d1-Omni-2B：Liquid AIの最も静かな2B意思決定モデルが搭載するもの — そして省くもの

Hugging Face リポジトリLiquidAI/d1-Omni-2B2026年10月24日19:30 UTCに作成されました。このモデル名を最初に挙げた Liquid AI のブログ投稿は10月27日に公開されました。その3日間、リポジトリは公開され完全な状態でした——完全な仕様表、4.33GBのBF16 safetensors、動作するTransformersコード——しかもベンダーが公開したもののどこにも、それが存在するとは書かれていませんでした。言及がようやく現れたとき、それは6モデルファミリーの発表内の2段落と4行の表にすぎず、単独の発表ではありませんでした。これがこのリリースの形であり、以下のすべてを読むうえでの正直な枠組みです。重みは検査可能で、主張はベンダーのものであり、買い手が通常なら発表から得られるはずの部分——価格、ホスト型エンドポイント、独立したベンチマーク——はまだありません。

重りと言葉の間にある5日間の隔たり

Liquid AIの意思決定モデルに関する物語は二度語られており、d1-Omni-2Bはどちらの語りにも登場しない。10月7日、同社は「Open d1: Edge decision models for text, vision, and audio」を公開し、そこではちょうど2つのオープンチェックポイント、3.12Bの視覚・テキストモデルd1-3Bと、テキストを画像と、または最大30秒の音声と組み合わせて入力できる587Mモデルd1-omni-600Mが紹介された。その投稿は今も公開されており、今も2Bモデルは含まれていない。

2B系のモデル群は別のスケジュールで登場した。10月21日にはベースチェックポイント LFM3-Omni-2B が Hugging Face 上に現れた。10月24日には、24秒差で Liquid AI が d1-2B と d1-Omni-2B のリポジトリを作成した。10月27日の LFM3 ローンチ投稿は、その後このファミリーを名付けた。約2Bパラメータの6モデルで、4つがテキスト、ビジョン、音声、オムニをカバーし、投稿自身の言葉によれば「最後の2つはビジョンモデルとオムニモデルから特化された意思決定モデルである」。この一文が発表だ。d1-Omni-2B に関する別個の投稿も、価格ページも、ローンチパートナーのコメントも、10月7日の記事の更新も存在しない。

つまり、このモデルは文書化されていないわけではありません。このリポジトリは、Liquid AI が公開した小型チェックポイントの中でも特に文書化が充実したものの一つであり、ベンダーの意思決定モデル向けドキュメントページでは d1-2B や d1-omni-600M と並べて掲載されています。ただ、告知が不十分なだけです。この区別が重要なのは、どの主張がローンチレビューを経ているのか、経ていないのかが分かるからです。

カードを仕様書として読み解く

前置きを排して見れば、チェックポイントは単純明快だ。d1-Omni-2B は LFM3-Omni-2B を基に構築されたポストトレーニング済みの意思決定モデルであり、チャットモデルではない。テキストを書かず、音声も生成せず、すべての呼び出しの戻り値はoutput_tokens: 0。

• パラメータ — 2.17B、単一の4.33GB BF16 safetensorsファイルとして提供されています。

• アーキテクチャ — LFM3バックボーン：24層のうち13層はゲート付きショートコンボリューション、5層は256トークンウィンドウのスライディングウィンドウアテンション、6層はグローバルアテンションです。ファミリーの投稿では、このトライハイブリッド構成を、14のデバイスとバックエンドの組み合わせにわたって実行されたハードウェアインザループのアーキテクチャ探索の結果と説明しています。

• コンテキストと語彙 — 128Kトークンと、LFM3の残りと共有される128,000トークンの語彙。

• 入力 — テキストまたは任意のJSON値であり、さらに画像、動画フレーム、音声クリップ、および任意の数の名前付き質問（書き言葉または話し言葉）も含められる状態。カードのAPIはそれらすべてを1つのmediaリストで受け取ります。これは587Mチェックポイントとの意味のある違いです。d1-omni-600Mは画像付きテキストまたは音声付きテキストとして文書化されており、両方を同時に扱うわけではありません。

• 出力 — 確率付きの型付き回答。はい/いいえ、名前付き選択肢からの選択、順序付けされたスコア、文書からスパン付きで読み取った値、p10–p90区間付きの数値、バウンディングボックス、またはオブジェクトの各インスタンスとその件数。

