d1-Omni-2B: Z czym trafia najmniej rozgłośny model decyzyjny 2B od Liquid AI — i czego nie zawiera

Repozytorium Hugging Face dla LiquidAI/d1-Omni-2B utworzono 24 października 2026 r. o 19:30 UTC. Pierwszy wpis na blogu Liquid AI, w którym wymieniono model z nazwy, pojawił się 27 października. Przez te trzy dni repozytorium było publiczne i kompletne — pełna karta specyfikacji, 4,33 GB safetensorów BF16, działający kod Transformers — a nic, co opublikował dostawca, nie wskazywało, że ono istnieje. Gdy wzmianka w końcu się pojawiła, były to dwa akapity i tabela z czterema wierszami w ramach premiery rodziny sześciu modeli, a nie osobna premiera. Taki jest kształt tego wydania i to uczciwe ramy dla wszystkiego poniżej: wagi można sprawdzić, twierdzenia należą do dostawcy, a elementów, które kupujący zwykle dostaje z ogłoszenia — ceny, hostowanego endpointu, niezależnego benchmarku — jeszcze nie ma.

Pięciodniowa luka między ciężarami a słowami

Historia modeli decyzyjnych Liquid AI została opowiedziana dwukrotnie, a d1-Omni-2B nie pojawia się w żadnej z tych opowieści. 7 października firma opublikowała tekst „Open d1: Edge decision models for text, vision, and audio”, w którym przedstawiła dokładnie dwa otwarte checkpointy: d1-3B, model wizyjno-tekstowy o 3,12 mld parametrów, oraz d1-omni-600M, model o 587 mln parametrów, który przyjmował tekst z obrazami lub tekst z maksymalnie 30 sekundami dźwięku. Ten wpis jest nadal dostępny i nadal nie zawiera żadnego modelu 2B.

Linia 2B pojawiła się według innego harmonogramu. 21 października bazowy checkpoint LFM3-Omni-2B pojawił się na Hugging Face. 24 października, w odstępie dwudziestu czterech sekund, Liquid AI utworzyła repozytoria dla d1-2B i d1-Omni-2B. Opublikowany 27 października post o premierze LFM3 nazwał wtedy rodzinę: sześć modeli o około 2B parametrów, cztery obejmujące tekst, wizję, dźwięk i omni oraz, jak ujęto to w samym poście, „dwa ostatnie to modele decyzyjne wyspecjalizowane na bazie modeli vision i omni”. To zdanie jest ogłoszeniem. Nie było osobnego posta o d1-Omni-2B, strony z cenami, cytatu od partnera przy premierze ani aktualizacji artykułu z 7 października.

Zatem model nie jest nieudokumentowany — repozytorium to jeden z lepiej udokumentowanych małych checkpointów opublikowanych przez Liquid AI, a strona dokumentacji dostawcy poświęcona modelom decyzyjnym wymienia go obok d1-2B i d1-omni-600M. Jest jednak zbyt słabo zapowiedziany. To rozróżnienie ma znaczenie, ponieważ pozwala stwierdzić, które twierdzenia przeszły przegląd przed premierą, a które nie.

Odczyt karty jako arkusza specyfikacji

Pomijając otoczkę, sam checkpoint jest prosty. d1-Omni-2B to dotrenowany model decyzyjny zbudowany na LFM3-Omni-2B; nie jest to model czatowy: nie pisze tekstu ani nie generuje mowy, a każde wywołanie zwraca output_tokens: 0.

• Parametry — 2,17 mld, dostarczany jako pojedynczy plik safetensors BF16 o rozmiarze 4,33 GB.

• Architektura — szkielet LFM3: 24 warstwy, z których 13 to bramkowane krótkie konwolucje, 5 to mechanizmy uwagi z przesuwnym oknem o rozmiarze 256 tokenów, a 6 to globalny mechanizm uwagi. Wpis o rodzinie modeli opisuje tę trójhybrydową kombinację jako wynik przeszukiwania architektury w pętli sprzętowej, przeprowadzonego dla 14 kombinacji urządzeń i backendów.

