Liquid AI d1-3B vs MiniCPM5-2B: Waarschijnlijkheden of Proza, op laptopformaat

Twee modellen met open gewichten, beide klein genoeg om op de machine voor je te draaien, en ze zijn het oneens over wat een model zou moeten teruggeven. Liquid AI d1-3B is het 3,12B-beslissingsmodel van Liquid AI, met open gewichten vrijgegeven op 7 oktober 2026: het leest een toestand en een reeks benoemde vragen en geeft een label, een waarschijnlijkheid per optie en een betrouwbaarheid terug, in één forward pass, zonder iets te genereren. MiniCPM5-2B is het 2,52B dense model van ModelBest en OpenBMB, getoond op de World Artificial Intelligence Conference op 19 juli en in stilte gepubliceerd op Hugging Face begin september 2026 onder Apache-2.0 — een assistent voor redeneren, coderen en tool-calling die antwoorden schrijft, functies in XML aanroept en al meer dan een miljoen downloads heeft. De kleinere heeft een contextvenster dat vier keer zo groot is en een veel ruimere licentie; de grotere kan geen token produceren, zelfs niet als je dat zou willen. Welke van die twee vormen in je pipeline thuishoort, hangt volledig af van of het ding stroomafwaarts van de aanroep een getal of een zin wil.

De ommekeer die het eerst opvalt

Bijna elke intuïtieve verwachting over deze combinatie is omgekeerd, dus begin daar.

MiniCPM5-2B is het kleinere model en het heeft de langere context: 131.072 tokens tegenover 32.768 voor Liquid AI d1-3B. Het heeft ook de vrijere licentie van de twee — Apache-2.0, zonder toegangsbeperkingen, met de trainingsdatasets die samen met de gewichten zijn vrijgegeven als onderdeel van de UltraData-familie. Liquid AI d1-3B wordt geleverd onder Liquid's eigen lfm1.0-licentie, die downloadbaar en fine-tunebaar is, maar het is een leverancierslicentie in plaats van een standaard permissieve licentie.

Liquid AI d1-3B is het grotere model — 3,12B tegen 2,52B in totaal, hoewel de vergelijking bij niet-embeddingparameters weer omslaat — en het is juist het model dat niet kan schrijven. Het kan beeld verwerken; de MiniCPM is alleen tekst. Het is post-getraind voor precies één ding; de MiniCPM is post-getraind voor veel dingen. En waar MiniCPM5-2B komt met een vergelijkingsgrafiek die het aan de top van zijn grootteklasse plaatst, komt Liquid AI d1-3B met één enkele indexscore en een reeks latentietabellen.

Niets daarvan maakt het ene beter dan het andere. Het betekent dat de twee op verschillende taken zijn gericht, en de aanwijzing is de vorm van het antwoord dat elk teruggeeft.

Wat er terugkomt over de lijn

MiniCPM5-2B is een generatief taalmodel. Het redeneert, het antwoordt in proza, en het stuurt XML-achtige tool-aanroepen uit die de ingebouwde minicpm5-parser van SGLang omzet in OpenAI-compatibele tool_calls zonder een aangepaste adapter. Het interessantste deel van zijn verhaal is de post-training: 400 miljard tokens aan supervised fine-tuning voor diep denkwerk, dan reinforcement learning met een op een critic gebaseerd algoritme, geleend van JustRL II, en dan on-policy distillatie die zestien gespecialiseerde RL-leraren — vijf ervan agentisch — terugvouwt in één dicht netwerk. De modelcard schrijft een gemiddelde winst van 10,96 punten op redeneer- en algemene taken en 6,96 op agentische taken toe aan RL plus distillatie, en meldt een gemiddelde van 53,9 over zijn eigen vergelijkingsset, hoger dan het grootste model in die set. Dat zijn de cijfers van ModelBest, intern geproduceerd, en er is nog geen onafhankelijke reproductie gepubliceerd.

Liquid AI d1-3B retourneert structuur. Een nieuwevraag komt terug als P(ja) tussen 0 en 1. Een keuzevraag komt terug als het label, een betrouwbaarheid en een waarschijnlijkheid per optie. Een scorevraag komt terug als een verwacht niveau op een geordende schaal van twee tot tien, met de bijbehorende verdeling en legenda. Het usage-object rapporteert output_tokens: 0, en er is een ruwe probabilities accessor als je de onbewerkte vectoren wilt. De post-training was het tegenovergestelde soort werk: twee checkpoints samen middelen, meerdere seeds fine-tunen op verschillende datamengsels, ze samenvoegen, en dan de inspanning steken in training met lange input, het shuffelen van de volgorde van antwoordopties en het verwijderen van shortcuts uit de trainingsdata — want een beslissingsmodel dat leert dat "optie B meestal klopt" in plaats van de toestand te lezen, is erger dan nutteloos.