• 言語 — 16種類。音声は同じセットをカバーしますが、ヒンディー語、タイ語、ベトナム語、インドネシア語は除きます。テキスト側ではこれらが記載されているため、特筆に値します。

• ライセンス — LFM Open License v1.0。年間収益1,000万ドル未満では商用利用が認められていますが、それを超える場合、ライセンス条文には商用利用は「本契約に基づいてライセンスされていない」と記載されています。

音声こそが検証に値する主張だ

このチェックポイントをd1-2Bではなく選ぶ理由は音声にある。Liquid AIはこれを「通話やボイスメッセージのルーティング、およびサウンドイベント」向けと位置づけており、モデルカードには、ローンチ投稿なら通常最初に示すはずの証拠が1つ載っている。同じ項目についての音声版と文章版の比較だ。

• ビジネスのルーティングとトリアージ（DecisionBench、Hanno Labs v1） — 筆記83.4、口頭78.2。

• カスタマーサービス事例（タイプ入力による決定） — 筆記50.5、口頭48.0。

• JevBench v1.4.1、音声で読み上げ可能な行 — 書き言葉では87.6、話し言葉では89.0で、話し言葉の実行の方がわずかに高スコアだったが、これは向上ではなくノイズである。

• 音イベント（ESC-50） — 84.5、対応する書き言葉なし。

• 音声言語識別（FLEURS、43言語） — 92.5.

これらの数字はその売り込みを裏付けています。音声セクションの残りは、どこに構築すべきでないかを教えてくれる部分であり、ベンダーのカードとしては異例なほど率直です。音声による短い state は、書き言葉で与えた場合の 42.0 から、聞き取りの場合の 22.8 に下がります。8 言語の Belebele パッセージは 83.6 から 41.8 に下がります。カードは、長い音声パッセージは精度の多くを失うと明言しており、「とりわけラテン文字言語以外では」それが顕著だとし、音声入力を持たない人には代わりに d1-2B を勧めています。同カードによれば、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優れているとのことです。

それらの行を合わせて読むと、主要言語における短く振り分け可能な発話には優れる一方、長い発話状態を保持する必要があるものにははるかに弱いモデルを表している。コールセンターのトリアージには向いている。40分の録音会議には向かない。

スコアボードはベンダー所有のもので、インデックスはバージョンが変更されました。

このモデルの性能数値はすべてLiquid AI自身によるものです。カードは手法について明示しています。4つのd1モデルはすべて同じ項目で同じ採点方法により評価されたため、一部の数値は由来する個別カードのものと若干異なります。第三者がそれを再現したとは記載されておらず、執筆時点でd1-Omni-2Bの独立した評価は存在しません。

• Decision Index公開スイート v0.3 — d1-Omni-2Bは49.0、これに対しd1-2Bは51.1、d1-3Bは49.0、d1-omni-600Mは18.3でした。

• DecisionBench (Hanno Labs) v1 — 76.4（それぞれ77.1、73.1、58.7に対して）。

• decisionbench.ai v4 — 84.7、85.2、83.6、57.9に対して。

• ImajevBench v2.0-lite — 72.3（これに対して75.5、64.0、21.7）。

• ベンダー自身がまとめた100超のベンチマーク一覧では — 61.8、対して63.2、58.8、600Mはスコアなし。

• 18の画像ベンチマークにおけるビジョン平均 — 67.7（70.2、65.4、42.8との比較）。

これには罠が一つ潜んでいる。10月7日の投稿では、d1-omni-600M が Decision Index v0.2.1 で 15.95 と報告されていた。新しいカードでは、それが 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、その差は能力の向上ではない。一方から他方を引いてはいけない。公平な比較は、カードが実際に行った、4モデルすべてを同じ項目で再スコアリングした比較だけである。

再スコアリング後も残る傾向は、d1-Omni-2B がほぼすべての項目で d1-2B のすぐ下に位置し、前世代を大きく上回っていることだ。Liquid AI は、これをパラメータ数70%で意思決定ボード上および18の画像ベンチマークのうち16で d1-3B を上回ると位置づけている。これは印刷された表に関しては事実であり、同時に、このファミリーが現在では置き換えたモデルとの比較でもある。

