d1-Omni-2B: что предлагает самая незаметная 2B-модель принятия решений от Liquid AI — и чего в ней нет

Репозиторий Hugging Face для LiquidAI/d1-Omni-2B был создан в 19:30 UTC 24 октября 2026 года. Первый пост в блоге Liquid AI, в котором модель упоминалась по названию, появился 27 октября. В течение этих трёх дней репозиторий был публичным и полным — полный набор спецификаций, 4,33 ГБ BF16 safetensors, работающий код Transformers — и ничто из опубликованного вендором не указывало на его существование. Когда упоминание наконец появилось, это были два абзаца и таблица из четырёх строк в рамках запуска семейства из шести моделей, а не отдельный запуск. Такова форма этого релиза, и это честная рамка для всего ниже: веса доступны для проверки, утверждения принадлежат вендору, а те части, которые покупатель обычно получает из анонса — цена, хостируемый эндпоинт, независимый бенчмарк — пока отсутствуют.

Пятидневный разрыв между весами и словами

История Liquid AI о моделях принятия решений была рассказана дважды, и d1-Omni-2B нет ни в одном из этих рассказов. 7 октября компания опубликовала материал «Open d1: периферийные модели принятия решений для текста, изображений и аудио», в котором были представлены ровно два открытых чекпоинта: d1-3B — модель для работы с изображениями и текстом на 3,12 млрд параметров, и d1-omni-600M — модель на 587 млн параметров, принимавшая текст с изображениями или текст с аудио длительностью до 30 секунд. Этот пост до сих пор доступен, и в нём по-прежнему нет 2B-модели.

Линейка 2B появилась по другому графику. 21 октября базовая контрольная точка LFM3-Omni-2B появилась на Hugging Face. 24 октября, с интервалом в двадцать четыре секунды, Liquid AI создала репозитории для d1-2B и d1-Omni-2B. Затем в посте о запуске LFM3 от 27 октября было названо всё семейство: шесть моделей примерно с 2B параметров, четыре из которых охватывают текст, зрение, аудио и omni, и, по словам самого поста, «последние две — это decision-модели, специализированные на основе vision- и omni-моделей». Это предложение и есть анонс. Отдельного поста о d1-Omni-2B не было, как не было страницы с ценами, цитаты партнёра по запуску и обновления статьи от 7 октября.

Итак, модель не является недокументированной — репозиторий — один из наиболее хорошо документированных небольших чекпоинтов, опубликованных Liquid AI, а страница документации производителя по моделям принятия решений перечисляет её наряду с {{1}}d1-2B{{/1}} и {{2}}d1-omni-600M{{/2}}. Она недостаточно анонсирована. Это различие важно, потому что показывает, какие утверждения прошли проверку при запуске, а какие — нет.

Чтение карточки как спецификации

Если отбросить обрамление, чекпойнт оказывается простым. d1-Omni-2B — это постобученная модель принятия решений, построенная на LFM3-Omni-2B, и это не чат-модель: она не пишет текст и не производит речь, а каждый вызов возвращает output_tokens: 0.

• Параметры — 2,17 млрд, поставляется в виде одного файла BF16 safetensors размером 4,33 ГБ.

• Архитектура — основа LFM3: 24 слоя, из которых 13 — стробированные короткие свёртки, 5 — внимание со скользящим окном размером 256 токенов и 6 — глобальное внимание. В посте о семействе это тройное гибридное сочетание описывается как результат архитектурного поиска с аппаратным контуром, проведённого по 14 комбинациям устройств и бэкендов.

• Контекст и словарь — 128K токенов и словарь из 128 000 токенов, общий с остальной частью LFM3.

• Входные данные — состояние, которое может быть текстом или любым значением JSON, а также содержать изображения, видеокадры и аудиоклипы и любое количество именованных вопросов, письменных или устных. API карточки принимает всё это в одном мультимедийном списке, что является существенным отличием от чекпоинта 587M: d1-omni-600M описан как текст с изображениями или текст со звуком, но не оба одновременно.

• Вывод — типизированные ответы с вероятностями. Да/нет, выбор из именованных вариантов, упорядоченная оценка, значение, считанное из документа с его фрагментом, число с интервалом p10–p90, ограничивающий прямоугольник или каждый экземпляр объекта с количеством.

• Языки — шестнадцать. Голосовая функция охватывает тот же набор, кроме хинди, тайского, вьетнамского и индонезийского, что стоит отметить, поскольку в текстовой части они перечислены.

