d1-2B vs Liquid AI d1-omni-600M: Quando a entrada decisiva é o som

Coloque uma nota de voz e uma fatura fotografada diante destes dois modelos e apenas um deles conseguirá responder, e não é o que tem a melhor pontuação. d1-2B lê texto, JSON, imagens e vídeo, e não aceita áudio de forma alguma. Liquid AI d1-omni-600M lê texto com imagens ou texto com até 30 segundos de fala, e não aceita áudio e imagens na mesma requisição. Essa única assimetria decide a maioria das implantações reais antes mesmo de qualquer benchmark ser consultado. O que segue é, ainda assim, a versão honesta da comparação: onde o modelo de 587M é genuinamente competitivo, onde o modelo de 1,92B não está nem perto de ser substituível, e o único padrão de pipeline que usa ambos sem fingir que são alternativas.

A decisão é uma questão de modalidade, não de pontuação.

Um modelo de decisão recebe um estado e um conjunto de perguntas nomeadas e retorna uma probabilidade por resposta, sem tokens gerados. O estado é toda a entrada, e o tipo do estado é a restrição vinculante. A ficha do d1-2B lista texto, JSON, imagens e vídeo. A ficha do Liquid AI d1-omni-600M lista texto com imagens, ou texto com áudio — e o código impõe a exclusão: passar tanto uma imagem quanto um clipe de áudio para system_one lança um ValueError.

Então, a primeira pergunta não é qual modelo pontua mais alto. É se aquilo que você precisa avaliar chega como pixels, como texto ou como uma forma de onda. Se chegar como uma forma de onda, há uma resposta neste par, e o restante desta página trata de quanta precisão você abre mão para obtê-la.

O que 587M realmente compra

O 600M não é uma versão pequena do d1-2B. É uma construção diferente, e vale a pena ver o orçamento itemizado porque ele explica tanto seus pontos fortes quanto seu limite.

• Parâmetros — 587M no total: um tronco compartilhado e uma cabeça de decisão de 381M, um codificador de visão de 94M e um codificador de áudio de 112M. Todas as modalidades passam pelos mesmos pesos do tronco.

• Base — LFM2.5-Encoder-350M, um codificador bidirecional, com uma torre de visão SigLIP2 emprestada do LFM2.5-VL-450M e um FastConformer de 17 camadas para áudio.

• Contexto — 16.384 tokens em posições de texto, imagem e áudio juntas, e um vocabulário de 65.536 tokens. A janela do d1-2B é de 128K.

• Áudio — até 30 segundos de fala mono de 16 kHz por solicitação. O cartão deixa explícito que o lado de áudio foi treinado em solicitações entre um falante de inglês e um assistente, o que é uma distribuição estreita para um modelo que as pessoas vão usar com gravações de chamadas.

• Regra de mídia — imagens ou áudio, nunca ambos. O cartão documenta o ValueError em vez de deixar que você o descubra.

• Licença — LFM Open License v1.0, a mesma estrutura de limite do d1-2B: uso comercial com receita anual inferior a US$ 10.000.000.

• Velocidade — não publicada. A ficha não informa dados de latência, descrevendo o modelo como um lançamento de pesquisa inicial em desenvolvimento ativo. O d1-2B publica 5,7 ms em uma H100 PCIe, 3,8 ms em uma MI325X e 18,6 ms em uma M5 Pro.

A tabela da mesma execução, e as linhas onde a diferença é pequena

Ambos os modelos aparecem na tabela de benchmark na ficha do d1-2B, que pontua quatro modelos abertos d1 em itens idênticos com um mesmo avaliador. Isso torna a comparação mais limpa do que a maioria das comparações entre fichas, com uma ressalva: a própria ficha do d1-omni-600M reporta 15,95 no Decision Index 0.2.1, enquanto esta tabela reporta 18,3 na versão 0.3. A diferença é a edição do índice, e ambos os números estão corretos para seu próprio teste.

• Suíte pública Decision Index v0.3 — 51,1 para o d1-2B vs 18,3 para o Liquid AI d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 77,1 vs 58,7.

• Decision Bench (decisionbench.ai) v4 — 85,2 vs 57,9.

• ImajevBench v2.0-lite — 75,5 vs 21,7, a maior diferença do lado da decisão entre os dois.

• WorkflowEvals — 81,6 vs 48,8.

• Média do Vision, 18 benchmarks — 70,2 vs 42,8.

• VisualWebBench — 96,2 vs 14,9, o que é menos uma comparação do que uma afirmação sobre o quanto um codificador visual de 94M pode carregar.

Depois, as linhas que defendem contenção. Typed Decisions é 61,3 contra 57,5 — uma diferença de 3,8 pontos para um modelo com um terço dos parâmetros. POPE, o benchmark de alucinação de objetos, é 88,7 contra 82,7. JevBench é 77,9 contra 58,0, uma diferença ampla, mas DecisionBench v4 é 85,2 contra 57,9, e os dois juntos indicam que o 600M é irregular em vez de uniformemente fraco. O próprio post de lançamento da Liquid AI coloca a média dos seus sete benchmarks em 78,4, o que é alto para 587M; a ficha do d1-2B não publica uma média equivalente, então os dois números não devem ser colocados lado a lado.

