d1-Omni-2B: O que o modelo de decisão 2B mais discreto da Liquid AI inclui — e o que deixa de fora

O repositório Hugging Face de LiquidAI/d1-Omni-2B foi criado às 19:30 UTC de 24 de outubro de 2026. A primeira postagem no blog da Liquid AI a mencionar o modelo pelo nome foi publicada em 27 de outubro. Durante esses três dias, o repositório ficou público e completo — uma ficha técnica completa, 4,33 GB de safetensors BF16, código Transformers funcional — e nada do que o fornecedor publicou dizia que ele existia. Quando a menção finalmente chegou, eram dois parágrafos e uma tabela de quatro linhas dentro do lançamento de uma família de seis modelos, não um lançamento próprio. Esse é o formato deste lançamento, e é o enquadramento honesto para tudo abaixo: os pesos são inspecionáveis, as alegações são do fornecedor, e as partes que um comprador normalmente obteria de um anúncio — um preço, um endpoint hospedado, um benchmark independente — ainda não estão lá.

O intervalo de cinco dias entre os pesos e as palavras

A história dos modelos de decisão da Liquid AI foi contada duas vezes, e o d1-Omni-2B não aparece em nenhuma delas. Em 7 de outubro, a empresa publicou "Open d1: Edge decision models for text, vision, and audio", que apresentou exatamente dois checkpoints abertos: d1-3B, um modelo de visão e texto de 3,12B, e d1-omni-600M, um modelo de 587M que aceitava texto com imagens ou texto com até 30 segundos de áudio. Esse post continua no ar e ainda não contém nenhum modelo de 2B.

A linha 2B chegou em um cronograma diferente. Em 21 de outubro, o checkpoint base LFM3-Omni-2B apareceu no Hugging Face. Em 24 de outubro, com vinte e quatro segundos de diferença, a Liquid AI criou repositórios para d1-2B e d1-Omni-2B. O post de lançamento do LFM3 em 27 de outubro então nomeou a família: seis modelos com cerca de 2B parâmetros, quatro cobrindo texto, visão, áudio e omni e, nas palavras do próprio post, "os dois últimos são modelos de decisão especializados a partir dos modelos de visão e omni". Essa frase é o anúncio. Não houve post separado do d1-Omni-2B, nem página de preços, nem declaração de parceiro de lançamento, nem atualização do artigo de 7 de outubro.

Então o modelo não é indocumentado — o repositório é um dos checkpoints pequenos mais bem documentados que a Liquid AI já publicou, e a página de documentação do fornecedor para modelos de decisão o lista ao lado de d1-2B e d1-omni-600M. Ele é pouco anunciado. Essa distinção importa porque indica quais afirmações passaram por uma revisão de lançamento e quais não passaram.

Ler o cartão como uma ficha de especificações

Deixando de lado o enquadramento, o checkpoint é direto. d1-Omni-2B é um modelo de decisão pós-treinado construído sobre o LFM3-Omni-2B, e não é um modelo de chat: ele não escreve texto nem produz fala, e toda chamada retorna output_tokens: 0.

• Parâmetros — 2,17B, fornecido como um único arquivo safetensors BF16 de 4,33 GB.

• Arquitetura — o backbone LFM3: 24 camadas, das quais 13 são convoluções curtas com gate, 5 são atenção com janela deslizante de 256 tokens e 6 são atenção global. O post da família descreve essa mistura tri-híbrida como o resultado de uma busca de arquitetura com hardware no loop, executada em 14 combinações de dispositivos e backends.

• Contexto e vocabulário — 128K tokens e um vocabulário de 128.000 tokens compartilhado com o restante do LFM3.

• Entrada — um estado que pode ser texto ou qualquer valor JSON, além de imagens, quadros de vídeo e clipes de áudio, além de qualquer número de perguntas nomeadas, escritas ou faladas. A API do cartão recebe tudo isso em uma única lista media, o que é uma diferença significativa em relação ao checkpoint de 587M: o d1-omni-600M está documentado como texto com imagens ou texto com áudio, não ambos ao mesmo tempo.

• Saída — respostas tipadas com probabilidades. Sim/não, uma seleção entre opções nomeadas, uma pontuação ordenada, um valor lido de um documento com seu trecho, um número com um intervalo p10–p90, uma caixa delimitadora, ou cada instância de um objeto com uma contagem.

