d1-Omni-2B vs d1-omni: jeden tag, dwa checkpointy i ośmiokrotna luka

Pobierz d1-omni już dziś, a otrzymasz model decyzyjny z 587 mln parametrów w 850 MB. Pobierz d1-omni:2b, a otrzymasz 4,4 GB czegoś zupełnie innego — d1-Omni-2B, model decyzyjny audio, który Liquid AI udostępniła wraz z rodziną LFM3 27 października 2026 r., w przeciwieństwie do d1-omni, nazwy, której Ollama używa od początku października dla checkpointu d1-omni-600M tego dostawcy. To nie są odpowiedzi dwóch dostawców na to samo pytanie. To dwie generacje tej samej idei, różniące się ośmiokrotnie liczbą parametrów, a wybór między nimi to tak naprawdę wybór co do tego, gdzie model musi działać. Jeden mieści się w telefonie. Drugi wymaga GPU i w zamian robi rzeczy, których mniejszy nie potrafi zrobić w ogóle.

Nazewnictwo sprawia, że jest to trudniejsze, niż powinno być, więc warto powiedzieć wprost przed liczbami: nie ma modelu Liquid AI nazywanego po prostu d1-omni. Dokumentacja dostawcy wymienia d1-omni-2B i d1-omni-600M jako otwarte wagi, a d1.1 i d1-ultra jako dostępne wyłącznie w wersji hostowanej. „d1-omni” to nazwa pakietu — checkpoint 587M pod krótszą etykietą. To jest rywal w tym porównaniu i to ten, którego większość ludzi ma już na dysku.

Czym każde z nich tak naprawdę jest

Oba są modelami decyzyjnymi w rozumieniu Liquid AI: przekazujesz im stan i listę nazwanych pytań, a one zwracają typowane odpowiedzi wraz z prawdopodobieństwami w jednym przejściu w przód. Żaden nie pisze tekstu, żaden nie generuje mowy, a oba zgłaszają zero tokenów wyjściowych. Podobieństwo kończy się na interfejsie.

• Parametry — 2,17 mld dla d1-Omni-2B w porównaniu z 587 mln dla d1-omni, podzielone w małym modelu na 381 mln wspólnego trzonu i głowicy decyzyjnej, 94 mln enkodera wizyjnego oraz 112 mln enkodera audio.

• Architektura — trójhybrydowy szkielet LFM3 dla modelu 2B: 24 warstwy obejmujące 13 bramkowanych krótkich konwolucji, 5 warstw uwagi z przesuwnym oknem i 6 warstw uwagi globalnej. Model 587M to dwukierunkowy enkoder LFM2.5 zbudowany na LFM2.5-Encoder-350M, z wieżą wizyjną SigLIP2 odziedziczoną po LFM2.5-VL-450M oraz 17-warstwowym FastConformerem do audio.

• Kontekst — 128K tokenów przy słowniku 128 000 tokenów dla modelu 2B. Model 587M jest udokumentowany na 16 384 tokeny, obejmujące łącznie pozycje tekstu, obrazu i dźwięku, a jego karta dodaje, że gdy obecne są obrazy, tekst stanu i pytania jest przycinany do 896 tokenów, zgodnie z treningiem. Strona Ollama podaje 125K dla obu tagów, liczbę, której dostawca nie publikuje; dopasuj rozmiar promptów do liczby podanej przez dostawcę.

• Wejście — model 2B przyjmuje stan tekstowy lub JSON oraz obrazy, klatki wideo i klipy audio w jednej liście multimediów. Model 587M przyjmuje tekst z obrazami lub tekst z maksymalnie 30 sekundami dźwięku, a jego karta nie dokumentuje łączenia obu tych elementów.

• Typy danych wyjściowych — tak/nie, wybór i ocena w obu. Model 2B dodaje pola, wielokrotny wybór, wyodrębnione wartości z zakresami oraz liczby z przedziałem. Są one nowe w generacji LFM3 i nie mają odpowiednika w modelu 587M.

• Na dysku — 4,33 GB plików safetensors BF16 dla modelu 2B, wobec 850 MB dla wersji Q8_0 modelu d1-omni i 1,2 GB dla jej tagu BF16.

• Licencja — LFM Open License v1.0 w obu przypadkach. Bezpłatna do użytku komercyjnego przy rocznych przychodach poniżej 10 000 000 USD; powyżej tej kwoty wymagana jest osobna licencja.

Co daje ósmy parametr

Przydatne porównanie to to, które samo opublikowało Liquid AI, ponieważ ponownie oceniło wszystkie cztery modele d1 na tych samych pozycjach przy użyciu tego samego narzędzia oceniającego. Dzięki temu wiersze są wewnętrznie porównywalne w sposób, w jaki starsze karty nie są.

• Publiczny zestaw Decision Index, wersja 0.3 — 49,0 dla d1-Omni-2B w porównaniu z 18,3 dla d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76,4 wobec 58,7.

