d1-Omni-2B 対 d1-omni：1つのタグ、2つのチェックポイント、そして8倍の差

Pulld1-omni を今日実行すると、850MB の 587M パラメータ意思決定モデルが手に入ります。d1-omni:2b を Pull すると、まったく別物の 4.4GB、つまり d1-Omni-2B、Liquid AI が 2026年10月27日に LFM3 ファミリーとともにリリースした音声意思決定モデルです。一方、d1-omni は Ollama が10月初旬からベンダーの d1-omni-600M チェックポイントに使ってきた名前です。両者は同じ問いに対する2社の答えではありません。同じアイデアの2世代で、パラメータ数は8倍異なり、どちらを選ぶかは実質的にモデルをどこで動かす必要があるかという選択です。一方はスマートフォンに収まります。もう一方は GPU を必要とし、その代わりに小さい方にはまったくできないことを行います。

命名のせいで本来より分かりにくくなっているので、数字の前に plain に言っておく価値がある。単に「d1-omni」と呼ばれる Liquid AI モデルは存在しない。ベンダーのドキュメントでは、d1-omni-2B と d1-omni-600M がオープンウェイト、d1.1 と d1-ultra がホステッド専用として記載されている。「d1-omni」はパッケージ名であり、587M チェックポイントをより短いラベルで呼んだものだ。それがこの比較における対戦相手であり、多くの人がすでにディスク上に持っているものでもある。

それぞれが実際に何なのか

両者は、Liquid AIが言うところの決定モデルだ。状態と名前付きの質問リストを渡すと、単一のフォワードパスで、確率付きの型付き回答を返す。どちらもテキストを書かず、音声も生成せず、出力トークン数はゼロと報告する。共通点はインターフェースまでで終わる。

• パラメータ — d1-Omni-2B は 2.17B、d1-omni は 587M。小規模モデルでは、381M の共有トランクと決定ヘッド、94M の視覚エンコーダ、112M の音声エンコーダに分割されています。

• アーキテクチャ — 2B向けのLFM3トライハイブリッドバックボーン：13層のゲート付き短畳み込み、5層のスライディングウィンドウアテンション、6層のグローバルアテンションからなる24層。587Mモデルは、LFM2.5-Encoder-350Mを基にしたLFM2.5双方向エンコーダであり、LFM2.5-VL-450Mから継承した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 — 2Bは128Kトークン、語彙は128,000トークン。587Mモデルは16,384トークンと記載され、テキスト・画像・音声の位置を合わせてカバーする。そのカードには、画像がある場合、状態と質問のテキストはトレーニング時と同様に896トークンに切り詰められると追記されている。Ollamaのページは両タグとも125Kと表示しているが、これはベンダーが公開していない数値である。プロンプトのサイズはベンダーの数値を基準にすること。

• 入力 — 2BはテキストまたはJSON状態に加えて、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取ります。587Mはテキストと画像、またはテキストと最大30秒の音声を受け取りますが、そのカードには両者を混在させることについての記載がありません。

• 出力タイプ — はい/いいえ、選択、スコアは両方で利用可能です。2Bはボックス、複数選択、スパン付きの抽出値、間隔付きの数値を追加します。これらはLFM3世代の新機能であり、587Mには相当するものがありません。

• ディスク上 — 2B向けのBF16 safetensorsで4.33GB、これに対してd1-omniのQ8_0ビルドは850MB、そのBF16タグは1.2GBです。

• ライセンス — 両方ともLFM Open License v1.0です。年間収益1,000万ドル未満であれば商用利用は無料、それを超える場合は別途ライセンスが必要です。

8番目のパラメータで何が得られるか

有用な比較は、Liquid AI 自身が公表したものだ。なぜなら、同じスコアラーで同じ項目について4つの d1 モデルすべてを再スコアリングしているからだ。そのため、この行は古いカードではできない形で、内部的に比較可能になっている。

