d1-omni vs Liquid AI D1 Omni 600M: 두 이름, 하나의 체크포인트, 그리고 아무도 출처를 찾을 수 없는 컨텍스트 수치

Liquid AI D1 Omni 600M과 d1-omni는 두 개의 모델이 아니며, 같은 모델의 두 체크포인트도 아닙니다. 이들은 하나의 가중치 세트입니다 — Liquid AI의 587M 파라미터 멀티모달 의사결정 모델로, Liquid AI LFM2.5-Encoder-350M을 기반으로 하며 2026년 10월 5일 Hugging Face에 LiquidAI/d1-omni-600M이라는 저장소 이름으로 공개되었고 — 두 개의 서로 다른 카탈로그에서 서로 다른 파일명을 달고 있습니다. 그중 한 카탈로그, 즉 벤더의 카탈로그는 이 모델이 무엇인지 알려줍니다. 다른 하나인 Ollama의 카탈로그는 누군가 이것을 무엇으로 패키징했는지 알려주며, 벤더 문서가 뒷받침하지 않는 세 개의 숫자를 카드에 표시합니다. 이 격차야말로 이 비교가 읽을 가치가 있는 전부의 이유입니다. 왜냐하면 이렇게 작은 모델에서 패키징은 각주가 아니라 — 텍스트 및 이미지 모델과, 카드가 당신이 다운로드했다고 말하는 모델 사이의 차이이기 때문입니다.

벤더는 Ollama 항목에 대해 아무것도 발표하지 않았고, Ollama 페이지에는 이를 설명할 유지관리자 노트도, 변경 로그 항목도, README도 없습니다. 따라서 아래 모든 내용에 대한 솔직한 전제는 이렇습니다. 가중치는 공개되어 있고 검사 가능하며, 패키징도 공개되어 있고 검사 가능하고, 여기서 제시하는 패키징 해석은 Liquid AI의 것이 아니라 우리의 것입니다. 숫자가 출처로 추적될 수 없는 경우, 이 글은 해당 숫자를 반복하지 않고 그렇다고 밝힙니다.

그 두 이름이 실제로 무엇인지

Liquid AI는 생성 타임스탬프가 2026년 10월 5일로 표시된 모델을 Hugging Face에 공개했는데, 이는 10월 7일 공급업체 자체 블로그 게시물 “Open d1: 텍스트, 비전, 오디오를 위한 엣지 의사결정 모델”에 등장하기 이틀 전이었습니다. 가중치는 Liquid 자체 LFM 1.0 약관에 따라 라이선스가 부여되었으며, 태그는 다음과 같습니다:d1_omni, system-one, multimodal, vision, audio 및 decision-model, 또한 작성 시점 기준 약 13,900회 다운로드와 135개의 좋아요를 기록했습니다. 양자화된 변형은 자체 일정에 따라 뒤이어 나왔습니다: 10월 6일에는 GGUF 저장소가, 10월 12일에는 Apple Silicon용 MLX 빌드가 나왔습니다.

Ollama 항목은 그 저장소들 중 어느 것도 아니다. 그것은 이름이 d1-omni인 Ollama 라이브러리 페이지로, "vision 600m" 배지를 달고 있고 태그 네 개를 표시하며, 이 글을 쓰기 몇 분 전에 업데이트된 상태였다 — 바로 이것이 레이더가 그것을 포착한 이유이다. 그 안에는 Liquid AI, LFM2.5-Encoder-350M, 또는 바이트가 유래한 Hugging Face 저장소를 지칭하는 내용이 없다.

그래서 실질적인 차이는 모델이 아니라 파일명과 배포 경로입니다. 달라지는 것, 그리고 중요한 것은 바이트를 둘러싼 메타데이터입니다.

Ollama 카드에 있는 세 개의 숫자를 하나씩 확인했습니다

Ollama의 페이지는 모든 태그마다 크기, 컨텍스트 창, 입력 목록을 표시합니다. 세 가지 모두 다시 살펴볼 가치가 있습니다. 왜냐하면 이 모델에서는 그중 두 가지가 소스와 맞닥뜨리면 그대로 유지되지 않기 때문입니다.

• 컨텍스트 창 — 모델 카드에는 125K, 모든 공급업체 자료에는 16,384. Liquid AI의 모델 카드에는 텍스트, 이미지, 오디오 위치를 모두 합쳐 16,384토큰 상한이 명시되어 있고, d1-omni-600M에 관한 공급업체 자체 문서 페이지에는 "16K tokens"라고 되어 있습니다. 125K라는 문자열은 어느 쪽에도 나오지 않습니다. 이는 기반 LFM2.5-Encoder 아키텍처의 위치 구성이나 Ollama가 캐시 한도를 보고하는 방식에서 비롯된 인공물일 수 있지만, Liquid AI가 공개한 수치도 아니고 이 기사가 누구에게도 귀속시킬 수 있는 수치도 아닙니다. 이 불일치가 단순한 지엽적 문제 이상이 되는 이유는 바로 다음 수치에 있습니다.

