d1-Omni-2B vs d1-omni: Uma Tag, Dois Checkpoints e uma Diferença de Oito Vezes

Baixe d1-omni hoje e você obtém um modelo de decisão de 587M de parâmetros em 850MB. Baixe d1-omni:2b e você obtém 4,4GB de algo completamente diferente — d1-Omni-2B, o modelo de decisão de áudio que a Liquid AI lançou com a família LFM3 em 27 de outubro de 2026, em contraste com d1-omni, o nome que a Ollama usa desde o início de outubro para o checkpoint d1-omni-600M do fornecedor. Eles não são as respostas de dois fornecedores para a mesma pergunta. São duas gerações da mesma ideia, com oito vezes de diferença na contagem de parâmetros, e a escolha entre eles é, na verdade, uma escolha sobre onde o modelo precisa rodar. Um cabe em um telefone. O outro quer uma GPU e, em troca, faz coisas que o menor não consegue fazer de jeito nenhum.

A nomenclatura torna isto mais difícil do que devia ser, por isso vale a pena dizer claramente antes dos números: não existe nenhum modelo da Liquid AI chamado simplesmente d1-omni. A documentação do fornecedor lista d1-omni-2B e d1-omni-600M como pesos abertos, e d1.1 e d1-ultra como apenas hospedados. "d1-omni" é um nome de empacotamento — o checkpoint de 587M sob um rótulo mais curto. Esse é o adversário nesta comparação, e é o que a maioria das pessoas já tem no disco.

O que cada um realmente é

Ambos são modelos de decisão no sentido que a Liquid AI dá ao termo: você lhes fornece um estado e uma lista de perguntas nomeadas, e eles retornam respostas tipadas com probabilidades em uma única passagem direta. Nenhum dos dois escreve texto, nenhum produz fala, e ambos relatam zero tokens de saída. A semelhança termina na interface.

• Parâmetros — 2,17B para o d1-Omni-2B contra 587M para o d1-omni, divididos no modelo pequeno em um tronco compartilhado e uma cabeça de decisão de 381M, um codificador de visão de 94M e um codificador de áudio de 112M.

• Arquitetura — um backbone tri-híbrido LFM3 para o 2B: 24 camadas de 13 convoluções curtas com gating, 5 de atenção de janela deslizante e 6 de atenção global. O modelo de 587M é um encoder bidirecional LFM2.5 construído sobre o LFM2.5-Encoder-350M, com uma torre de visão SigLIP2 herdada do LFM2.5-VL-450M e um FastConformer de 17 camadas para áudio.

• Contexto — 128K tokens com um vocabulário de 128.000 tokens para o modelo 2B. O modelo de 587M está documentado com 16.384 tokens, cobrindo posições de texto, imagem e áudio em conjunto, e sua ficha acrescenta que, quando há imagens, o estado e o texto da pergunta são reduzidos para 896 tokens, conforme treinado. A página do Ollama exibe 125K para ambas as tags, um número que o fornecedor não publica; dimensione seus prompts com base no número do fornecedor.

• Entrada — o 2B aceita um estado de texto ou JSON mais imagens, quadros de vídeo e clipes de áudio em uma única lista de mídia. O 587M aceita texto com imagens, ou texto com até 30 segundos de áudio, e seu card não documenta a mistura dos dois.

• Tipos de saída — sim/não, escolha e pontuação em ambos. O 2B adiciona caixas, seleção múltipla, valores extraídos com spans e números com um intervalo. Esses são novos na geração LFM3 e não têm equivalente no 587M.

• No disco — 4,33GB de safetensors BF16 para o 2B, contra 850MB para a versão Q8_0 do d1-omni e 1,2GB para a sua tag BF16.

• Licença — LFM Open License v1.0 em ambos. Gratuito para uso comercial abaixo de US$ 10.000.000 em receita anual; acima disso, é necessária uma licença separada.

O que o oitavo parâmetro proporciona

A comparação útil é a que a própria Liquid AI publicou, porque ela recalculou as pontuações dos quatro modelos d1 nos mesmos itens com o mesmo avaliador. Isso torna as linhas comparáveis entre si de uma forma que as fichas mais antigas não são.

• Suíte pública Decision Index, v0.3 — 49,0 para d1-Omni-2B contra 18,3 para d1-omni-600M.

