d1-Omni-2B vs d1-omni: один тег, две контрольные точки и восьмикратный разрыв

Загрузите d1-omni сегодня — и получите модель принятия решений с 587 млн параметров размером 850 МБ. Загрузите d1-omni:2b — и получите 4,4 ГБ чего-то совершенно иного — d1-Omni-2B, аудиомодель принятия решений, которую Liquid AI выпустила вместе с семейством LFM3 27 октября 2026 года, в отличие от d1-omni — имени, которое Ollama использует с начала октября для чекпоинта d1-omni-600M этого производителя. Это не ответы двух поставщиков на один и тот же вопрос. Это два поколения одной и той же идеи, различающиеся в восемь раз по числу параметров, и выбор между ними — это на самом деле выбор того, где модель должна работать. Одна помещается на телефон. Другая требует GPU и взамен делает то, чего меньшая не может делать вообще.

Из-за названий всё сложнее, чем должно быть, поэтому стоит прямо сказать до цифр: у Liquid AI нет модели, которая называлась бы просто d1-omni. В документации вендора d1-omni-2B и d1-omni-600M указаны как открытые веса, а d1.1 и d1-ultra — как доступные только через хостинг. «d1-omni» — это название пакета: чекпоинт 587M под более коротким ярлыком. Это и есть соперник в данном сравнении, и именно он уже есть на диске у большинства людей.

Что каждый из них на самом деле из себя представляет

Обе являются decision-моделями в том смысле, который вкладывает Liquid AI: вы передаёте им состояние и список именованных вопросов, а они возвращают типизированные ответы с вероятностями за один прямой проход. Ни одна не пишет текст, ни одна не производит речь, и обе сообщают о нулевом количестве выходных токенов. Сходство заканчивается на интерфейсе.

• Параметры — 2,17 млрд у d1-Omni-2B против 587 млн у d1-omni, разделённых в малой модели на общий ствол и голову решений на 381 млн, визуальный энкодер на 94 млн и аудиоэнкодер на 112 млн.

• Архитектура — три-гибридный бэкбон LFM3 для модели 2B: 24 слоя, из которых 13 — стробируемые короткие свёртки, 5 — sliding-window attention и 6 — глобальное внимание. Модель 587M — это двунаправленный энкодер LFM2.5, построенный на базе LFM2.5-Encoder-350M, с визуальным энкодером SigLIP2, унаследованным от LFM2.5-VL-450M, и 17-слойным FastConformer для аудио.

• Контекст — 128K токенов при словаре в 128 000 токенов для модели 2B. Для модели 587M задокументировано 16 384 токена, охватывающих позиции текста, изображения и аудио вместе, а в её карточке добавляется, что при наличии изображений текст состояния и вопроса сокращается до 896 токенов, как при обучении. На странице Ollama для обоих тегов указано 125K — цифра, которую производитель не публикует; рассчитывайте размер промптов по числу производителя.

• Входные данные — модель 2B принимает текстовое или JSON-состояние плюс изображения, видеокадры и аудиоклипы в одном списке медиа. Модель 587M принимает текст с изображениями или текст с аудио длительностью до 30 секунд, а в её карточке не описано смешивание этих двух вариантов.

• Типы выходных данных — да/нет, выбор и оценка в обоих. 2B добавляет рамки, множественный выбор, извлечённые значения с диапазонами и числа с интервалом. Они новые в поколении LFM3 и не имеют аналога в 587M.

• На диске — 4,33 ГБ BF16 safetensors для 2B против 850 МБ для сборки Q8_0 d1-omni и 1,2 ГБ для его BF16-тега.

• Лицензия — LFM Open License v1.0 для обоих. Бесплатно для коммерческого использования при годовом доходе ниже 10 000 000 $; свыше этого порога требуется отдельная лицензия.

Что даёт восьмой параметр

Полезно то сравнение, которое Liquid AI опубликовала сама, потому что она заново оценила все четыре модели d1 на одних и тех же пунктах с помощью одного и того же оценщика. Это делает строки внутренне сопоставимыми в том смысле, в каком старые карточки таковыми не являются.

• Публичный набор Decision Index, v0.3 — 49,0 для d1-Omni-2B против 18,3 для d1-omni-600M.

