d1-2B vs Liquid AI d1-omni-600M：決定的な入力が音である場合

これら2つのモデルに音声メモと撮影した請求書を渡すと、答えられるのは片方だけであり、しかもそれはスコアが高い方ではない。d1-2Bはテキスト、JSON、画像、動画を読み取れ、音声はまったく受け付けません。Liquid AI d1-omni-600Mは画像付きテキスト、または最大30秒の音声付きテキストを読み取れ、同じリクエストで音声と画像の両方を受け付けることはできません。その単一の非対称性が、どちらのベンチマークを参照するよりも前に、ほとんどの実運用を決めます。とはいえ、以下は比較の正直な版です。587Mモデルが本当に競争力を持つ場面、1.92Bモデルが代替可能とはほど遠い場面、そして両者が代替案であるふりをせずに両方を使う唯一のパイプライン構成です。

その判断はスコアの問題ではなく、モダリティの問題です。

決定モデルは状態と名前付き質問の集合を受け取り、生成トークンなしで回答ごとの確率を返します。状態は入力全体であり、状態の型が拘束条件となります。d1-2B のカードにはテキスト、JSON、画像、動画が記載されています。Liquid AI d1-omni-600M のカードには画像付きテキストまたは音声付きテキストが記載されており、コードはその排他を強制しています。画像と音声クリップの両方をsystem_oneに渡すと ValueError が発生します。

つまり、最初の問いはどちらのモデルが高いスコアを出すかではありません。判断する必要があるものが、ピクセルとして届くのか、テキストとして届くのか、それとも波形として届くのかということです。波形として届くなら、このペアでは答えは1つであり、このページの残りは、それを得るためにどれだけ精度を犠牲にするかについてです。

587Mで実際に何が買えるのか

600Mはd1-2Bの小型版ではない。別の構造であり、予算は項目別に見る価値がある。それが強みと限界の両方を説明してくれるからだ。

• パラメータ — 合計5億8,700万: 3億8,100万の共有トランクと決定ヘッド、9,400万の視覚エンコーダ、1億1,200万の音声エンコーダ。すべてのモダリティが同じトランクの重みを通ります。

• Base — LFM2.5-Encoder-350Mは双方向エンコーダーで、LFM2.5-VL-450Mから借用したSigLIP2ビジョンタワーと、音声用の17層FastConformerを備えています。

• コンテキスト — テキスト、画像、音声の位置を合わせて16,384トークン、語彙は65,536トークンです。d1-2Bのウィンドウは128Kです。

• 音声 — 1リクエストあたり最大30秒の16 kHzモノラル音声。カードには、音声側が英語話者とアシスタントの間のリクエストで学習されたことが明記されており、これは通話録音にモデルを向ける人々にとって狭い分布です。

• メディアのルール — 画像か音声のどちらか一方のみで、両方は不可です。このカードは、ValueError を自分で発見するままにせず、記載しています。

• ライセンス — LFM Open License v1.0。d1-2B と同じ閾値構造で、年間収益1,000万ドル未満の商用利用が対象です。

• 速度 — 未公開。カードにはレイテンシの数値は記載されておらず、モデルは活発に開発中の初期研究リリースとされている。d1-2BはH100 PCIeで5.7 ms、MI325Xで3.8 ms、M5 Proで18.6 msを公表している。

同じ実行の表と、差が小さい行

両モデルはd1-2Bのカード上のベンチマーク表に掲載されており、その表では同一の項目に対して同一のスコアラーを用いて4つのオープンd1モデルを評価している。これにより、ほとんどのカード間比較よりも比較が明確になるが、注意点が一つある。d1-omni-600M自身のカードではDecision Index 0.2.1で15.95と報告されている一方、この表ではバージョン0.3で18.3と報告されている。違いはインデックスの版によるものであり、どちらの数値もそれぞれのテストに対して正しい。

• Decision Index 公開スイート v0.3 — d1-2B の 51.1 に対し、Liquid AI d1-omni-600M は 18.3。

• DecisionBench (Hanno Labs) v1 — 77.1 対 58.7。

• Decision Bench（decisionbench.ai）v4 — 85.2 対 57.9。

• ImajevBench v2.0-lite — 75.5 対 21.7、両者間で判断側の最大の差。

• WorkflowEvals — 81.6 対 48.8。

• Vision平均、18ベンチマーク — 70.2 対 42.8。

• VisualWebBench — 96.2 対 14.9。これは比較というより、94M の視覚エンコーダーがどれほど多くを担えるかについての表明です。

続いて、慎重な評価を促す行です。 Typed Decisionsは61.3対57.5——パラメータ数が3分の1のモデルとしては3.8ポイントの差です。 POPEは物体ハルシネーションのベンチマークで、88.7対82.7です。 JevBenchは77.9対58.0で大きな差ですが、DecisionBench v4は85.2対57.9であり、この2つを合わせると600Mは一様に弱いのではなく成績にむらがあることがわかります。Liquid AI自身のローンチ投稿では7ベンチマークの平均を78.4としており、これは587Mとしては高い値です。d1-2Bのモデルカードには同等の平均が公開されていないため、この2つの数値を並べて比較すべきではありません。