De een vraagt een model om na te denken en dan iets te zeggen. De ander vraagt een model wat het al gelooft.

Zij aan zij, met herkomst gelabeld

Elk cijfer hieronder is door de leverancier gerapporteerd. De cijfers van MiniCPM5-2B komen uit de eigen modelkaart van ModelBest en de eigen vergelijkingsset; die van Liquid AI d1-3B komen doordat Liquid de officiële Decision Index-scorer zelf heeft gedraaid in plaats van in te dienen voor het publieke leaderboard. Geen van beide modellen is onafhankelijk door een derde partij gebenchmarkt ten tijde van de open-weights-release.

• Parameters — Liquid AI d1-3B 3,12B totaal met een 400M SigLIP2 vision-encoder en 128.000-token vocabulaire; MiniCPM5-2B 2.516.756.480 totaal, 1.981.982.720 niet-embedding, 42 lagen, 16 query-heads naar 2 KV-heads, vocabulaire 130.560.

• Context — 32.768 tokens voor Liquid AI d1-3B; 131.072 voor MiniCPM5-2B.

• Invoermodaliteiten — tekst en afbeeldingen voor Liquid AI d1-3B; alleen tekst voor MiniCPM5-2B.

• Uitvoer — waarschijnlijkheden, labels, betrouwbaarheidsscores en geordende scores, met nul uitvoertokens, voor Liquid AI d1-3B; gegenereerde tekst, redenering en XML-toolaanroepen voor MiniCPM5-2B.

• Hoofdscore — Liquid AI d1-3B 48,57 op Decision Index 0.2.1, eerste onder modellen onder 10B in de tabel van de leverancier; MiniCPM5-2B een gemiddelde van 53,9 over zijn eigen vergelijkingsset, wat een andere set is die andere dingen meet.

• Snelheid — 8 ms per vraag op een RTX 4090, 26 ms op een Jetson AGX Orin 64 GB, 50 ms op een Jetson Orin Nano, en 64 gepakte toestanden per pass met 475 per seconde voor Liquid AI d1-3B. De snelheid van MiniCPM5-2B is afhankelijk van hoeveel tokens het genereert, dus er is geen enkel getal om ertegenover te zetten.

• Licentie — Apache-2.0, zonder toegangsbeperking, trainingsdata vrijgegeven, voor MiniCPM5-2B; lfm1.0 van Liquid voor Liquid AI d1-3B.

• Bewijs — meer dan een miljoen Hugging Face-downloads en een maand communitykwantisatie voor MiniCPM5-2B; twee dagen bestaan en geen run door derden voor Liquid AI d1-3B.

De taak waar ieder van hen eigenlijk goed in is

Er is een workflow die beide modellen kunnen uitvoeren, en het verschil in hoe ze dat doen is het hele argument.

Stel dat je supporttickets aan het triageren bent, of beslist of een opgehaalde passage een vraag beantwoordt, of de output van een LLM aan de hand van een rubric scoort. MiniCPM5-2B kan alle drie: het is een capabel klein redeneermodel met tool calling en een lange context, en je zou het gebruiken zoals elke andere assistent: een label opvragen en vervolgens parseren wat er terugkomt. Soms retourneert het schone JSON. Soms retourneert het JSON met een uitleg eromheen. Soms retourneert het het juiste antwoord in de verkeerde vorm, en die misser is een bug in je parser in plaats van in het model.

Liquid AI d1-3B kan niets anders doen, en dat is precies het punt. Op dezelfde drie taken geeft het een waarschijnlijkheid en een label terug en niets om te parsen, drie vragen over één toestand kosten 1,3x de tijd van één, en de faalmodus verschuift van "het formaat brak" naar "de betrouwbaarheid was verkeerd gekalibreerd" — wat ten minste meetbaar is, omdat de betrouwbaarheid direct in het antwoord staat.