• Kontekst i słownictwo — 128 tys. tokenów i słownik liczący 128 000 tokenów współdzielony z resztą LFM3.

• Wejście — stan, który może być tekstem lub dowolną wartością JSON, a także obrazami, klatkami wideo i klipami audio, oraz dowolną liczbą nazwanych pytań, pisanych lub mówionych. API karty przyjmuje to wszystko w jednej media liście, co stanowi istotną różnicę w stosunku do checkpointu 587M: d1-omni-600M jest udokumentowany jako tekst z obrazami lub tekst z dźwiękiem, nie oba jednocześnie.

• Dane wyjściowe — odpowiedzi z określonym typem i prawdopodobieństwami. Tak/nie, wybór jednej z nazwanych opcji, uporządkowany wynik, wartość odczytana z dokumentu wraz z jej fragmentem, liczba z przedziałem p10–p90, ramka ograniczająca lub każde wystąpienie obiektu wraz z liczbą.

• Języki — szesnaście. Mowa obejmuje ten sam zestaw z wyjątkiem hindi, tajskiego, wietnamskiego i indonezyjskiego, co warto zaznaczyć, ponieważ część tekstowa je wymienia.

• Licencja — LFM Open License v1.0. Komercyjne wykorzystanie jest dozwolone poniżej $10,000,000 rocznego przychodu; powyżej tej kwoty tekst licencji stanowi, że komercyjne wykorzystanie „nie jest licencjonowane na mocy niniejszej Umowy”.

Audio to twierdzenie, które warto przetestować.

Powodem, dla którego warto sięgnąć po ten checkpoint zamiast d1-2B, jest audio. Liquid AI pozycjonuje go jako rozwiązanie do „routingu połączeń i wiadomości głosowych oraz zdarzeń dźwiękowych”, a karta modelu zawiera ten jeden dowód, od którego wpis ogłaszający premierę zwykle zaczynałby: porównanie wersji mówionej i pisanej na tych samych elementach.

• Routing i triage biznesowy (DecisionBench, Hanno Labs v1) — 83,4 na piśmie, 78,2 ustnie.

• Sprawy obsługi klienta (decyzje wpisane) — 50,5 pisemnie, 48,0 ustnie.

• JevBench v1.4.1, wiersze, które głos może wypowiedzieć — 87,6 w wersji pisanej, 89,0 w mówionej, co oznacza, że przebieg mówiony uzyskał nieco wyższy wynik, będący raczej szumem niż poprawą.

• Zdarzenia dźwiękowe (ESC-50) — 84,5, bez odpowiednika tekstowego.

• Identyfikacja języka mówionego (FLEURS, 43 języki) — 92,5.

Te liczby potwierdzają tę argumentację. Reszta sekcji audio to część, która mówi, gdzie nie budować, i jest wyjątkowo szczera jak na kartę produktu dostawcy. Krótkie wypowiedzi mówione spadają z 42,0 w wersji pisanej do 22,8 w wersji słyszanej. Fragmenty Belebele w ośmiu językach spadają z 83,6 do 41,8. Karta stwierdza wprost, że długie wypowiedzi mówione tracą znaczną część dokładności, „przede wszystkim poza językami używającymi pisma łacińskiego”, i kieruje każdego bez wejścia audio do d1-2B, który — jak twierdzi — jest mocniejszy w tekście i pojedynczych polach, częściej zgłasza brakujące wartości i jest lepiej skalibrowany.

Odczytane razem, te wiersze opisują model, który dobrze radzi sobie z krótkimi, możliwymi do skierowania wypowiedziami w głównych językach, a znacznie słabiej z czymkolwiek, co wymaga utrzymania długiego stanu mówionego. Triaż w centrum obsługi telefonicznej pasuje. Czterdziestominutowe nagrane spotkanie już nie.

Tablica wyników należy do dostawcy, a indeks zmienił wersję.