• Idiomas — dezesseis. A fala cobre o mesmo conjunto, exceto híndi, tailandês, vietnamita e indonésio, o que vale destacar porque o lado do texto os lista.

• Licença — LFM Open License v1.0. O uso comercial é permitido abaixo de US$ 10.000.000 de receita anual; acima disso, o texto da licença afirma que o uso comercial "não é licenciado sob este Contrato".

O áudio é a afirmação que vale a pena testar.

O motivo para optar por este checkpoint em vez de {{1}}d1-2B{{/1}} é o áudio. A {{2}}Liquid AI{{/2}} o posiciona para "roteamento de chamadas e mensagens de voz e eventos sonoros", e o card do modelo traz a única peça de evidência que um post de lançamento normalmente teria destacado em primeiro lugar: uma comparação entre fala e escrita dos mesmos itens.

• Roteamento e triagem de negócios (DecisionBench, Hanno Labs v1) — 83,4 escrito, 78,2 falado.

• Casos de atendimento ao cliente (Decisões digitadas) — 50,5 por escrito, 48,0 falados.

• JevBench v1.4.1, as linhas que uma voz consegue pronunciar — 87,6 por escrito, 89,0 falado, ou seja, a execução falada pontuou ligeiramente mais alto, o que é ruído e não um ganho.

• Eventos sonoros (ESC-50) — 84,5, sem equivalente escrito.

• Identificação de idioma falado (FLEURS, 43 idiomas) — 92,5.

Esses números sustentam o argumento de venda. O restante da seção de áudio é a parte que informa onde não construir, e é incomumente franca para uma ficha de fornecedor. Os estados curtos falados caem de 42,0 no formato escrito para 22,8 no formato ouvido. Passagens do Belebele em oito idiomas caem de 83,6 para 41,8. A ficha afirma claramente que passagens faladas longas perdem boa parte de sua precisão, “sobretudo fora de idiomas de escrita latina”, e direciona quem não tem entrada de áudio para o d1-2B, que, segundo ela, é mais forte em texto e caixas únicas, relata valores ausentes com mais frequência e é mais bem calibrado.

Lidas em conjunto, essas linhas descrevem um modelo que é bom em enunciados curtos e roteáveis nas principais línguas e muito mais fraco em qualquer coisa que exija manter um estado falado prolongado. A triagem de call center se encaixa. Uma reunião gravada de quarenta minutos, não.

O placar é do fornecedor, e o índice mudou de versão.

Todos os números de desempenho deste modelo são da própria Liquid AI. A ficha é explícita quanto ao método: todos os quatro modelos d1 foram avaliados nos mesmos itens com a mesma pontuação, portanto alguns números diferem ligeiramente das fichas individuais de onde vieram. Ela não diz que um terceiro reproduziu qualquer parte disso, e não existe avaliação independente do d1-Omni-2B até o momento da redação.

• Suíte pública Decision Index, v0.3 — 49,0 para d1-Omni-2B, contra 51,1 para d1-2B, 49,0 para d1-3B e 18,3 para d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76,4, contra 77,1, 73,1 e 58,7, respectivamente.

• decisionbench.ai v4 — 84,7, contra 85,2, 83,6 e 57,9.

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

• O próprio quadro de mais de cem benchmarks do fornecedor — 61,8, contra 63,2, 58,8 e nenhuma pontuação para o 600M.

• Média de visão em 18 benchmarks de imagem — 67,7, contra 70,2, 65,4 e 42,8.

Há uma armadilha no meio disso. A publicação de 7 de outubro reportou o d1-omni-600M em 15,95 no Decision Index v0.2.1. O novo card o reporta em 18,3 no v0.3. São suítes diferentes, e a diferença não é um ganho de capacidade; não subtraia uma da outra. A única comparação justa é a que o card realmente fez, com todos os quatro modelos reavaliados nos mesmos itens.

O padrão que permanece após a re-pontuação é que o d1-Omni-2B fica logo abaixo do d1-2B em quase tudo e acima da geração anterior por uma margem ampla. A Liquid AI apresenta isso como superar o d1-3B em seu painel de decisões e em 16 dos 18 benchmarks de imagem com 70% dos parâmetros, o que é verdadeiro na tabela conforme impressa e também é uma comparação contra um modelo que a família agora substituiu.