• 이미지 경로에서 실제로 전달할 수 있는 상태는 896 토큰으로 제한됩니다. Liquid의 카드에는 이미지가 있을 때 "상태와 질문 텍스트가 학습된 대로 896 토큰으로 잘린다"고 적혀 있습니다. 따라서 사진을 포함하는 결정 요청은 풀 페이지에 어떤 컨텍스트 수치가 표시되어 있든, 대략 이 문장 크기의 텍스트 예산을 갖습니다. 125K를 기준으로 트리아지 프롬프트의 크기를 정하면서 긴 상태에 비용을 지불할 것으로 예상하고 있었다면, 런타임을 설명하지 않는 숫자를 기준으로 크기를 정하고 있었던 것입니다. 16,384라는 수치가 실제 상한이고, 896이라는 수치가 멀티모달 경로의 실제 작업 한도이며, 125K는 근거 자료가 없는 숫자입니다.

• 크기 — 카드에서 850MB, 레지스트리에 두 개의 파일. Ollama 태그 d1-omni:latest는 Q8_0로 지정된 407MB 양자화 가중치 파일과 BF16으로 지정된 442MB 프로젝터 파일로 구성되며, 407 + 442 = 849이므로 페이지에서는 이를 850MB로 반올림합니다. 둘 다 정직하게 표시되어 있으며, 이 산술은 하나의 파일이 아니라 혼합 정밀도 조합의 합계일 뿐입니다. d1-omni:600m-bf16 태그가 더 깔끔합니다: BF16 가중치 764MB에 동일한 442MB 프로젝터, 디스크에서 1.2GB이며, 프로젝터는 두 태그 간에 바이트 단위로 동일합니다. 다음 섹션에서 주목할 만한데, 자체 가중치를 지닌 프로젝터는 실효 파라미터 수를 바꿀 수 있기 때문입니다.

설명하기보다 기록할 가치가 있는 세부 사항이 하나 더 있습니다: Ollama의 d1-omni 패키지 내부의 런타임 매개변수 블롭은 바이트 단위로 길이가 동일합니다 — 18바이트 — Ollama의 별도 d1 패키지 내부의 것과 마찬가지입니다. 이 패키지는 Liquid AI d1-3B를 2.87GB의 Q8_0 가중치와 855MB 프로젝터로 제공합니다. 두 아키텍처, 두 가지 매개변수 수, 둘 사이의 두 오더에 걸친 매개변수 규모 차이, 그리고 동일한 18바이트 런타임 구성. 이는 패키징 상수일 뿐, 두 모델 중 어느 것에 대한 주장도 아닙니다.

가중치 자체가 말하는 것

포장을 걷어내면 이 모델은 유난히 잘 문서화되어 있다. Liquid AI D1 Omni 600M은 총 587M개의 파라미터를 세 갈래로 나눈다. 381M의 공유 트렁크와 결정 헤드, 94M의 비전 인코더, 112M의 오디오 인코더다. 트렁크는 양방향이다 — 이것은 디코더가 아니라 인코더다 — 그리고 모든 모달리티에 동일한 트렁크를 쓰며, 모달리티별 타워를 덧붙인다.

• 비전은 Liquid AI LFM2.5-VL-450M에서 상속된 SigLIP2 타워에서 비롯되며, 어댑터와 LoRA 업데이트는 이미지 입력에만 활성화되었고 인코더 자체는 동결된 상태로 유지되었습니다.

• 오디오는 자체 어댑터를 갖춘 17계층 FastConformer에서 나오며, 텍스트 백본이 동결된 단계에서 미세 조정된 다음, 전체 스택이 미세 조정되고, LoRA가 병합되었으며, 가중치는 이전 체크포인트를 기준으로 다시 평균화되었습니다.

• 어휘는 15개 언어에 걸쳐 65,536개 토큰입니다: 영어, 독일어, 스페인어, 프랑스어, 이탈리아어, 네덜란드어, 폴란드어, 포르투갈어, 아랍어, 힌디어, 일본어, 러시아어, 터키어, 베트남어, 중국어.

• 모달리티는 혼합할 수 없습니다. 단일 요청은 텍스트와 이미지, 또는 텍스트와 최대 30초의 음성을 사용합니다 — 둘 다는 아닙니다. 오디오는 16kHz 모노, 0.5초에서 30초 사이여야 하며, 영어 화자와 어시스턴트 간의 대화로 학습되었으므로 다국어 또는 잡음이 있는 상황에 실질적인 제약이 됩니다.

그중 어느 것도 Ollama 페이지에는 나오지 않으며, 이 누락은 사용 예시에서 직접 확인할 수 있는 결과를 낳습니다. Ollama의 스니펫은 채팅 호출입니다 — 모델 문자열, 메시지 배열, "Hello!"라는 단어 — 그리고 기반 체크포인트는 이에 답할 수 없습니다. 이는 채팅 모델이 아니며 텍스트를 작성하지 않습니다. 이는 유형이 지정된 답변을 반환합니다: 예/아니요 확률, 레이블별 확률이 있는 레이블, 또는 정렬된 척도상의 위치이며, 모두 생성된 출력 토큰 없이 출력 분포에서 직접 읽습니다. 게시된 인터페이스는 이를 반영합니다: system_one 및 probabilities(Transformers를 통한), 또는 /v1/systemone 엔드포인트(llama.cpp 0.7.0 이상을 통한). 결정 모델에 대한 채팅 형태의 호출은 이러한 이름 짓기의 격차가 초래하는 오류입니다.