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

• decisionbench.ai v4 — 84,7 contra 57,9.

• JevBench v1.4.1 — 75,3 contra 58,0.

• ImajevBench v2.0-lite — 72,3 contra 21,7, a maior diferença do conjunto e a que mais importa para trabalho visual.

• WorkflowEvals — 77,1 contra 48,8.

• Decisões Tipadas — 63,1 contra 57,5, a menor diferença e um lembrete de que nem toda tarefa escala com parâmetros.

• Média de visão, 18 benchmarks de imagem — 67,7 contra 42,8.

Duas ressalvas acompanham essa lista. A primeira é a mudança de versão: a ficha de 7 de outubro relatava o d1-omni-600M em 15,95 no Decision Index v0.2.1, e a nova ficha relata 18,3 na v0.3. São suítes diferentes, e subtrair uma da outra mede o índice, não o modelo. A segunda é a proveniência: todos os números são relatados pelo fornecedor, pontuados pela Liquid AI, em benchmarks selecionados pela Liquid AI. Ninguém fora da empresa publicou uma execução de nenhum dos dois checkpoints.

A forma do resultado é consistente, no entanto. Em tarefas do tipo classificação, o 587M se sai surpreendentemente bem — o Typed Decisions fica dentro de seis pontos. Em qualquer coisa que exija ler uma cena, contar objetos ou interpretar um layout, ele desmorona: 21,7 no ImajevBench contra 72,3, e 14,9 no VisualWebBench na suíte anterior contra 88,6. Se o seu trabalho é encaminhar um ticket de texto, os parâmetros extras são um luxo. Se o seu trabalho envolve olhar para algo, eles são o produto inteiro.

Onde o 587M ainda vence, e o número que provaria isso

O envelope de implantação é a vantagem real do modelo de 587M, e não é um prêmio de consolação. Um modelo de 587M em 850MB roda em um laptop, um Raspberry Pi ou um telefone, e a Liquid AI criou a linha d1 exatamente para isso. Um modelo de 2,17B em 4,33GB precisa de uma GPU ou de uma máquina Apple Silicon bem equipada para ser agradável de usar.

O que falta é a comparação de latência que tornaria o trade-off preciso. O card do d1-Omni-2B publica uma tabela completa de velocidade: 5,8 ms para uma pergunta e 7,7 ms para três em uma H100 PCIe, 3,7 ms e 5,6 ms em uma MI325X, 21,1 ms e 28,9 ms em um M5 Pro, e 1.154 estados por segundo com batching na H100. O card do d1-omni-600M não publica nada e explica o motivo: "Não divulgamos números de inferência para o d1-omni-600M porque é um lançamento de pesquisa inicial e está em desenvolvimento ativo." Portanto, o modelo menor é quase certamente mais rápido, e não há nenhum número do fornecedor a citar para dizer o quanto. Qualquer pessoa que lhe diga que o 587M é três vezes mais rápido está extrapolando com base no número de parâmetros.

Há uma vantagem genuína relacionada à precisão que vale mencionar. A ficha do d1-Omni-2B recomenda o d1-2B em vez de si mesma quando não há áudio, e apresenta os motivos: o d1-2B é mais forte em texto e caixas individuais, relata valores ausentes com mais frequência e é melhor calibrado. O mesmo conselho desaconselha o modelo omni para trabalho apenas de texto. Ele não diz que o 587M é melhor calibrado — apenas que o omni de 2B tem um custo por uma capacidade que você pode não usar.

A separação no áudio é onde as duas gerações se distinguem claramente.

O áudio é a única modalidade em que ambos os modelos competem diretamente, e as restrições são suficientemente diferentes para decidir uma arquitetura.

O modelo de 587M aceita até 30 segundos de fala, espera 16 kHz mono, e seu card traz um aviso explícito: as capacidades de áudio foram treinadas em solicitações entre um falante de inglês e um assistente, cobrindo que tipo de enunciado é, seu tópico e o que o falante deseja. Trata-se de uma distribuição estreita, e isso é declarado como uma limitação, e não como uma nota de rodapé.