Każda liczba dotycząca wydajności podana dla tego modelu pochodzi od samego Liquid AI. Karta wyraźnie opisuje metodę: wszystkie cztery modele d1 zostały ocenione na tych samych elementach przy użyciu tej samej metody punktacji, więc niektóre wartości nieznacznie różnią się od tych z poszczególnych kart, z których pochodzą. Nie ma w niej informacji, jakoby jakakolwiek strona trzecia odtworzyła którekolwiek z tych wyników, a w chwili pisania nie istnieje żadna niezależna ocena d1-Omni-2B.

• publiczny zestaw Decision Index, v0.3 — 49,0 dla d1-Omni-2B, wobec 51,1 dla d1-2B, 49,0 dla d1-3B i 18,3 dla d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76,4 wobec odpowiednio 77,1, 73,1 i 58,7.

• decisionbench.ai v4 — 84,7, w porównaniu do 85,2, 83,6 i 57,9.

• ImajevBench v2.0-lite — 72,3 wobec 75,5, 64,0 i 21,7.

• Własna tablica wyników producenta obejmująca ponad sto benchmarków — 61,8 wobec 63,2, 58,8 i braku wyniku dla 600M.

• Średnia wizji w 18 benchmarkach obrazów — 67,7 w porównaniu z 70,2, 65,4 i 42,8.

W środku tego kryje się jedna pułapka. W poście z 7 października podano d1-omni-600M z wynikiem 15,95 w Decision Index v0.2.1. Nowa karta podaje go jako 18,3 w v0.3. To różne zestawy testów i różnica nie jest wzrostem możliwości; nie odejmuj jednego od drugiego. Jedynym uczciwym porównaniem jest to, którego karta faktycznie dokonała, z ponownym ocenieniem wszystkich czterech modeli na tych samych pozycjach.

Schemat, który utrzymuje się po ponownym ocenianiu, polega na tym, że d1-Omni-2B plasuje się tuż poniżej d1-2B pod niemal każdym względem i z dużą przewagą powyżej poprzedniej generacji. Liquid AI przedstawia to jako pokonanie d1-3B na swojej tablicy decyzyjnej oraz w 16 z 18 testów porównawczych dotyczących obrazów przy 70% parametrów, co jest zgodne z prawdą w przypadku tabeli w przedstawionej postaci, a jednocześnie jest porównaniem z modelem, który ta rodzina modeli już zastąpiła.

Na co repozytorium nie odpowiada

Pięć pytań wciąż pozostaje otwartych i na żadne z nich nie odpowiada odczytanie wag.

• Dostęp hostowany i cena. W poście o LFM3 podano, że modele bazowe i modele po dostrajaniu są dostępne na Hugging Face, w Playground oraz przez Liquid AI API. Tabela w dokumentacji modeli decyzyjnych wymienia jednak d1-Omni-2B jako model z otwartymi wagami i rezerwuje wiersze dotyczące wyłącznie dostępu hostowanego dla d1.1 i d1-ultra, a strona modelu na Hugging Face stwierdza, że „ten model nie jest wdrażany przez żadnego dostawcę wnioskowania”. Nigdzie nie opublikowano ceny za wywołanie tego checkpointu — w żadnym miejscu, do którego dotarł ten artykuł — dlatego dostęp hostowany należy uznać za prawdopodobny, lecz niepotwierdzony.

• Dane treningowe. Karta nie podaje korpusu, składu ani opisu zbioru danych. Wspomina o testowaniu na klipach i głosach „których nie ma żaden wiersz treningowy”, co sugeruje, że zbiór treningowy istnieje, i nie mówi nic o tym, co się w nim znajduje.

• Kwantyzacja. Główne repozytorium udostępnia BF16, a Liquid AI publikuje trzy pokrewne kompilacje: MLX fp16, MLX 8-bit i eksport ONNX. Nie ma GGUF od dostawcy, choć biblioteka d1-omni w Ollama zawiera tag 2b przy 4.4GB i kontekście 125K, a rozmiar jest wystarczająco bliski checkpointowi BF16, że nie wygląda na agresywną kwantyzację.