• decisionbench.ai v4 — 84,7 w porównaniu z 57,9.

• JevBench v1.4.1 — 75,3 wobec 58,0.

• ImajevBench v2.0-lite — 72,3 wobec 21,7, największa różnica w zestawie i ta, która ma największe znaczenie w pracy wizualnej.

• WorkflowEvals — 77,1 wobec 48,8.

• Typed Decisions — 63,1 wobec 57,5, najmniejsza różnica i przypomnienie, że nie każde zadanie skaluje się wraz z liczbą parametrów.

• Średnia w zakresie wizji, 18 testów porównawczych obrazów — 67,7 wobec 42,8.

Dwie przestrogi towarzyszą tej liście. Pierwsza to dryf wersji: karta z 7 października raportowała d1-omni-600M na poziomie 15,95 w Decision Index v0.2.1, a nowa karta raportuje 18,3 w v0.3. To są różne zestawy testów, a odejmowanie ich mierzy indeks, a nie model. Druga to pochodzenie: każda liczba jest zgłoszona przez dostawcę, oceniona przez Liquid AI, na testach wybranych przez Liquid AI. Nikt spoza firmy nie opublikował przebiegu któregokolwiek z checkpointów.

Kształt wyniku jest jednak spójny. W zadaniach typu klasyfikacyjnego model 587M radzi sobie zaskakująco dobrze — Typed Decisions mieści się w granicach sześciu punktów. Wszędzie tam, gdzie trzeba odczytać scenę, policzyć obiekty lub zinterpretować układ, załamuje się: 21.7 na ImajevBench wobec 72.3 oraz 14.9 na VisualWebBench we wcześniejszym zestawie wobec 88.6. Jeśli Twoim zadaniem jest kierowanie zgłoszenia tekstowego, dodatkowe parametry są luksusem. Jeśli Twoje zadanie polega na patrzeniu na coś, to one są całym produktem.

Gdzie 587M wciąż wygrywa, a liczba, która by to udowodniła

Profil wdrożeniowy to prawdziwa zaleta modelu 587M — i nie jest to nagroda pocieszenia. Model 587M mieszczący się w 850MB działa na laptopie, Raspberry Pi lub telefonie, a Liquid AI stworzyła linię d1 dokładnie w tym celu. Model 2.17B w 4.33GB wymaga GPU lub dobrze wyposażonego komputera Apple Silicon, zanim korzystanie z niego będzie przyjemne.

Brakuje porównania opóźnień, które uczyniłoby ten kompromis precyzyjnym. Karta d1-Omni-2B publikuje pełną tabelę prędkości: 5,8 ms dla jednego pytania i 7,7 ms dla trzech na H100 PCIe, 3,7 ms i 5,6 ms na MI325X, 21,1 ms i 28,9 ms na M5 Pro oraz 1154 stany na sekundę w trybie wsadowym na H100. Karta d1-omni-600M nie publikuje nic i wyjaśnia dlaczego: „Nie podajemy liczb dotyczących wnioskowania dla d1-omni-600M, ponieważ jest to wczesne wydanie badawcze i jest w trakcie aktywnego rozwoju”. Mniejszy model jest więc niemal na pewno szybszy, a nie ma liczby od producenta, którą można by przytoczyć, jak bardzo. Każdy, kto twierdzi, że 587M jest trzy razy szybszy, ekstrapoluje to z liczby parametrów.

Jest jedna prawdziwa przewaga związana z dokładnością, warta wymienienia. Karta modelu d1-Omni-2B zaleca d1-2B zamiast siebie, gdy nie ma dźwięku, i podaje powody: d1-2B jest lepszy w tekście i pojedynczych polach, częściej zgłasza brakujące wartości i jest lepiej skalibrowany. Ta sama rada odradza model omni do pracy wyłącznie z tekstem. Nie mówi, że model 587M jest lepiej skalibrowany — tylko że omni 2B pociąga za sobą koszt związany z możliwością, której możesz nie używać.

Podział audio to punkt, w którym obie generacje wyraźnie się rozdzielają.

Audio to jedyna modalność, w której oba modele konkurują bezpośrednio, a ograniczenia różnią się na tyle, że przesądzają o wyborze architektury.

Model 587M przyjmuje do 30 sekund mowy, oczekuje sygnału mono 16 kHz, a jego karta zawiera wyraźne ostrzeżenie: możliwości audio wytrenowano na żądaniach między anglojęzycznym mówcą a asystentem, obejmujących rodzaj wypowiedzi, jej temat i to, czego chce mówca. To wąski rozkład i podano go jako ograniczenie, a nie przypis.

