Liquid AI d1-3B против LFM2.5-2.6B-Base: модель принятия решений и её собственный предок

Это не поединок между двумя соперниками. Liquid AI d1-3B, открытая по весам модель принятия решений, которую Liquid AI опубликовала 7 октября 2026 года, была построена на базе, созданной поставщиком путём усреднения весов LFM2.5-2.6B с текстовым бэкбоном LFM2.5-VL-3B. LFM2.5-2.6B-Base — это тот первый родитель: сырой предобученный чекпоинт, который Liquid выложила 1 августа 2026 года, 2,69 млрд параметров, 34 триллиона обучающих токенов, контекст в 131 072 токена, без инструкционной настройки и без шаблона чата. Так что честная формулировка этого сравнения — потомок против предка: модель, которую дообучили под очень конкретную задачу, стоит рядом с необработанной основой, из которой её сформировали. Одна из них отвечает на вопросы сегодня вечером. Другая — это то, с чего вы начинаете, если вопрос, на который вам нужен ответ, ещё никто не задавал.

Что каждый из них на самом деле из себя представляет

Эти две карточки моделей читаются как документы с разных этапов производственной линии, и различия между ними не стилистические.

Liquid AI d1-3B несёт 3,12 млрд параметров, визуальный энкодер SigLIP2 NaFlex на 400M, контекстное окно в 32 768 токенов, словарь из 128 000 токенов и шестнадцать документированных языков. Это модель принятия решений: вы передаёте ей состояние и именованные вопросы, и она возвращает вероятность «да/нет», выбранную метку с уверенностью и полное распределение вариантов или упорядоченную оценку — за один прямой проход, без генерации выходных токенов. Она поставляется с system_one вызовом для одного состояния с несколькими вопросами, пакетным вариантом, который упаковывает множество запросов без заполнения, и необработанным probabilities средством доступа для базовых распределений. Это не чат-модель, и она не пишет текст, и в карточке сказано именно так.

LFM2.5-2.6B-Base насчитывает 2,69 млрд параметров в 30 слоях — 22 блока коротких свёрток с двойным стробированием и 8 блоков группового внимания (grouped-query attention) — обучен на 34 триллионах токенов и расширен до контекста в 131 072 токена на этапе промежуточного обучения, с тем же словарём на 128 000 токенов и теми же шестнадцатью языками. Это предобученный чекпоинт только для текста, без инструкционной настройки, без бенчмарков в карточке и с рекомендацией, которая читается как предупреждение: используйте его только для задач, требующих серьёзной тонкой настройки. Он дополняет текст. Он не следует инструкциям.

Оба представляют собой загрузки без ограничений по их открытой лицензии. Оба ориентированы в первую очередь на текст. Ни один из них не представлен в нашем каталоге, и ничто здесь не является утверждением о доступности ни для одного из них.

Самое интересное — это родословная

Liquid не дообучала новую модель с нуля для выпуска d1. Она усреднила два чекпоинта — LFM2.5-2.6B и текстовую башню LFM2.5-VL-3B — чтобы получить лучшую отправную точку, затем дообучила несколько запусков с разными случайными seed'ами и смесями данных и снова объединила их вместе. В описании вендора того, что улучшило результат, подозрительно нет экзотических приёмов: обучение на длинных входных данных, перемешивание порядка появления вариантов ответа и удаление шорткатов из обучающих данных дали больше, чем любой продвинутый метод, который они пробовали.

На этом моменте с удалением ярлыков стоит задержаться, потому что он называет именно тот сбой, которого эта категория призвана избегать. Модель, обученная отвечать на вопросы с несколькими вариантами ответа, с радостью усвоит, что вариант B обычно правильный или что побеждает самый длинный вариант. Перемешивание порядка вариантов во время обучения — вот что это останавливает. Модель принятия решений, которая выучила позиционное предпочтение вместо того, чтобы читать состояние, хуже чем бесполезна — она уверенно ошибается в масштабе — и именно это отличает настоящую модель принятия решений от классификатора с промптом.

Есть также регрессия, о которой стоит сказать прямо, потому что производитель этого не делает: у базового чекпоинта окно контекста составляет 131 072 токена, а у Liquid AI d1-3B — 32 768. Дообучение в модель принятия решений стоило трёх четвертей доступного контекста. Если вы представляли, что потомок строго превосходит предка по всем осям, это не так, и решения по длинным документам — та ось, где у более старого чекпоинта больше запаса, в принципе, хотя у него нет головы принятия решений, чтобы им воспользоваться.

Табло, с прикреплённой асимметрией

Сравнивать эти две модели по бенчмаркам — категориальная ошибка, но это категориальная ошибка с информативной формой, так что вот она, с оговорками. Каждая цифра d1-3B — собственная цифра Liquid, оценённая вендором с помощью официального скорера, а не отправленная на публичный лидерборд, и не воспроизведённая ни одной третьей стороной. Каждая цифра LFM2.5-2.6B-Base отсутствует, потому что базовой модели нечего измерять.

• Decision Index 0.2.1 — Liquid AI d1-3B 48.57, первый среди всего, что меньше 10B, в таблице поставщика и опережает модель принятия решений, которая в двенадцать раз больше. LFM2.5-2.6B-Base — не оценена и не может быть оценена без головы принятия решений.

• Текстовые бенчмарки — Liquid AI d1-3B в среднем набирает 82,9 балла по семи публичным бенчмаркам, охватывающим понимание, токсичность, определение намерений, медицинские вопросы-ответы и межъязыковое понимание. LFM2.5-2.6B-Base вообще не публикует таблицу бенчмарков.

