d1-omni vs Liquid AI D1 Omni 600M: dwie nazwy, jeden checkpoint i liczba kontekstu, której źródła nikt nie potrafi wskazać

Liquid AI D1 Omni 600M i d1-omni nie są dwoma modelami ani dwoma checkpointami tego samego modelu. To jeden zestaw wag — multimodalny model decyzyjny Liquid AI z 587 mln parametrów, zbudowany na bazie Liquid AI LFM2.5-Encoder-350M i opublikowany na Hugging Face 5 października 2026 pod nazwą repozytorium LiquidAI/d1-omni-600M — występujący pod dwiema różnymi nazwami plików w dwóch różnych katalogach. Jeden z tych katalogów, katalog dostawcy, mówi, czym jest model. Drugi, katalog Ollama, mówi, w co ktoś go zapakował, i podaje na karcie trzy liczby, których dokumentacja dostawcy nie potwierdza. Ta rozbieżność jest całym powodem, dla którego warto przeczytać to porównanie, ponieważ w przypadku tak małego modelu sposób pakowania nie jest przypisem — to różnica między modelem tekstowo-obrazowym a modelem, który według karty został pobrany.

Dostawca nie ogłosił niczego na temat wpisu dotyczącego Ollama i nie ma żadnej notatki opiekuna, wpisu w changelogu ani readme na stronie Ollama, które by to wszystko wyjaśniały. Uczciwe ujęcie wszystkiego poniżej jest więc takie: wagi są publiczne i można je sprawdzić, pakowanie jest publiczne i można je sprawdzić, a przedstawiona tutaj interpretacja pakowania jest nasza, a nie Liquid AI. Tam, gdzie nie można prześledzić liczby do źródła, ten tekst tak mówi, zamiast ją powtarzać.

Jakie właściwie są te dwie nazwy

Liquid AI opublikowała model na Hugging Face ze znacznikiem czasu utworzenia 5 października 2026 r., dwa dni przed tym, jak pojawił się we własnym wpisie blogowym dostawcy „Open d1: Edge decision models for text, vision, and audio” 7 października. Wagi objęto licencją na warunkach własnej licencji Liquid LFM 1.0, oznaczając je tagami d1_omni, system-one, multimodal, vision, audio i decision-model, a w chwili pisania zgromadziły około 13 900 pobrań i 135 polubień. Warianty skwantyzowane pojawiły się zgodnie z własnym harmonogramem: repozytorium GGUF 6 października, kompilacje MLX dla Apple Silicon 12 października.

Wpis w Ollama nie jest żadnym z tych repozytoriów. To strona biblioteki Ollama o nazwie d1-omni, która nosi plakietkę „vision 600m”, wyświetla cztery tagi i została zaktualizowana kilka minut przed napisaniem tego tekstu — dlatego radar w ogóle ją wychwycił. Nic w niej nie wymienia Liquid AI, LFM2.5-Encoder-350M ani repozytorium Hugging Face, z którego pochodzą te bajty.

Praktyczna różnica to więc nazwa pliku i ścieżka dystrybucji, a nie model. Tym, co się różni i co ma znaczenie, są metadane opakowujące bajty.

Trzy liczby na karcie Ollama, sprawdzane jedna po drugiej

Strona Ollama wyświetla rozmiar, okno kontekstu i listę danych wejściowych dla każdego tagu. Wszystkie trzy zasługują na drugie spojrzenie, ponieważ w przypadku tego modelu dwa z nich nie wytrzymują zetknięcia ze źródłem.

• Okno kontekstu — 125K na karcie modelu, 16 384 w każdym źródle producenta. Karta modelu Liquid AI podaje limit 16 384 tokenów obejmujący łącznie pozycje tekstowe, obrazowe i audio, a własna strona dokumentacji producenta dla d1-omni-600M mówi „16K tokenów”. Ciąg 125K nie pojawia się w żadnym z nich. Może to być artefakt konfiguracji pozycyjnej leżącej u podstaw architektury LFM2.5-Encoder albo sposobu, w jaki Ollama raportuje limit pamięci podręcznej, ale nie jest to liczba opublikowana przez Liquid AI ani taka, którą ten artykuł mógłby komukolwiek przypisać. Tym, co czyni tę rozbieżność czymś więcej niż pedanterią, jest kolejna liczba w dół.