どちらのモデルにとっても有利に働かない唯一の数値は、独立した評価による数値だ。Efraín GarayはLiquid AI d1-omni-600MをDecision Index 0.3の6,000リクエストのサンプルで実行し、14.0を得た。同じサンプルでのベンダー自身の14.17に対して、近い再現である。また同氏は、1,758件のリクエストがモデルの指示およびオプションの予算を超えて拒否され、誤りとして数えられたことも突き止めた。これは、より長い状態向けに構築されたスイートにおいて16Kウィンドウがもたらす実際のコストである。

600Mが唯一の選択肢となる場合

音声ルーティングは、このモデルが想定して作られたケースであり、カードに示された例も具体的だ。通話やボイスメッセージのルーティング、サウンドイベント、書かれた状態に対する音声での指示などである。こうしたことはどれも、d1-2B ではどの精度でも利用できない。音声エンコーダーを持たず、入力スキーマに音声位置もないからだ。

2つの独立したデータ点が、その売り込みを控えめにさせるはずだ。1つ目は上記の評価で、600Mは実データタスクにおいてショット検出AUC 0.580、降雨予報AUC 0.593を記録した——偶然とほとんど変わらず、テストしたすべてのより大きなモデルを下回っていた。2つ目は実際に試したレビューで、使用中のVRAMが2GB未満であることを測定し、モデルが音声内の発話様式とトーンを意味内容よりもはるかに信頼性高く分類する一方、推論形式の質問ではコイン投げに近い結果だったとしている。どちらも同じ方向を示している。これはスクリーニングモデルだ。「これはどんな種類のものか」の判別は得意だが、何が言われたかを理解するモデルの代わりにはならない。

それは587Mチェックポイントへの批判ではない。381Mが共有トランクである場合に、587Mで得られるものだ。使う理由はコストとフットプリント——VRAM 2GB未満、10月6日以降のGGUFリポジトリ、10月12日以降のMLXビルド、そして1回のフォワードパスでの判断——であり、忠実度ではない。

両方を使用するカスケード

間違いは、これらを競合相手として扱うことです。それらは同じフィルターの二つの段階にすぎず、自然なパイプラインでは安価なモデルを先に実行します。

第1段階：Liquid AI d1-omni-600Mが受信項目（音声メモ、サポート通話、添付ファイル付きの書面による苦情）を受け取り、大まかな質問に答えます。これは請求の問題ですか、それとも技術的な問題ですか？発信者は怒っていますか？このメッセージにはそもそもリクエストが含まれていますか？2GB未満で1回のパスで済むため、すべての項目に対して実行するのに十分安価です。

第2段階：600Mがそのスケールの中間付近に位置付けるもの、または読み取りが必要な画像を伴って到着するものは、d1-2Bにエスカレートする。2Bには128Kウィンドウ、動画入力、そして視覚平均の約3倍が与えられ、第1段階で処理しきれなかったトラフィックのごく一部だけを処理する。

閾値こそが本質だ。どちらのカードも確率を返し、どちらも自分のデータでキャリブレーションするよう指示している——d1-2Bのカードはそれを明言している。未キャリブレーションの中間帯域を抱えるカスケードは、すべてをエスカレートするか、その場合600Mは飾りだったことになるか、あるいは何もエスカレートしないか、その場合2Bは読み取れないステージを決して修正しない。

ほとんどの実運用システムには第3の段階があります。それは返信を書くモデルです。ここでホスト型APIが登場し、OrcaRouterが関係してきます。Liquid AIのモデルはいずれも当社では提供していないため、判断ノードはお客様自身のGPU上に残ります。そのラベルを消費する生成ステップは、200以上のモデルをカバーするOpenAI互換の1つのキーから利用でき、プロバイダーの定価に対するマークアップは0%、プロバイダーがトラフィック中に停止した場合の自動フェイルオーバーも備えています。ルーティングDSLは、このカスケード自体を正直に表現する方法でもあります。2つの判断モデルをGPU側のステップとして、返信生成をホスト型のステップとして、アプリケーションコードで接着するのではなく構成するのです。

どちらのモデルも行わないこと、そして第3の選択肢

どちらもテキストを書き出さない。両方とも、出力トークンゼロで型付きの回答と確率を返す。次のステップで散文が必要なら、それは別のモデルだ。どちらも音声付き動画は扱わない。d1-2Bは動画フレームを受け取るが音声はなく、600Mは音声を受け取るが画像と同時には扱えず、また音声の30秒上限は推奨ではなく厳格な制限だ。

要件が本当に「音声と画像を同じリクエストで」というものであるなら、答えはこれらのどちらでもなく、d1-Omni-2Bです。これはLiquid AIがd1-2Bの24秒後に作った2.17Bの兄弟モデルで、テキスト、画像、動画フレーム、音声クリップを1つのメディアリストで受け付けます。同じv0.3表でのDecision Indexスコアは49.0、視覚平均は67.7で、独立したテストが行われていない点もd1-2Bと同じです。パラメータ数は600Mの約4倍で、これはモダリティを選ばずに済ませるための代償です。

つまり、ルールは短い。状態に音声が含まれ、他に見る必要のあるものが何もないなら、Liquid AI d1-omni-600M がこのペアで実行できる唯一のモデルであり、スクリーンとして扱うべきだ。状態がテキスト、画像、動画で、回答が信頼に耐える必要があるなら、d1-2B がそのモデルであり、公開されたレイテンシ数値、128K ウィンドウ、そして行ごとに読んでも揺るがないベンチマーク上のリードを備えたモデルだ。状態に両方が含まれるなら、どちらも答えではなく、2.17B omni モデルが答えだ。