• Niezależna ocena. Brak. Każda liczba powyżej została uzyskana przez dostawcę za pomocą jego własnego narzędzia oceniającego i na jego własnej płytce.

• Czy zastępuje d1-omni-600M. Karta zaleca d1-2B zamiast tego modelu, gdy nie ma audio, a gdy jest, zaleca ten model zamiast d1-2B. Nie mówi nic o przyszłości checkpointu 587M, a Liquid AI nie oznaczyła go jako przestarzałego.

Uruchamianie tego i koszty sprzętowe

Ścieżka wnioskowania to Transformers 5.19 lub nowszy z trust_remote_code, a wywołanie to model.system_one(state, questions, media). Nie ma parametrów próbkowania do ustawienia, ponieważ nic nie jest próbkowane. Kompilacja zajmuje około minuty przy pierwszych wywołaniach; następnie karta podaje 5,8 ms dla jednego pytania i 7,7 ms dla trzech na H100 PCIe, 3,7 ms i 5,6 ms na AMD MI325X oraz 21,1 ms i 28,9 ms na Apple M5 Pro. Stan o długości 5 tys. tokenów kosztuje 52 ms na H100. Grupowanie wsadowe to miejsce, w którym jest przepustowość: 1154 stany na sekundę na H100 i 1697 na MI325X przy 64 stanach w jednym wywołaniu.

Dla modelu z tej klasy te liczby są argumentem. Nie konkuruje on z modelem czatu pod względem jakości; konkuruje z samym uruchamianiem modelu czatu w ogóle. Przebieg w przód w 5,8 ms, który zwraca skalibrowane prawdopodobieństwo, to inna pozycja kosztowa niż wywołanie generatywne, które zwraca akapit, a następnie trzeba go przetworzyć.

Gdzie kończy się decyzja, a zaczyna reszta potoku

Model taki jak ten wykonuje jeden krok. Zamienia zgłoszenie, nagranie rozmowy lub klatkę z kamery w etykietę i poziom pewności, a następnie coś musi zadziałać na podstawie tej etykiety — przygotować odpowiedź, eskalować sprawę, wywołać API. Żaden model Liquid AI nie znajduje się w katalogu OrcaRouter, więc ten drugi krok to miejsce, w którym faktycznie znajduje się nasz produkt: modele generatywne, które wykorzystują tę decyzję, przechodzą przez jeden klucz zgodny z OpenAI obejmujący ponad 200 modeli, w cenie katalogowej każdego dostawcy, przekazywanej bez marży, z automatycznym przełączaniem awaryjnym, gdy żądanie trafi na dostawcę, który akurat ma gorszą chwilę. Model decyzyjny to tania, szybka i deterministyczna część. Warto podłączyć drogą, niedeterministyczną część do czegoś, co potrafi ponawiać próby.

Co by to rozstrzygnęło

Trzy rzeczy przeniosłyby d1-Omni-2B z kategorii „obiecujący” do „godny polecenia”, i żadna z nich nie wymaga kolejnego wpisu na blogu. Pierwsza to niezależne uruchomienie zestawu testów audio na sprzęcie, którego dostawca nie kontroluje — różnica 22,8 wobec 42,0 w przypadku mówionych krótkich stanów to liczba, która najprawdopodobniej zmieni się pod cudzym mikrofonem. Druga to opublikowana cena dostępu hostowanego, bez której nie można dokończyć kalkulacji „zbudować czy kupić”. Trzecia to bezpośrednie porównanie z d1-2B na tych samych zadaniach obejmujących dźwięk, ponieważ zawarta w karcie rekomendacja — używać 2B omni tylko wtedy, gdy dane wejściowe obejmują dźwięk — jest najbardziej użytecznym zdaniem w niej, a zarazem tą, której nikt nie przetestował poza Liquid AI.