• Stan, który faktycznie możesz przekazać, jest ograniczony do 896 tokenów na ścieżce obrazu. Karta Liquid mówi, że gdy obecne są obrazy, „tekst stanu i pytania jest przycinany do 896 tokenów, zgodnie z treningiem”. Zatem żądanie decyzyjne zawierające zdjęcie ma budżet tekstowy w przybliżeniu wielkości tego zdania, niezależnie od tego, jaka liczba kontekstu jest wydrukowana na stronie pull. Jeśli dobierałeś prompt do triażu względem 125K i oczekiwałeś zapłaty za długi stan, to dobierałeś go względem liczby, która nie opisuje środowiska uruchomieniowego. Liczba 16 384 to rzeczywisty sufit; liczba 896 to rzeczywisty limit roboczy dla ścieżki multimodalnej; 125K to liczba bez śladu dokumentacyjnego.

• Rozmiar — 850 MB na karcie, dwa pliki w rejestrze. Tag Ollama d1-omni:latest wskazuje na 407-megabajtowy plik skwantyzowanych wag oznaczony jako Q8_0 oraz 442-megabajtowy plik projektora oznaczony jako BF16, a 407 + 442 = 849, co strona zaokrągla do 850 MB. Oba są wymienione uczciwie; arytmetyka to po prostu suma pary o mieszanej precyzji, a nie jednego pliku. Tag d1-omni:600m-bf16 jest tym czystszym: 764 MB wag BF16 plus ten sam 442-megabajtowy projektor, 1,2 GB na dysku, a projektor jest identyczny co do bajtu w obu tagach. Warto to zauważyć na potrzeby następnej sekcji, ponieważ projektor, który niesie własne wagi, może zmienić efektywną liczbę parametrów.

Jeszcze jeden szczegół wart odnotowania, a nie wyjaśniania: blob parametrów czasu wykonania w pakiecie d1-omni firmy Ollama ma bajt po bajcie tę samą długość — 18 bajtów — co ten w osobnym pakiecie d1 firmy Ollama, który zawiera Liquid AI d1-3B z 2,87 GB wag Q8_0 i 855 MB projektora. Dwie architektury, dwie liczby parametrów, dwa rzędy wielkości skali parametrów między nimi i ta sama 18-bajtowa konfiguracja czasu wykonania. To stała pakowania, a nie twierdzenie o którymkolwiek z modeli.

Co mówią same wagi

Pomińmy opakowanie, a model okaże się wyjątkowo dobrze udokumentowany. Liquid AI D1 Omni 600M ma łącznie 587 mln parametrów podzielonych na trzy części: 381 mln wspólnego trzonu i głowicy decyzyjnej, 94 mln enkodera wizji i 112 mln enkodera audio. Trzon jest dwukierunkowy — to enkoder, a nie dekoder — i jest to ten sam trzon dla każdej modalności, z doczepionymi wieżami specyficznymi dla poszczególnych modalności.

• Wizja pochodzi z wieży SigLIP2 odziedziczonej z Liquid AI LFM2.5-VL-450M, wraz z adapterem i aktualizacjami LoRA, które były aktywne wyłącznie dla wejść obrazowych, podczas gdy sam enkoder pozostał zamrożony.

• Audio pochodzi z 17-warstwowego FastConformera z własnym adapterem, dostrojonego na etapie, w którym szkielet tekstowy był zamrożony, następnie dostrojono cały stos, scalono LoRA, a wagi uśredniono z powrotem względem poprzedniego checkpointu.

• Słownik obejmuje 65 536 tokenów w 15 językach: angielskim, niemieckim, hiszpańskim, francuskim, włoskim, niderlandzkim, polskim, portugalskim, arabskim, hindi, japońskim, rosyjskim, tureckim, wietnamskim i chińskim.

• Nie można mieszać modalności. Pojedyncze żądanie przyjmuje tekst i obrazy albo tekst i do 30 sekund mowy — nie jedno i drugie. Oczekuje się, że audio będzie w formacie 16 kHz mono, trwające od 0,5 do 30 sekund, a model był trenowany na rozmowach między osobą mówiącą po angielsku a asystentem, co stanowi realne ograniczenie w przypadku wszelkich treści wielojęzycznych lub zaszumionych.

Nic z tego nie pojawia się na stronie Ollamy, a to pominięcie ma konsekwencję, którą można zobaczyć bezpośrednio w przykładach użycia. Fragmenty kodu Ollamy to wywołania czatu — ciąg modelu, tablica wiadomości, słowo „Hello!” — a bazowy checkpoint nie potrafi na nie odpowiedzieć. To nie jest model czatu i nie pisze tekstu. Zwraca odpowiedzi określonego typu: prawdopodobieństwo tak/nie, etykietę z prawdopodobieństwem dla każdej etykiety lub pozycję na uporządkowanej skali — wszystko odczytywane bezpośrednio z rozkładu wyjściowego, bez generowania jakichkolwiek tokenów wyjściowych. Opublikowane interfejsy to odzwierciedlają: system_one i probabilities przez Transformers lub /v1/systemone endpoint przez llama.cpp 0.7.0 i nowsze. Wywołanie w kształcie czatu wobec modelu decyzyjnego to błąd, do którego zachęca ta luka w nazewnictwie.