• Decision Index 公開スイート v0.3 — d1-Omni-2B の 49.0 に対し、d1-omni-600M は 18.3。

• DecisionBench (Hanno Labs) v1 — 76.4 対 58.7。

• decisionbench.ai v4 — 57.9 に対して 84.7。

• JevBench v1.4.1 — 75.3 対 58.0。

• ImajevBench v2.0-lite — 21.7に対して72.3、このセットで最大の差であり、ビジュアル作業にとって最も重要なものです。

• WorkflowEvals — 48.8に対して77.1。

• 型付き意思決定 — 63.1 対 57.5。最小の差であり、すべてのタスクがパラメータ数に応じてスケールするわけではないことを思い出させます。

• ビジョン平均、18の画像ベンチマーク — 42.8に対して67.7。

そのリストには2つの注意点が付きまとう。1つ目はバージョンドリフトだ。10月7日のカードではd1-omni-600MがDecision Index v0.2.1で15.95と報告され、新しいカードではv0.3で18.3と報告されている。これらは別のスイートであり、差を取って測れるのはインデックスであってモデルではない。2つ目は出所だ。すべての数値はベンダー申告であり、Liquid AIがLiquid AIの選んだベンチマークで採点したものだ。社外でどちらかのチェックポイントの実行結果を公開した者はいない。

ただし、結果の傾向は一貫している。分類スタイルのタスクでは、587Mは驚くほど健闘する — Typed Decisionsは6ポイント以内に収まっている。シーンの読み取り、物体の数え上げ、レイアウトの解釈が必要なことになると、それは崩壊する。ImajevBenchでは21.7対72.3、以前のスイートのVisualWebBenchでは14.9対88.6だ。あなたの仕事がテキストチケットのルーティングなら、余分なパラメータは贅沢品だ。何かを見ることが仕事に含まれるなら、それらが製品のすべてだ。

587Mが依然として優位な場面、そしてそれを証明する数字

デプロイ時のフットプリントこそが587Mモデルの真の強みであり、決して残念賞ではない。850MBに収まる587MモデルはノートPC、Raspberry Pi、スマートフォンで動き、Liquid AIはまさにそのためにd1ラインを構築した。4.33GBの2.17Bモデルは、快適に使うにはGPUか十分な構成のApple Siliconマシンが必要だ。

欠けているのは、そのトレードオフを正確にするレイテンシ比較だ。d1-Omni-2Bのカードには完全な速度表が公開されている。H100 PCIeでは1問で5.8 ms、3問で7.7 ms、MI325Xでは3.7 msと5.6 ms、M5 Proでは21.1 msと28.9 ms、そしてH100でバッチ処理時に毎秒1,154状態だ。d1-omni-600Mのカードには何も公開されておらず、理由はこう述べられている。「d1-omni-600Mは初期の研究リリースで活発に開発中であるため、推論数値は報告していません」。つまり、より小さいモデルの方がほぼ確実に速いが、どれだけ速いかを示すベンダー公表値は引用できない。587Mが3倍速いと言う人は、パラメータ数から外挿しているだけだ。

精度に近い領域で、特筆に値する確かな利点が一つある。d1-Omni-2Bのカードは、音声がない場合には自身よりもd1-2Bを推奨し、その理由を挙げている。d1-2Bはテキストと単一ボックスにより強く、欠損値をより頻繁に報告し、キャリブレーションもより良いという。同じ助言は、テキストのみの作業ではomniモデルを避ける方向を示している。587Mの方がキャリブレーションが良いとは述べておらず、2B omniが使わないかもしれない能力に対してコストを伴うと述べているだけだ。

オーディオ分割は、2つの世代がきれいに分かれるポイントです

音声は両モデルが直接競合する唯一のモダリティであり、その制約はアーキテクチャを決定できるほど十分に異なっている。

587Mモデルは最大30秒の音声を扱い、16kHzモノラルを想定しており、そのモデルカードには明確な警告が記載されている。音声機能は英語話者とアシスタントの間のリクエストで学習されており、発話の種類、話題、話者が何を望んでいるかをカバーしている。これは狭い分布であり、脚注ではなく制約として明記されている。