O que o repositório não responde

Cinco questões continuam em aberto, e nenhuma delas é respondida pela leitura dos pesos.

• Acesso hospedado e preço. A publicação do LFM3 diz que os modelos base e pós-treinados estão disponíveis no Hugging Face, no Playground e na API da Liquid AI. A tabela de documentação dos modelos de decisão, no entanto, lista o d1-Omni-2B como pesos abertos e reserva suas linhas somente hospedadas para d1.1 e d1-ultra, e a página do modelo no Hugging Face afirma que "este modelo não é implantado por nenhum Provedor de Inferência." Nenhum preço por chamada para este checkpoint é publicado em qualquer lugar que esta matéria tenha encontrado, então considere o acesso hospedado plausível, mas não confirmado.

• Dados de treinamento. O cartão não fornece corpus, nem composição, nem descrição do conjunto de dados. Menciona testes em clipes e vozes "que nenhuma linha de treinamento possui", o que implica que existe um conjunto de treinamento e não diz nada sobre o que há nele.

• Quantização. O repositório principal disponibiliza BF16, e a Liquid AI publica três compilações irmãs: MLX fp16, MLX de 8 bits e uma exportação ONNX. Não existe GGUF do fornecedor, embora a biblioteca d1-omni do Ollama traga uma tag 2b com 4,4 GB e contexto de 125K, e o tamanho seja próximo o suficiente do checkpoint BF16 para não parecer uma quantização agressiva.

• Avaliação independente. Nenhuma. Todos os números acima são executados pelo fornecedor, com o próprio avaliador do fornecedor, na própria placa do fornecedor.

• Se ele substitui o d1-omni-600M. O card recomenda o d1-2B em vez deste modelo quando não há áudio, e recomenda este modelo em vez do d1-2B quando há. Não diz nada sobre o futuro do checkpoint 587M, e a Liquid AI não o descontinuou.

Executando-o, e quanto custa em hardware

O caminho de inferência é Transformers 5.19 ou posterior com trust_remote_code, e a chamada é model.system_one(state, questions, media). Não há parâmetros de amostragem a definir, porque nada é amostrado. A compilação leva cerca de um minuto nas primeiras chamadas; depois disso, a placa reporta 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 AMD MI325X, e 21,1 ms e 28,9 ms em um Apple M5 Pro. Um estado de 5K tokens custa 52 ms na H100. É no batching que está a vazão: 1.154 estados por segundo na H100 e 1.697 na MI325X com 64 estados em uma única chamada.

Para um modelo nesta classe, esses números são o argumento. Ele não está competindo com um modelo de chat em qualidade; está competindo com a possibilidade de rodar um modelo de chat. Um forward pass de 5,8 ms que retorna uma probabilidade calibrada é um item de custo diferente de uma chamada generativa que retorna um parágrafo que você depois precisa analisar.

Onde a decisão termina e o resto do pipeline começa

Um modelo como este faz um salto. Ele transforma um ticket, uma gravação de chamada ou um frame de câmera em um rótulo e uma confiança, e então algo precisa agir com base nesse rótulo — redigir a resposta, escalar o caso, chamar a API. Nenhum modelo da Liquid AI está no catálogo da OrcaRouter, então esse segundo salto é onde nosso produto realmente se posiciona: os modelos generativos que consomem a decisão passam por uma chave compatível com OpenAI que cobre mais de 200 modelos, ao preço de tabela de cada provedor repassado com 0% de margem, com failover automático quando uma requisição cai em um provedor tendo um mau momento. O modelo de decisão é a parte barata, rápida e determinística. Vale a pena conectar a parte cara e não determinística a algo que possa tentar novamente.

O que resolveria isso

Três coisas fariam o d1-Omni-2B passar de "promissor" para "recomendável", e nenhuma delas exige outro post de blog. A primeira é uma execução independente da suíte de áudio em hardware que o fornecedor não controla — a diferença de 22,8 contra 42,0 nos estados curtos falados é o número com maior probabilidade de mudar sob o microfone de outra pessoa. A segunda é um preço publicado para acesso hospedado, sem o qual o cálculo de construir versus comprar não pode ser concluído. A terceira é uma comparação direta com o d1-2B nas mesmas tarefas com áudio, porque a própria recomendação da ficha — usar o 2B omni apenas quando a entrada incluir áudio — é a frase mais útil nela, e também é a única que ninguém testou fora da Liquid AI.