• Лицензия — LFM Open License v1.0. Коммерческое использование разрешено при годовом доходе ниже $10,000,000; свыше этого в тексте лицензии указано, что коммерческое использование «не лицензируется по настоящему Соглашению».

Аудио — это утверждение, которое стоит проверить.

Причина, по которой стоит выбрать этот чекпоинт, а не d1-2B, — аудио. Liquid AI позиционирует его для «маршрутизации звонков и голосовых сообщений, а также звуковых событий», а карточка модели содержит то единственное доказательство, с которого обычно начинался бы пост о запуске: сравнение устной и письменной речи на одних и тех же примерах.

• Бизнес-маршрутизация и триаж (DecisionBench, Hanno Labs v1) — 83,4 письменно, 78,2 устно.

• Обращения в службу поддержки (типизированные решения) — 50,5 письменных, 48,0 устных.

• JevBench v1.4.1, строки, которые голос может произнести — 87,6 в письменном виде, 89,0 в устном, то есть устный прогон набрал чуть больше, что объясняется шумом, а не приростом.

• Звуковые события (ESC-50) — 84,5, без письменного эквивалента.

• Определение разговорного языка (FLEURS, 43 языка) — 92,5.

Эти цифры подкрепляют рекламный тезис. Остальная часть раздела об аудио говорит, где не стоит строить, и она необычно откровенна для карточки вендора. Показатели коротких устных утверждений падают с 42.0 в письменной форме до 22.8 на слух. Отрывки Belebele на восьми языках падают с 83.6 до 41.8. Карточка прямо заявляет, что длинные устные отрывки теряют значительную часть точности, «больше всего за пределами языков с латинской письменностью», и рекомендует всем, у кого нет аудиовхода, вместо этого обратиться к d1-2B, которая, по словам карточки, сильнее в тексте и одиночных боксах, чаще сообщает о пропущенных значениях и лучше калибрована.

Если читать эти строки вместе, они описывают модель, которая хорошо справляется с короткими высказываниями, поддающимися маршрутизации, на основных языках, и гораздо слабее — со всем, что требует удержания длительного речевого состояния. Триаж в кол-центре подходит. Сорокаминутная записанная встреча — нет.

Табло принадлежит поставщику, а индекс сменил версию.

Все показатели производительности для этой модели — собственные данные Liquid AI. В карточке явно указан метод: все четыре модели d1 оценивались на одних и тех же заданиях с использованием одинаковой системы оценки, поэтому некоторые цифры немного отличаются от отдельных карточек, из которых они были взяты. В ней не говорится, что какая-либо третья сторона воспроизвела хотя бы часть этих результатов, и на момент написания независимой оценки d1-Omni-2B не существует.

• Публичный набор Decision Index, v0.3 — 49,0 для d1-Omni-2B против 51,1 для d1-2B, 49,0 для d1-3B и 18,3 для d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76,4 против 77,1, 73,1 и 58,7 соответственно.

• decisionbench.ai v4 — 84,7 против 85,2, 83,6 и 57,9.

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

• Собственная подборка производителя из более чем ста бенчмарков — 61,8 против 63,2, 58,8 и отсутствие оценки для 600M.

• Средний показатель Vision по 18 бенчмаркам изображений — 67,7 против 70,2, 65,4 и 42,8.

Здесь есть одна ловушка. В посте от 7 октября d1-omni-600M указан с результатом 15.95 по Decision Index v0.2.1. В новой карточке он указан с результатом 18.3 по v0.3. Это разные наборы тестов, и разница не является приростом возможностей; не вычитайте одно из другого. Единственное справедливое сравнение — то, которое фактически провела карточка, когда все четыре модели были повторно оценены на одних и тех же заданиях.

Закономерность, которая сохраняется после пересчёта, состоит в том, что d1-Omni-2B почти по всем показателям находится чуть ниже d1-2B и значительно выше предыдущего поколения. Liquid AI позиционирует это как превосходство над d1-3B на своей панели решений и на 16 из 18 бенчмарков по изображениям при 70% параметров, что верно для таблицы в напечатанном виде и при этом также является сравнением с моделью, которую семейство к настоящему времени заменило.

На что не отвечает репозиторий

Пять вопросов всё ещё остаются открытыми, и ни на один из них нельзя ответить, просто читая веса.