그 수치들 각각에는 두 가지 주의할 점이 따른다.

첫째, Liquid는 자사 행을 공개 순위에 제출하는 대신 공식 채점기로 직접 채점했으며, 어떤 제3자도 d1-omni-600M 결과를 재현하지 못했습니다. 벤더는 모델 카드에서 이 체크포인트가 활발히 개발 중인 초기 연구 릴리스이기 때문에 추론 수치를 보고하지 않는다고 분명히 밝히고 있습니다. 둘째, 두 헤드라인 수치가 서로 어긋납니다. 32포인트 지수 격차와 4.5포인트 벤치마크 평균 격차는 동일한 모델을 설명하므로, 유용하게 읽을 부분은 총점이 아니라 하위 점수입니다. Retrieval 35.0, Tools 15.1 대 Arts 6.8은 이 체크포인트가 어떤 작업에 준비되었고 어떤 작업에는 준비되지 않았는지 알려줍니다. Audio에는 벤치마크 열 자체가 없습니다. Liquid는 전용 오디오 의사결정 벤치마크를 미해결 문제라고 부릅니다.

Liquid AI D1 Omni 600M은 또한 일곱 가지 중 두 가지에서 자사 패밀리를 앞선다: {{1}}Civil Comments{{/1}}는 95.8, {{2}}PAWS-X{{/2}}는 79.5다. {{3}}이는 587M 인코더가 3B 디코더를 완전히 앞서는 두 행이며{{/3}}, 둘 다 {{4}}추론형이라기보다 텍스트 분류형{{/4}}이다 — 이는 아키텍처와 모순되기보다는 부합한다.

원하는 것을 기준으로 고르세요. Ollama에서 로컬로 실행하고 싶다면, d1-omni가 맞는 이름입니다 — Q8_0 빌드는 850MB, BF16은 1.2GB이고, Liquid가 문서에 적은 것과 같은 이미지 경로를 쓰며, 두 태그 모두 오디오 프로젝터를 포함하지 않습니다. 공급업체가 설명하는 모델을 원한다면, Liquid AI D1 Omni 600M이 검색할 이름이며, Hugging Face 저장소를 통한 Transformers 경로가 문서와 컨텍스트 길이, 모달리티 목록, 파라미터 수가 일치하는 경로입니다.

어느 쪽이든, 이것은 파이프라인의 저렴한 절반입니다. 결정 모델은 분류를 담당하고, 분류 결과에 따라 행동하는 것은 다른 무언가의 몫입니다. 바로 그 지점이 OrcaRouter가 서 있는 경계이며, 정확히 짚고 넘어갈 만한 경계입니다. 우리 카탈로그에는 Liquid AI 모델이 하나도 없으므로, d1-omni 호출 자체는 여러분이 이미 실행 중인 곳으로 갑니다 — 자체 하드웨어에 올린 이 가중치든, 호스팅 버전의 경우 벤더 자체 API와 서드파티 플랫폼이든. 하나의 OpenAI 호환 키 뒤에 있는 200개 이상의 모델이 담당하는 것은 그 이후의 모든 단계입니다. 각 제공업체의 정가를 0% 마크업으로 그대로 전달하는 가격과 함께, 제공업체 간 자동 페일오버가 트리아지된 요청이 상태가 나쁜 모델로 팬아웃될 때 작동합니다.

미해결 질문을 해결하려면 무엇이 필요할까

세 가지가 이 문제를 마무리할 수 있으며, 그중 어느 것도 공급업체의 발표를 필요로 하지 않습니다. {{1}}동일한 입력에서 850MB Ollama 태그의 출력을 Hugging Face 체크포인트와 비교하는 사람이 있다면{{/1}}, 그 사람은 {{2}}패키징이 답변을 바꿨는지{{/2}}를 알려줄 것입니다. 컨텍스트 수치를 설명하는 llama.cpp 커밋이나 Ollama 변경 로그 항목이 있으면 125K가 실수인지, 아니면 모델 카드가 아직 따라잡지 못한 역량인지 알려줄 것입니다. 그리고 {{3}}공개된 오디오 결과—어떤 오디오 결과든—{{/3}}가 있으면 이 체크포인트를 현재 속한 범주에서 벗어나게 할 것입니다. 그 범주란 문서화가 잘 된 모델이지만 문서화되지 않은 패키징 계층과 전적으로 공급업체 자신의 것인 점수판을 갖고 있는 범주입니다.

이번과 같은 릴리스의 배경이 되는, 문서화된 AI 실패 및 에이전트 사건들은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그가 포함되어 있습니다.