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

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

• JevBench v1.4.1 — 75,3 против 58,0.

• ImajevBench v2.0-lite — 72,3 против 21,7, самый широкий разрыв в наборе и тот, что важнее всего для визуальной работы.

• WorkflowEvals — 77,1 против 48,8.

• Типизированные решения — 63,1 против 57,5: самый узкий разрыв и напоминание о том, что не каждая задача масштабируется вместе с числом параметров.

• Средний результат по зрению, 18 тестов изображений — 67,7 против 42,8.

С этим списком связаны две оговорки. Первая — дрейф версий: в карточке от 7 октября d1-omni-600M показал 15,95 по Decision Index v0.2.1, а в новой карточке — 18,3 по v0.3. Это разные наборы тестов, и их вычитание измеряет индекс, а не модель. Вторая — происхождение данных: все цифры сообщены вендором, оценены Liquid AI и получены на бенчмарках, выбранных Liquid AI. Никто за пределами компании не опубликовал прогон ни одного из этих чекпойнтов.

Впрочем, общая картина результата остаётся согласованной. На задачах классификационного типа модель 587M держится на удивление хорошо — Typed Decisions укладывается в шесть пунктов. Но там, где нужно прочитать сцену, посчитать объекты или интерпретировать компоновку, она резко проседает: 21.7 на ImajevBench против 72.3 и 14.9 на VisualWebBench в более раннем наборе против 88.6. Если ваша задача — маршрутизировать текстовый тикет, дополнительные параметры — роскошь. Если ваша задача — смотреть на что-либо, они и есть весь продукт.

Где 587M всё ещё выигрывает, и число, которое это докажет

Реальное преимущество модели на 587M — это её требования к развёртыванию, и это не утешительный приз. Модель на 587M объёмом 850MB работает на ноутбуке, Raspberry Pi или телефоне — именно для этого Liquid AI создала линейку d1. Модели на 2.17B объёмом 4.33GB нужен GPU или хорошо оснащённая машина на Apple Silicon, чтобы пользоваться ею было комфортно.

Не хватает сравнения задержек, которое сделало бы компромисс точным. Карточка модели d1-Omni-2B публикует полную таблицу скорости: 5,8 мс для одного вопроса и 7,7 мс для трёх на H100 PCIe, 3,7 мс и 5,6 мс на MI325X, 21,1 мс и 28,9 мс на M5 Pro и 1 154 состояния в секунду при пакетной обработке на H100. Карточка модели d1-omni-600M не публикует ничего и объясняет почему: «Мы не сообщаем показатели инференса для d1-omni-600M, поскольку это ранний исследовательский релиз, находящийся в активной разработке». Так что меньшая модель почти наверняка быстрее, и нет цифры от производителя, которую можно было бы привести в качестве того, насколько. Любой, кто говорит вам, что 587M в три раза быстрее, экстраполирует по количеству параметров.

Есть одно подлинное преимущество, связанное с точностью, которое стоит назвать. Карточка d1-Omni-2B рекомендует d1-2B вместо себя, когда нет аудио, и приводит причины: d1-2B сильнее в тексте и одиночных боксах, чаще сообщает об отсутствующих значениях и лучше откалиброван. Тот же совет отводит от omni-модели для чисто текстовой работы. В нём не говорится, что 587M лучше откалиброван, — только что 2B omni несёт издержки за возможность, которую вы можете не использовать.

Разделение аудио — это то место, где два поколения чётко разделяются.

Аудио — единственная модальность, в которой обе модели напрямую конкурируют, а ограничения различаются настолько, что определяют выбор архитектуры.

Модель на 587M принимает до 30 секунд речи, ожидает моно 16 кГц, а в её карточке есть явное предупреждение: аудиовозможности обучались на запросах между англоязычным говорящим и ассистентом и охватывают то, что это за высказывание, его тему и чего хочет говорящий. Это узкое распределение, и оно указано как ограничение, а не сноска.