• Зрение — Liquid AI d1-3B в среднем набирает 74.1 по одиннадцати бенчмаркам на изображениях, интерпретируемым как решения; удаление изображений снижает те же вопросы до 45.1. LFM2.5-2.6B-Base — только текстовая, без визуальной башни.

Параметры — 3,12 млрд против 2,69 млрд. Модель принятия решений — большая из двух, что противоречит обычной картине постобучения.

• Контекст — 32 768 токенов против 131 072. Предок побеждает в этой строке, и это единственная строка, в которой он побеждает.

• Задержка — Liquid AI d1-3B отвечает на один вопрос за 8 мс на RTX 4090 и 50 мс на Jetson Orin Nano, а также выполняет 64 упакованных состояния со скоростью 475 в секунду на 4090. У LFM2.5-2.6B-Base нет задержки, которую можно было бы указать, пока вы не дообучите её до чего-то, что отвечает на вопрос, и тогда это число будет определяться вашим дообучением.

Между чем вы выбираете на практике

Правило принятия решения здесь необычно однозначно, потому что эти две контрольные точки не конкурируют за одну и ту же статью бюджета.

Возьмите Liquid AI d1-3B, когда вопрос уже существует и представляет собой одну из трёх форм, которые обрабатывает модель принятия решений: да или нет, выбор из заданного набора или оценку по упорядоченной шкале. Опубликованные варианты применения — всё это узнаваемые производственные рутины: сортировка и маршрутизация, модерация, классификация намерений и тем, проверки извлечения, переранжирование, ограничители для агентов и визуальный контроль. Демонстрационные показатели, которые вендор получил 5 октября, сравнивают d1 с GPT-6.1 Sol и Claude Opus 5.5 на шести таких задачах и утверждают, что она не уступает или превосходит GPT-6.1 Sol в четырёх из них, при этом стоит в 19–200 раз меньше; на странице с методологией прямо сказано, что каждый вариант применения запускался по одному разу для каждой модели, поэтому воспринимайте суть утверждения как результат, а не цифры после запятой. По-настоящему поразителен пример визуального контроля: сортировка годных и бракованных изделий на четырёх производственных линиях с точностью от 85 до 97% в задаче, на которой модель никогда не обучалась и которую она поняла из краткого описания.

Возьмите LFM2.5-2.6B-Base, когда этого вопроса ещё не существует. Это более дешёвая отправная точка для дообучения, которым вы намерены владеть, — голова принятия решений в предметной области, специализированный классификатор, задача, для которой ни у кого нет чекпоинта. Вы наследуете архитектуру, токенизатор и длинный контекст, а платите вычислениями, данными и оценкой. Два из четырёх приложений, которые вендор построил вокруг d1, начинались с открытых проектов, а не с нуля, — и это честно отражает то, что на самом деле даёт базовый чекпоинт плюс дисциплина.

Практическая ловушка — относиться к базовому чекпоинту как к готовому решению, которое можно сразу использовать. Он не ассистент, он не станет следовать промпту, а при оценке в качестве чат-модели он набирает почти ноль — и это не факт о его качестве, а факт о том, что означает «base».

Самостоятельный хостинг любого из них и вышележащего слоя

Обе поставляются в виде весов, и производитель выполнил работу по развёртыванию для стороны d1: поддержка llama.cpp с первого дня, полный стек NVIDIA от DGX до Jetson, квантизация NVFP4, 8-битный вариант квантования весов и активаций, а также конвертации GGUF на Hugging Face. У базовой контрольной точки есть собственные варианты GGUF, ONNX и MLX благодаря более широкому семейству LFM2.5. Если вы предпочитаете ничего не размещать у себя, Liquid предоставляет размещённую d1 через собственный API, тарифицируемый только по входным токенам, при этом изображения тарифицируются из расчёта 1,5 токена за патч 32×32 пикселя; также возможен доступ только к тексту через сторонние платформы.

Что не меняет ни один из этих путей — так это остальную часть стека. Модель, которую вы хостите сами, — это модель, которую нужно поддерживать живой, версионировать и обеспечивать её отказоустойчивость, — а решения, которые она питает, всё равно оказываются рядом с генеративными вызовами, которые вы не хостите. Именно эту смесь и схлопывает роутер: одна конечная точка для 200+ моделей, списочные цены провайдеров, транслируемые без наценки — 0%, так что изменение цены у вендора становится актуальным на вашей стороне в тот же день, и автоматическое переключение при сбое, так что неудачный день у одного апстрима не превращается в ваш простой. Самостоятельный хостинг 3B-модели для принятия решений рядом с этим делает вопрос маршрутизации острее, а не мягче, потому что теперь половиной пайплайна владеете вы, а половину арендуете.

Какой именно, для кого?

Если вопрос, на который вам нужно ответить на этой неделе, — одна из трёх форм, которые принимает модель принятия решений, и это вопрос, который кто-то другой уже вообразил, то потомок готов, бесплатен и работает за 50 мс на устройстве без GPU — возьмите Liquid AI d1-3B и на этом всё.

Если вы создаёте то, что ответит на вопрос, который ещё никто не задал, и у вас есть данные и вычислительные ресурсы, чтобы этим владеть, LFM2.5-2.6B-Base — честная отправная точка, и стоит знать, что потомок, о котором говорится в этой статье, был создан на её основе именно тем путём, который вы собираетесь пройти.

А если вы не уверены, в какой из этих двух ситуаций находитесь, ответ почти всегда — первая. Дообучение под голову принятия решений — дорогостоящий ход; запуск чужой — бесплатен.