misurato. Il dato specifico da tenere d'occhio è quel 22,8 sugli spoken short states — è l'unica riga in cui la model card del nuovo modello ammette una debolezza abbastanza grande da cambiare una decisione di deployment, ed è la riga che più probabilmente cambierà quando qualcuno esterno a Liquid AI gli punterà un microfono contro.