2Bモデルは、テキスト側と同じ16言語の音声をサポートしますが、ヒンディー語、タイ語、ベトナム語、インドネシア語は除かれます。カードの音声結果には、ESC-50の音イベントで84.5、43言語にわたるFLEURSの言語識別で92.5が含まれます。また、カードに記載されている形で性能が低下します。短い発話状態は、書かれた場合の42.0から聞いた場合の22.8に下がり、8言語のBelebeleの文章は83.6から41.8に下がります。長い発話文章では精度が失われ、特にラテン文字以外で顕著です。

つまり、違いは「2Bの方が音声に強い」ということではない。2Bはより多種類の音声を聞き取れる一方で、長い発話状態の扱いには依然として苦戦しており、587Mはより狭く制御された範囲しか聞き取れず、音響イベントや言語識別でベンチマークされたことすらない、ということだ。英語での音声コマンドルーティングなら、587Mの制約は許容できる。多言語の通話トリアージでは、その制約は失格要因になる。

どのタグをプルしますか

決定ルールは、ルールとして述べるのに十分なほど短い。

• テキストと画像のみで、製品に音声は含まれません — どちらもプルしないでください。d1-2Bは意思決定インデックスでd1-Omni-2Bを上回り、51.1対49.0です。しかもベンダー自身のカードが、それを使うよう指示しています。omniのプレミアムは、使うことのない音声のために払うことになります。

• 制約の厳しいハードウェア上での音声ルーティング — d1-omni は850MB。30秒の上限、英語話者の学習分布、16,384トークンのコンテキストを受け入れ、ベンダーは数値を教えてくれないのだから、自分のレイテンシは自分で測定すること。

• 同じ判断で音声と画像を併用する、あるいは出力にボックスとスパンを含める — d1-Omni-2B。587Mはそうした要求を表現できないため、比較する余地はありません。

• 多言語音声 — d1-Omni-2B。除外された4言語については、コミットする前に実際のトラフィックと照合して確認できます。

• バッチスループット — d1-Omni-2B。この2つのうち、毎秒の状態を公開しているのはこのカードだけです。

採用のシグナルが一つ、記録に値する。それはベンチマークの話と相反するからだ。d1-omni-600Mは10月5日以降、Hugging Faceで約18,900ダウンロードと148いいねを獲得している。d1-Omni-2Bはリポジトリ公開から4日後で36ダウンロード、7いいねだった。初期のダウンロード数は品質ではなく目新しさとパッケージングを測るものだ——587MモデルにはOllamaタグがあり、1コマンドで使えるようになる——しかし、人々が今日実際に動かしているのはどのモデルかを示してはいる。

決定後、通話の残りの部分

どのタグを選ぶとしても、判断モデルは最初のホップであり、最後のホップではありません。ラベルと確率を返しますが、返信を書く、案件をエスカレーションする、次のAPIを呼び出すといった処理は別に必要で、その2番目のホップは生成型です。OrcaRouterはLiquid AIのモデルを取り扱っていないため、d1-omniまたはd1-Omni-2Bの呼び出しは、すでに実行している場所で行われます — Hugging Faceの重みから自社ハードウェア上で、またはベンダー経由で。1つのOpenAI互換キーの背後にあるのは、カタログ内の他の200以上のモデルで、各プロバイダーの定価、マークアップ0%、そして選択したダウンストリームモデルが不調なときにプロバイダー間でフェイルオーバーする仕組みを備えています。これほど新しいモデルでは、この分離が役立ちます。実績のない部分はローカルかつ低コストのままにし、本番トラフィックに触れる部分にはリトライ経路を持たせられます。

どちらのカードも教えてくれない番号

どちらのチェックポイントにも独立した評価はない。587Mは10月5日から公開されているが、今もなおない。2Bは公開から4日だ。誰かが同じ音声セット、同じマイク、同じ言語で両方を実行するまで、8倍のパラメータ差はベンダーの表にすぎず、測定された事実ではない。注目すべき具体的な数値は、spoken short statesにおける22.8だ。これは、新しいモデル自身のモデルカードが、導入判断を変えるほど大きな弱点を認めている唯一の行であり、Liquid AIの外部の誰かがマイクを向けて測定したときに最も動く可能性が高い行でもある。