リポジトリが答えていないこと

五つの問いは依然として未解決であり、そのいずれも重みを読むことでは答えられない。

• ホスト型アクセスと価格。 LFM3の投稿によると、ベースモデルとポストトレーニング済みモデルはHugging Face、Playground、Liquid AI APIで利用可能です。しかし、decision-modelsのドキュメント表では、d1-Omni-2Bはオープンウェイトとして記載され、ホスト型のみの行はd1.1とd1-ultraに割り当てられています。また、Hugging Faceのモデルページには「このモデルはどのInference Providerによってもデプロイされていません」と記載されています。このチェックポイントの呼び出しごとの価格は、本稿が確認できた限りどこにも公開されていないため、ホスト型アクセスは可能性はあるものの未確認として扱うべきです。

• 学習データ。このカードには、コーパス、構成、データセットの説明が一切示されていません。クリップと音声について「どの学習行にも含まれていない」ものでテストしたと言及していますが、これは学習セットが存在することを示唆する一方で、その内容については何も述べていません。

• 量子化。 メインリポジトリはBF16を提供しており、Liquid AIは3つの同系列ビルド（MLX fp16、MLX 8-bit、ONNXエクスポート）を公開しています。ベンダー製のGGUFはありませんが、Ollamaのd1-omniライブラリには4.4GB・125Kコンテキストの2bタグがあり、そのサイズはBF16チェックポイントに十分近いため、積極的な量子化には見えません。

• 独立評価。 なし。上記の数値はすべて、ベンダー自身のボード上でベンダー自身のスコアラーを用いてベンダーが実施したものです。

• d1-omni-600M を置き換えるかどうか。カードでは、音声がない場合はこのモデルより d1-2B を推奨し、音声がある場合は d1-2B よりこのモデルを推奨しています。587M チェックポイントの将来については何も述べておらず、Liquid AI はそれを非推奨にしていません。

実行すること、そしてハードウェアにかかるコスト

推論パスは Transformers 5.19 以降で trust_remote_codeを使用し、呼び出しは model.system_one(state, questions, media)です。サンプリングは行われないため、設定するサンプリングパラメータはありません。初回呼び出しではコンパイルに約1分かかります。その後、カードは、H100 PCIe では1問で5.8 ms、3問で7.7 ms、AMD MI325X では3.7 msと5.6 ms、Apple M5 Pro では21.1 msと28.9 msを報告します。5Kトークンの状態は H100 で52 msかかります。スループットが出るのはバッチ処理です。1回の呼び出しで64状態の場合、H100 では毎秒1,154状態、MI325X では1,697状態です。

このクラスのモデルにとって、その数字こそが論拠だ。品質でチャットモデルと競合しているのではなく、そもそもチャットモデルを動かすこと自体と競合している。較正済みの確率を返す5.8 msのフォワードパスは、その後で解析しなければならない段落を返す生成呼び出しとは別のコスト項目だ。

意思決定が終わり、パイプラインの残りの部分が始まるところ

このようなモデルは1ホップだけを担います。チケット、通話録音、カメラのフレームをラベルと信頼度に変換すると、そのラベルに基づいて何かが動作する必要があります — 返信の下書き、ケースのエスカレーション、APIの呼び出しなどです。Liquid AIのモデルはOrcaRouterのカタログにはないため、その2番目のホップこそが私たちの製品の実際の位置づけです。判断を消費する生成モデルは、1つのOpenAI互換キーで200以上のモデルをカバーし、各プロバイダーの定価を0%のマークアップでそのまま適用し、リクエストが一時的に不調なプロバイダーに届いた場合には自動フェイルオーバーを行います。判断モデルは安価で高速、決定論的な部分です。高価で非決定論的な部分は、再試行できる何かにつなぐ価値があります。

何がそれを決着させるのか

d1-Omni-2Bを「有望」から「推奨できる」へと押し上げるには3つのことが必要だが、そのどれも新たなブログ記事を必要としない。第一は、ベンダーが管理しないハードウェアでオーディオスイートを独立に実行することだ。spoken short states における22.8対42.0の差は、他者のマイク環境で最も変動しやすい数値である。第二は、ホスト型アクセスの価格公表だ。これがなければ、構築か購入かの計算を完了できない。第三は、同じ音声を含むタスクでd1-2Bと直接比較することだ。なぜなら、カード自身の推奨——入力に音声が含まれる場合にのみ2B omniを使う——は、その中で最も有用な文であり、またLiquid AIの外部では誰も検証していない文でもあるからだ。