• Доступ через хостинг и цена. В публикации LFM3 говорится, что базовые модели и модели после постобучения доступны на Hugging Face, в Playground и через Liquid AI API. Однако в таблице документации по decision-моделям d1-Omni-2B указана как модель с открытыми весами, а строки только для хостинга зарезервированы за d1.1 и d1-ultra; при этом на странице модели Hugging Face указано, что «эта модель не развёрнута ни одним Inference Provider». Цена за вызов для этого чекпоинта не опубликована нигде, где удалось найти в рамках этого материала, поэтому считайте хостинговый доступ правдоподобным, но неподтверждённым.

• Обучающие данные. В карточке не указаны ни корпус, ни состав, ни описание набора данных. В ней упоминается тестирование на клипах и голосах, «которых нет ни в одной строке обучающих данных», что подразумевает наличие обучающего набора и ничего не говорит о его содержимом.

• Квантование. Основной репозиторий поставляется с BF16, а Liquid AI публикует три родственные сборки: MLX fp16, MLX 8-bit и экспорт ONNX. Официального GGUF от вендора нет, хотя библиотека d1-omni в Ollama содержит тег 2b с 4.4GB и контекстом 125K, и размер достаточно близок к чекпоинту BF16, чтобы это не выглядело как агрессивное квантование.

• Независимая оценка. Нет. Каждое число выше получено поставщиком с использованием собственного оценщика поставщика на собственной плате поставщика.

• Заменяет ли он d1-omni-600M. В карточке модели рекомендуется d1-2B вместо этой модели при отсутствии аудио и эта модель вместо d1-2B при его наличии. В ней ничего не говорится о будущем чекпоинта 587M, и Liquid AI не признала его устаревшим.

Запуск и затраты на оборудование

Путь вывода — Transformers 5.19 или новее с trust_remote_code, а вызов — model.system_one(state, questions, media). Параметры сэмплирования задавать не нужно, поскольку ничего не сэмплируется. Компиляция занимает около минуты при первых вызовах; после этого карта сообщает 5,8 мс для одного вопроса и 7,7 мс для трёх на H100 PCIe, 3,7 мс и 5,6 мс на AMD MI325X и 21,1 мс и 28,9 мс на Apple M5 Pro. Состояние на 5K токенов стоит 52 мс на H100. Пакетная обработка — вот где пропускная способность: 1 154 состояния в секунду на H100 и 1 697 на MI325X при 64 состояниях в одном вызове.

Для модели этого класса эти цифры и есть аргумент. Она конкурирует не с чат-моделью по качеству; она конкурирует с самим фактом запуска чат-модели. Прямой проход за 5,8 мс, возвращающий калиброванную вероятность, — это совсем другая статья расходов, чем генеративный вызов, возвращающий абзац, который потом нужно разбирать.

Где заканчивается принятие решения и начинается остальная часть конвейера

Такая модель делает один шаг. Она превращает заявку, запись звонка или кадр с камеры в метку и оценку уверенности, а затем что-то должно отреагировать на эту метку — подготовить ответ, эскалировать обращение, вызвать API. В каталоге OrcaRouter нет ни одной модели Liquid AI, поэтому наш продукт фактически занимает именно этот второй шаг: генеративные модели, которые используют это решение, проходят через один ключ, совместимый с OpenAI, который охватывает 200+ моделей, по списочной цене каждого провайдера, передаваемой с наценкой 0%, с автоматическим переключением при сбое, когда запрос попадает к провайдеру, у которого выдалась плохая минута. Модель принятия решений — дешёвая, быстрая, детерминированная часть. Дорогую, недетерминированную часть стоит подключить к чему-то, что умеет повторять попытки.

Что бы это решило?

Три вещи перевели бы d1-Omni-2B из категории «многообещающего» в «рекомендуемый», и ни одна из них не требует ещё одной записи в блоге. Первое — независимый прогон аудионабора на оборудовании, которое не контролирует поставщик; разрыв 22,8 против 42,0 на коротких речевых состояниях — это показатель, который с наибольшей вероятностью изменится при использовании чужого микрофона. Второе — опубликованная цена на доступ через хостинг, без которой невозможно завершить расчёт «сделать или купить». Третье — прямое сравнение с d1-2B на тех же задачах, содержащих аудио, потому что собственная рекомендация карточки — использовать 2B omni только тогда, когда входные данные включают аудио — является самым полезным предложением в ней, и при этом именно её никто не проверял за пределами Liquid AI.