Z każdą z tych liczb wiążą się dwa zastrzeżenia.

Po pierwsze, Liquid ocenił własne wiersze za pomocą oficjalnego narzędzia oceniającego, zamiast zgłaszać je do publicznego rankingu, a żadna strona trzecia nie odtworzyła żadnego wyniku d1-omni-600M — dostawca wprost stwierdza na karcie modelu, że nie podaje liczb dotyczących wnioskowania dla tego checkpointu, ponieważ jest to wczesne wydanie badawcze w aktywnym rozwoju. Po drugie, dwie główne liczby są ze sobą sprzeczne: 32-punktowa różnica w indeksie i 4,5-punktowa różnica średniej benchmarków opisują ten sam model, dlatego użyteczną lekturą są podwyniki, a nie sumy. Wynik Retrieval na poziomie 35,0 i Tools na poziomie 15,1 w porównaniu z Arts na poziomie 6,8 mówi, do jakich zadań ten checkpoint jest gotowy, a do jakich nie. Audio nie ma w ogóle kolumny benchmarkowej; Liquid nazywa dedykowane benchmarki decyzyjne dla audio otwartym problemem.

Liquid AI D1 Omni 600M również przewodzi swojej rodzinie w dwóch z siedmiu: Civil Comments z wynikiem 95,8 i PAWS-X z wynikiem 79,5. To dwa wiersze, w których enkoder 587M bezpośrednio przewyższa dekoder 3B, a oba mają charakter klasyfikacji tekstu, a nie rozumowania — co pasuje do architektury, a nie stoi z nią w sprzeczności.

Wybierz według tego, czego chcesz. Jeśli chcesz uruchomić go lokalnie pod Ollama, d1-omni to nazwa, która działa — 850 MB dla kompilacji Q8_0, 1,2 GB dla BF16, ta sama ścieżka obrazu, którą dokumentuje Liquid, i żaden z tagów nie zawiera projektora audio. Jeśli chcesz model opisany przez dostawcę, Liquid AI D1 Omni 600M to nazwa, której szukać, a ścieżka przez Transformers za pośrednictwem repozytorium Hugging Face jest tą, w której długość kontekstu, lista modalności i liczba parametrów są zgodne z dokumentacją.

Tak czy inaczej, to tańsza połowa całego potoku. Model decyzyjny klasyfikuje; coś innego musi zadziałać na podstawie tej klasyfikacji. To jest granica, na której znajduje się OrcaRouter, i ta, którą warto dokładnie określić: żaden model Liquid AI nie znajduje się w naszym katalogu, więc samo wywołanie d1-omni trafia tam, gdzie już je uruchamiasz — te wagi na własnym sprzęcie albo w API dostawcy i na platformach zewnętrznych w przypadku hostowanych wariantów. 200+ modeli za jednym kluczem zgodnym z OpenAI służy do obsługi wszystkiego, co dzieje się dalej, po cenie katalogowej każdego dostawcy przekazywanej z 0% marży, z automatycznym przełączaniem awaryjnym między dostawcami, gdy wstępnie sklasyfikowane żądanie rozdziela się na model, który ma zły dzień.

Co rozstrzygnęłoby otwartą kwestię

Trzy rzeczy zamknęłyby tę sprawę, a żadna z nich nie wymaga ogłoszenia od dostawcy. Porównanie przez kogoś danych wyjściowych tagu 850MB Ollama z checkpointem Hugging Face na tych samych danych wejściowych powiedziałoby nam, czy pakowanie zmieniło odpowiedzi. Commit llama.cpp lub wpis w changelogu Ollama wyjaśniający liczbę kontekstu powiedziałby nam, czy 125K to pomyłka, czy możliwość, za którą karta modelu jeszcze nie nadążyła. A opublikowany wynik audio — jakikolwiek wynik audio — przeniósłby ten checkpoint z kategorii, którą obecnie zajmuje, czyli dobrze udokumentowanego modelu z nieudokumentowaną warstwą pakowania i tabelą wyników należącą w całości do dostawcy.

Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i znacznik sporności.