O modelo 2B oferece suporte a fala nos mesmos dezesseis idiomas do seu lado textual, exceto híndi, tailandês, vietnamita e indonésio, e os resultados de áudio do cartão incluem 84,5 em eventos sonoros ESC-50 e 92,5 na identificação de idiomas FLEURS em 43 idiomas. Ele também se degrada de maneiras que o cartão documenta: estados curtos falados caem de 42,0 escritos para 22,8 ouvidos, e passagens Belebele em oito idiomas caem de 83,6 para 41,8. Passagens faladas longas perdem precisão, sobretudo fora da escrita latina.

Portanto, a distinção não é “o 2B é melhor em áudio”. É que o 2B ouve mais tipos de áudio e ainda tem dificuldade com estado falado longo, enquanto o 587M ouve uma fatia mais estreita e mais controlada e nunca foi avaliado em eventos sonoros ou identificação de idioma. Para roteamento de comandos de voz em inglês, dá para conviver com as restrições do 587M. Para triagem de chamadas multilíngues, elas são eliminatórias.

Qual tag baixar

As regras de decisão são curtas o suficiente para serem enunciadas como regras.

• Somente texto e imagens, e sem áudio no produto — não opte por nenhum dos dois. O d1-2B pontua mais que o d1-Omni-2B no índice de decisão, 51,1 contra 49,0, e a própria ficha do fornecedor indica usá-lo. O adicional omni paga por áudio que você não vai usar.

• Roteamento de voz em hardware limitado — d1-omni em 850MB. Aceite o limite de 30 segundos, a distribuição de treinamento de falantes de inglês e o contexto de 16.384 tokens, e meça sua própria latência, porque o fornecedor não vai lhe dar um número.

• Áudio mais imagens na mesma decisão, ou caixas e spans na saída — d1-Omni-2B. O modelo de 587M não consegue expressar essas solicitações, portanto não há comparação a fazer.

• Fala multilíngue — d1-Omni-2B, com os quatro idiomas excluídos verificados em relação ao seu tráfego real antes de você se comprometer.

• Vazão em lote — d1-Omni-2B, cujo card é o único dos dois que sequer publica estados por segundo.

Vale a pena registrar um sinal de adoção porque ele vai contra a narrativa dos benchmarks: o d1-omni-600M atraiu cerca de 18.900 downloads e 148 likes no Hugging Face desde 5 de outubro. O d1-Omni-2B teve 36 downloads e 7 likes quatro dias após seu repositório aparecer. As contagens iniciais de downloads medem novidade e empacotamento, não qualidade — o modelo de 587M tem uma tag do Ollama que o deixa a um comando de distância —, mas descrevem qual modelo as pessoas estão realmente executando hoje.

After the decision, the rest of the call

Não importa qual tag você use, o modelo de decisão é o primeiro salto e não o último. Ele retorna um rótulo com uma probabilidade; ainda é preciso algo para escrever a resposta, escalar o caso ou chamar a próxima API, e esse segundo salto é generativo. O OrcaRouter não oferece os modelos da Liquid AI, então a chamada do d1-omni ou d1-Omni-2B roda onde você já a executa — no seu próprio hardware, a partir dos pesos do Hugging Face, ou por meio do fornecedor. O que está por trás de uma chave compatível com OpenAI são os outros 200+ modelos do catálogo, pelo preço de tabela de cada provedor, com 0% de margem, com failover entre provedores quando o modelo downstream que você escolheu é o que está tendo um dia ruim. Para um modelo tão novo, essa separação é útil: a parte não comprovada fica local e barata, e a parte que toca o tráfego de produção ganha um caminho de nova tentativa.

O número que nenhum dos dois cartões lhe dá

Nenhum dos checkpoints tem uma avaliação independente. O de 587M está público desde 5 de outubro e ainda não tem nenhuma; o de 2B tem quatro dias. Até que alguém execute ambos no mesmo conjunto de áudio, com o mesmo microfone e os mesmos idiomas, a diferença de oito vezes no número de parâmetros é uma tabela do fornecedor, não um fato medido. O número específico a observar é aquele 22,8 em estados curtos falados — é a única linha em que a própria ficha do novo modelo admite uma fraqueza grande o suficiente para mudar uma decisão de implantação, e é a linha com maior probabilidade de mudar quando alguém de fora da Liquid AI apontar um microfone para ele.