Model 2B obsługuje mowę w tych samych szesnastu językach co jego część tekstowa, z wyjątkiem hindi, tajskiego, wietnamskiego i indonezyjskiego, a wyniki audio w karcie obejmują 84,5 w ESC-50 dla zdarzeń dźwiękowych i 92,5 w FLEURS dla identyfikacji języka w 43 językach. Pogarsza się również w sposób udokumentowany w karcie: mówione krótkie stany spadają z 42,0 w formie pisanej do 22,8 w słyszanej, a fragmenty Belebele w ośmiu językach spadają z 83,6 do 41,8. Długie mówione fragmenty tracą dokładność, najbardziej poza pismem łacińskim.

Więc podział nie polega na tym, że „2B jest lepszy w audio”. Chodzi o to, że 2B słyszy więcej rodzajów audio i wciąż ma trudności z długim stanem mówionym, podczas gdy 587M słyszy węższy, bardziej kontrolowany wycinek i nigdy nie był benchmarkowany pod kątem zdarzeń dźwiękowych ani identyfikacji języka. W przypadku routingu poleceń głosowych po angielsku ograniczenia 587M są do zniesienia. W przypadku wielojęzycznego sortowania połączeń są dyskwalifikujące.

Który tag pobrać?

Reguły decyzyjne są wystarczająco krótkie, aby można je było przedstawić jako reguły.

• Tylko tekst i obrazy, bez audio w produkcie — nie pobieraj żadnego. d1-2B wypada lepiej niż d1-Omni-2B w indeksie decyzyjnym, 51,1 do 49,0, a karta producenta mówi wprost, żeby go użyć. Dopłata za wersję omni kupuje audio, którego nie użyjesz.

• Routing głosu na sprzęcie o ograniczonych zasobach — d1-omni przy 850 MB. Zaakceptuj limit 30 sekund, rozkład treningowy anglojęzycznych mówców i kontekst 16 384 tokenów, a opóźnienie zmierz samodzielnie, ponieważ dostawca nie poda ci liczby.

• Audio i obrazy w ramach tej samej decyzji albo ramki i zakresy w wyniku — d1-Omni-2B. Model 587M nie potrafi wyrazić tych żądań, więc nie ma czego porównywać.

• Mowa wielojęzyczna — d1-Omni-2B, z czterema wykluczonymi językami sprawdzonymi względem rzeczywistego ruchu, zanim zatwierdzisz.

• Przepustowość wsadowa — d1-Omni-2B, którego karta jako jedyna z dwóch w ogóle publikuje stany na sekundę.

Warto odnotować jeden sygnał adopcji, ponieważ przeczy on narracji z benchmarków: d1-omni-600M zgromadził około 18 900 pobrań i 148 polubień na Hugging Face od 5 października. d1-Omni-2B miał 36 pobrań i 7 polubień cztery dni po pojawieniu się jego repozytorium. Wczesne liczby pobrań mierzą nowość i sposób zapakowania, a nie jakość — model 587M ma tag Ollama, dzięki któremu wystarczy jedno polecenie — ale opisują, który model ludzie faktycznie uruchamiają dzisiaj.

Po podjęciu decyzji, pozostała część rozmowy

Niezależnie od tego, po który tag sięgniesz, model decyzyjny jest pierwszym, a nie ostatnim przeskokiem. Zwraca etykietę z prawdopodobieństwem; coś wciąż musi napisać odpowiedź, eskalować sprawę lub wywołać kolejne API, a ten drugi przeskok jest generatywny. OrcaRouter nie obsługuje modeli Liquid AI, więc wywołanie d1-omni lub d1-Omni-2B odbywa się tam, gdzie już je uruchamiasz — na własnym sprzęcie z wagami z Hugging Face albo u dostawcy. To, co kryje się za jednym kluczem zgodnym z OpenAI, to pozostałe ponad 200 modeli w katalogu, w cenie cennikowej każdego dostawcy z 0% marży, z przełączaniem awaryjnym między dostawcami, gdy to wybrany przez Ciebie model dalszego etapu ma gorszy dzień. W przypadku tak nowego modelu ten rozdział jest przydatny: nieprzetestowana część pozostaje lokalna i tania, a część, która dotyka ruchu produkcyjnego, zyskuje ścieżkę ponownych prób.

Liczba, której nie daje ci żadna z kart

Żaden z checkpointów nie ma niezależnej oceny. Model 587M jest publiczny od 5 października i wciąż jej nie ma; model 2B ma cztery dni. Dopóki ktoś nie przetestuje obu na tym samym zestawie audio, z tym samym mikrofonem i w tych samych językach, ośmiokrotna różnica liczby parametrów pozostaje tabelą dostawcy, a nie zmierzonym faktem. Konkretną liczbą, na którą trzeba uważać, jest 22,8 w przypadku mówionych krótkich stanów — to jedyny wiersz, w którym karta samego nowego modelu przyznaje słabość wystarczająco dużą, by zmienić decyzję o wdrożeniu, i wiersz, który najprawdopodobniej się zmieni, gdy ktoś spoza Liquid AI skieruje na niego mikrofon.