Модель 2B поддерживает речь на тех же шестнадцати языках, что и её текстовая часть, за исключением хинди, тайского, вьетнамского и индонезийского; аудиорезультаты в карточке включают 84,5 на ESC-50 для звуковых событий и 92,5 на FLEURS для идентификации языка по 43 языкам. Она также деградирует так, как документировано в карточке: короткие устные состояния падают с 42,0 при письменной подаче до 22,8 при восприятии на слух, а отрывки Belebele на восьми языках — с 83,6 до 41,8. Длинные устные отрывки теряют точность, особенно вне латиницы.

Так что различие не в том, что «2B лучше справляется со звуком». Оно в том, что 2B слышит больше разновидностей аудио и всё ещё с трудом справляется с длительным речевым состоянием, тогда как 587M слышит более узкий и более контролируемый срез и вообще никогда не оценивался на звуковых событиях или определении языка. Для маршрутизации голосовых команд на английском ограничения 587M можно пережить. Для многоязычной сортировки звонков они дисквалифицирующие.

Какой тег забрать?

Правила принятия решений достаточно кратки, чтобы изложить их в виде правил.

• Только текст и изображения, и никакого аудио в продукте — не загружайте ни один. d1-2B набирает больше баллов, чем d1-Omni-2B, по индексу решений: 51,1 против 49,0, а в собственной карточке поставщика сказано использовать его. Надбавка за omni покупает аудио, которое вы не будете использовать.

• Маршрутизация голоса на ограниченном оборудовании — d1-omni при 850 МБ. Примите ограничение в 30 секунд, ориентированность обучающих данных на носителей английского языка и контекст в 16 384 токена, а задержку измеряйте сами, потому что поставщик не даст вам цифру.

• Аудио и изображения в одном решении или рамки и спаны в выводе — d1-Omni-2B. Модель 587M не может выразить такие запросы, поэтому сравнивать нечего.

• Многоязычная речь — d1-Omni-2B, причём четыре исключённых языка сверяются с вашим фактическим трафиком до того, как вы примете решение.

• Пропускная способность пакетной обработки — d1-Omni-2B, чья карточка — единственная из двух, которая вообще публикует состояния в секунду.

Об одном сигнале внедрения стоит упомянуть, потому что он противоречит истории с бенчмарками: d1-omni-600M набрал примерно 18 900 скачиваний и 148 лайков на Hugging Face с 5 октября. У d1-Omni-2B было 36 скачиваний и 7 лайков через четыре дня после появления его репозитория. Ранние показатели скачиваний отражают новизну и упаковку, а не качество — у модели на 587M есть тег Ollama, благодаря которому она доступна одной командой — но они действительно показывают, какую модель люди на самом деле запускают сегодня.

После решения — остальная часть звонка

Какой бы тег вы ни выбрали, модель принятия решений — это первый шаг, а не последний. Она возвращает метку с вероятностью; что-то всё ещё должно написать ответ, эскалировать обращение или вызвать следующий API, и этот второй шаг — генеративный. OrcaRouter не предоставляет модели Liquid AI, поэтому вызов d1-omni или d1-Omni-2B выполняется там, где вы уже его запускаете — на собственном оборудовании с весами Hugging Face или через поставщика. За одним ключом, совместимым с OpenAI стоят остальные 200+ моделей каталога — по цене из прайс-листа каждого провайдера с наценкой 0%, с переключением при сбое между провайдерами, когда выбранная вами нижестоящая модель переживает не лучший день. Для настолько новой модели такое разделение полезно: непроверенная часть остаётся локальной и дешёвой, а часть, которая соприкасается с продакшн-трафиком, получает путь повторных попыток.

Число, которого вам не даёт ни одна из карт

Ни у одного из чекпойнтов нет независимой оценки. Модель 587M доступна публично с 5 октября, и у неё её до сих пор нет; модели 2B всего четыре дня. Пока кто-то не прогонит обе на одном и том же аудионаборе с одним и тем же микрофоном и на одних и тех же языках, восьмикратный разрыв в числе параметров остаётся таблицей вендора, а не измеренным фактом. Конкретный показатель, за которым стоит следить, — это 22.8 на устных коротких состояниях: это единственная строка, где карточка самой новой модели признаёт слабость, достаточно большую, чтобы изменить решение о развёртывании, и именно эта строка с наибольшей вероятностью изменится, когда кто-то за пределами Liquid AI направит на неё микрофон.