Waar MiniCPM5-2B onbetwist wint, is alles wat op de beslissing volgt. Het kan 131K tokens aan, dus de state kan een volledige bestandsboom van een repository of een lang document zijn in plaats van de eerste pagina ervan. Het schrijft tool calls native. Het is een model waarop je een kleine agent kunt bouwen, en het is expliciet post-getraind voor agentisch werk. En de Apache-2.0-licentie betekent dat het gebruikelijke gesprek met de commerciële jurist achterwege blijft.

Waar Liquid AI d1-3B onbetwist wint, is de latency-ondergrens en de modaliteit. Een apparaat dat binnen 50 ms een beslissing uitvoert zonder GPU is geen apparaat dat MiniCPM5-2B draait; de twee bevinden zich in verschillende hardwarecategorieën ondanks de vergelijkbare parameteraantallen. En de 3B ziet — de leverancier meldt 74,1 over elf openbare beeldbenchmarks, gelezen als beslissingen, tegenover 73,9 voor het visueel-taalmodel waaruit het is gebouwd, en meldt dat het verwijderen van de afbeeldingen dezelfde vragen tot 45,1 laat instorten, wat hun manier is om te laten zien dat de antwoorden uit de pixels komen. Visuele inspectie van een productielijn is geen taak die aan het tekst-only 2B-model überhaupt kan worden toevertrouwd.

Ze uitvoeren, en de laag eromheen

Beide zijn self-hostverhalen, en bij beide is het deploymentwerk al gedaan. Liquid AI d1-3B wordt geleverd met llama.cpp-ondersteuning vanaf dag één, de volledige NVIDIA-stack van DGX tot Jetson, NVFP4-quantisatie, een 8-bits build voor gewichten en activaties, en reeds gepubliceerde GGUF-conversies. MiniCPM5-2B is een gewone LlamaForCausalLM-architectuur waarvoor geen aangepaste kernels nodig zijn, één BF16-safetensors-shard, GGUF- en MLX-builds in de bredere familie, en een gedocumenteerde voorkeur voor SGLang wanneer je de tool-call-parser nodig hebt. Geen van beide staat in onze catalogus, en dit artikel is geen beschikbaarheidsclaim voor een van beide.

De gehoste alternatieven zijn de eigen API van de leverancier en platforms van derden. Liquid levert de gehoste d1 die uitsluitend op invoertokens wordt geprijsd tegen $0,04 per miljoen, waarbij afbeeldingen als invoer worden gefactureerd tegen 1,5 tokens per patch van 32×32 pixels en er helemaal geen uitvoerregel is; MiniCPM5-2B heeft geen first-party API, wat normaal is voor een Apache-2.0 open-weights-release.

Waar beide op uitkomen is hetzelfde architectuurprobleem. Een lokale 2B of 3B die classificatie, routering of guardrail-checks afhandelt, staat vóór de generatieve calls die je niet zelf host, en die mix — eigen inferentie naast gehuurde inferentie — is precies wat een routeringslaag bestaat om op te vangen. Eén endpoint voor 200+ modellen, lijstprijzen van providers doorgegeven tegen 0% markup zodat een prijswijziging van een leverancier dezelfde dag live is, automatische failover wanneer een upstream verslechtert. Het bezitten van het kleine model maakt de routeringsvraag moeilijker, niet makkelijker, want nu is de grens tussen jouw hardware en die van iemand anders een beslissing die je per verzoek moet nemen.

Kies op basis van het antwoordtype

Als wat je nodig hebt een label, een waarschijnlijkheid of een beoordeling is, en de optieset vooraf bekend is, is Liquid AI d1-3B het eerlijkere instrument — het is voor dat verzoek gebouwd en het antwoord zal niet misvormd aankomen. Accepteer de leverancierslicentie, de 32K-context en het twee dagen oude bewijsspoor als de prijs.

Als wat je nodig hebt een klein model is dat kan redeneren, tools kan aanroepen, een lang document aankan en in woorden kan antwoorden, dan is MiniCPM5-2B met een grote voorsprong de capabelere machine, en het komt met Apache-2.0 en een miljoen downloads aan tests door anderen achter zich.

De teams die het meest uit beide releases halen, zijn de teams die ze allebei draaien: een beslissingsmodel vooraan, waar het antwoord een getal is en milliseconden ertoe doen, en een klein generatief model erachter, voor de delen van het werk die taal nodig hebben. Ze zijn geen concurrenten. Ze zijn een filter en een spreker.