O único número que não lisonjeia nenhum dos dois modelos é o independente. Efraín Garay rodou o Liquid AI d1-omni-600M em uma amostra de 6.000 requisições do Decision Index 0.3 e obteve 14,0, contra 14,17 do próprio fornecedor na mesma amostra — uma reprodução próxima. Ele também descobriu que 1.758 requisições excederam o orçamento de instruções e opções do modelo e foram recusadas, contadas como erradas, o que é um custo real de uma janela de 16K em uma suíte criada para estados mais longos.

Onde o 600M é a única opção

O roteamento de áudio é o caso para o qual o modelo foi criado, e os exemplos do card são concretos: roteamento de chamadas e de mensagens de voz, eventos sonoros, instruções faladas sobre um estado escrito. Nada disso está disponível no d1-2B em qualquer nível de precisão, porque ele não tem codificador de áudio nem posições de áudio em seu esquema de entrada.

Dois pontos de dados independentes deveriam moderar o discurso de venda. O primeiro é a avaliação acima, em que o 600M obteve um AUC de detecção de disparos de 0,580 e um AUC de previsão de chuva de 0,593 em tarefas com dados reais — apenas pouco acima do acaso e atrás de todos os modelos maiores testados. O segundo é uma análise prática que mediu menos de 2 GB de VRAM em uso e constatou que o modelo classifica elocução e tom no áudio com muito mais confiabilidade do que significado semântico, com perguntas do tipo inferência próximas de um cara ou coroa. Ambos apontam na mesma direção: este é um modelo de triagem. Ele é bom em “que tipo de coisa é isto”, e não substitui um modelo que entende o que foi dito.

Isso não é uma crítica a um checkpoint de 587M. É o que 587M compra quando 381M dele são tronco compartilhado. O motivo para usá-lo é custo e pegada — menos de 2 GB de VRAM, um repositório GGUF desde 6 de outubro, builds MLX desde 12 de outubro, e uma decisão em uma única passagem forward — não fidelidade.

Uma cascata que usa ambos

O erro é tratá-los como concorrentes. Eles são duas etapas do mesmo filtro, e o pipeline natural executa primeiro o modelo barato.

Primeira etapa: o Liquid AI d1-omni-600M recebe o item de entrada — uma nota de voz, uma ligação para o suporte, uma reclamação escrita com anexo — e responde a perguntas básicas. É um problema de cobrança ou técnico? Quem liga está irritado? Esta mensagem contém algum pedido? Com menos de 2GB e uma única passagem, isso é barato o suficiente para rodar em cada item.

Estágio dois: qualquer coisa que o 600M coloque perto do meio de sua escala, ou qualquer coisa que chegue com uma imagem que precise ser lida, é encaminhada para d1-2B. O 2B recebe uma janela de 128K, entrada de vídeo e aproximadamente o triplo da média de visão, e só vê a fração do tráfego que o primeiro estágio não conseguiu resolver.

Os limiares são o trabalho. Ambos os cards retornam probabilidades, e ambos dizem para você calibrar com seus próprios dados — o card do d1-2B diz isso com todas as letras. Uma cascata com uma faixa intermediária não calibrada ou escala tudo, caso em que o 600M era enfeite, ou não escala nada, caso em que o 2B nunca corrige o estágio que não consegue ler.

Há um terceiro estágio na maioria dos sistemas reais: o modelo que escreve a resposta. É aí que entra uma API hospedada, e é aí que o OrcaRouter se torna relevante. Nenhum dos modelos da Liquid AI é servido por nós, portanto os nós de decisão permanecem na sua própria GPU; a etapa generativa que consome os rótulos deles pode vir de uma única chave compatível com OpenAI que cobre mais de 200 modelos, com 0% de acréscimo sobre os preços de tabela dos provedores e failover automático se um provedor cair no meio do tráfego. A DSL de roteamento também é a forma honesta de expressar a própria cascata — os dois modelos de decisão como etapas no lado da GPU, a geração da resposta como uma etapa hospedada, compostas em vez de coladas no código da aplicação.

O que nenhum dos dois modelos faz, e a terceira opção

Nenhum dos dois escreve texto. Ambos retornam respostas tipadas e probabilidades com zero tokens de saída; se o próximo passo precisar de prosa, trata-se de um modelo diferente. Nenhum dos dois lida com vídeo com áudio: o d1-2B recebe quadros de vídeo, mas não som; o 600M recebe som, mas não junto com imagens; e o teto de 30 segundos de áudio é um limite rígido, não uma recomendação.

Se o requisito for genuinamente "áudio e imagens na mesma solicitação", a resposta não é nenhuma dessas — é o d1-Omni-2B, o irmão de 2,17B que a Liquid AI criou vinte e quatro segundos depois do d1-2B e que aceita texto, imagens, quadros de vídeo e clipes de áudio em uma única lista de mídia. Sua pontuação no Decision Index é 49,0 na mesma tabela v0.3, sua média em visão é 67,7, e ele tem a mesma ausência de testes independentes que o d1-2B. Ele custa aproximadamente quatro vezes os parâmetros do 600M, que é o preço de não ter de escolher entre modalidades.

Então, a regra é curta. Se o estado contém fala e nada mais precisa ser visto, o Liquid AI d1-omni-600M é o único membro deste par que pode ser executado, e deve ser tratado como uma tela. Se o estado for texto, imagens ou vídeo e a resposta tiver de se sustentar, o d1-2B é o modelo — e é ele que tem um valor de latência publicado, uma janela de 128K e uma vantagem em benchmark que sobrevive a ser lida linha por linha. Se o estado tiver ambos, nenhum dos dois é a resposta, e o modelo omni de 2.17B é.