Liquid AI d-3B против MiniCPM5-2B: вероятности или проза, масштаб ноутбука

Две модели с открытыми весами, обе достаточно малы, чтобы работать на машине перед вами, и они расходятся во мнениях о том, что модель должна возвращать. Liquid AI d1-3B — это модель принятия решений от Liquid AI на 3,12 млрд параметров, открытые веса которой были опубликованы 7 октября 2026 года: она считывает состояние и набор именованных вопросов и за один прямой проход возвращает метку, вероятность для каждого варианта и уверенность, ничего не генерируя. MiniCPM5-2B — это плотная модель на 2,52 млрд параметров от ModelBest и OpenBMB, представленная 19 июля на Всемирной конференции по искусственному интеллекту и незаметно опубликованная на Hugging Face в начале сентября 2026 года под лицензией Apache-2.0 — ассистент для рассуждений, программирования и вызова инструментов, который пишет ответы, вызывает функции в XML и уже набрал более миллиона загрузок. У меньшей из них контекстное окно в четыре раза больше и гораздо более разрешительная лицензия; большая же не может сгенерировать ни одного токена, даже если вы этого захотите. Какая из этих двух форм должна быть в вашем пайплайне, полностью зависит от того, нужно ли тому, что стоит ниже по потоку от вызова, число или предложение.

Разворот, который стоит заметить в первую очередь

Почти все интуитивные ожидания относительно этого сочетания перевёрнуты, так что начните с этого.

MiniCPM5-2B — это меньшая модель, и при этом у неё более длинный контекст: 131 072 токена против 32 768 у Liquid AI d1-3B. Из этих двух она также более свободно лицензирована — Apache-2.0, без ограничений доступа, а обучающие наборы данных выпущены вместе с весами в составе семейства UltraData. Liquid AI d1-3B поставляется под собственной лицензией Liquid lfm1.0, которая доступна для скачивания и дообучения, но это вендорская лицензия, а не стандартная разрешительная.

Liquid AI d1-3B — более крупная модель — 3,12 млрд против 2,52 млрд общих параметров, хотя при сравнении по параметрам без эмбеддингов всё снова переворачивается — и именно она не умеет писать. У неё есть зрение; MiniCPM — только текст. Она дообучена ровно для одной задачи; MiniCPM — для многих. И если MiniCPM5-2B выходит со сравнительной диаграммой, помещающей её на первое место в её размерном классе, то Liquid AI d1-3B выходит с единственной оценкой по индексу и набором таблиц задержек.

Ничто из этого не делает один из них лучше. Это значит, что они предназначены для разных задач, а выдает их форма ответа, которую возвращает каждый из них.

Что возвращается по сети

MiniCPM5-2B — генеративная языковая модель. Она рассуждает, отвечает прозой и выдаёт вызовы инструментов в стиле XML, которые встроенный в SGLang minicpm5-парсер преобразует в совместимые с OpenAI tool_calls без специального адаптера. Интересная часть её истории — посттренировка: 400 миллиардов токенов управляемого дообучения глубокого мышления, затем обучение с подкреплением с алгоритмом на основе критика, заимствованным из JustRL II, затем он-политическая дистилляция, сворачивающая шестнадцать специализированных учителей RL — пять из них агентные — обратно в одну плотную сеть. В карточке модели обучению с подкреплением плюс дистилляции приписывают средний прирост 10,96 балла на задачах рассуждения и общих задачах и 6,96 на агентных, а также сообщают о среднем 53,9 по собственному набору сравнения — выше, чем у самой крупной модели, включённой в этот набор. Это цифры ModelBest, полученные внутри компании; независимого воспроизведения пока не опубликовано.

Liquid AI d1-3B возвращает структуру. noul вопрос возвращается как P(yes) от 0 до 1. choice вопрос возвращается как метка, уверенность и вероятность для каждого варианта. score вопрос возвращается как ожидаемый уровень по упорядоченной шкале от двух до десяти с его распределением и легендой. Объект usage сообщает output_tokens: 0, и есть сырой probabilities аксессор, если вы хотите получить необработанные векторы. Его пост-обучение было противоположного рода работой: усреднить две контрольные точки вместе, дообучить несколько сидов на разных смесях данных, объединить их, затем потратить усилия на обучение на длинных входных данных, перемешивание порядка вариантов ответа и удаление обходных путей из обучающих данных — потому что модель принятия решений, которая учится «вариант B обычно правильный» вместо чтения состояния, хуже, чем бесполезна.

Один просит модель подумать, а затем что-то сказать. Другой спрашивает модель, во что она уже верит.

Бок о бок, с указанием происхождения

Все приведённые ниже показатели заявлены производителями. Цифры MiniCPM5-2B взяты из собственной карточки ModelBest и её собственного набора для сравнения; данные Liquid AI d1-3B получены от Liquid, которая сама запустила официальный инструмент оценки Decision Index, а не отправила модель в публичную таблицу лидеров. Ни одна из моделей не была независимо протестирована третьей стороной на момент выпуска с открытыми весами.

• Параметры — Liquid AI d1-3B: всего 3,12 млрд, включая визуальный энкодер SigLIP2 на 400M и словарь на 128 000 токенов; MiniCPM5-2B: всего 2 516 756 480, 1 981 982 720 без учёта эмбеддингов, 42 слоя, 16 голов запросов к 2 головам KV, словарь 130 560.

• Контекст — 32 768 токенов для Liquid AI d1-3B; 131 072 для MiniCPM5-2B.

• Входные модальности — текст и изображения для Liquid AI d1-3B; только текст для MiniCPM5-2B.

• Вывод — вероятности, метки, оценки уверенности и упорядоченные оценки, при нулевом количестве выходных токенов, для Liquid AI d1-3B; сгенерированный текст, рассуждения и XML-вызовы инструментов для MiniCPM5-2B.

• Оценка заголовка — Liquid AI d1-3B 48,57 в Decision Index 0.2.1, первый среди моделей менее 10B в таблице вендора; MiniCPM5-2B в среднем 53,9 по собственному набору сравнения, который представляет собой другой набор и измеряет другие вещи.

• Скорость — 8 мс на вопрос на RTX 4090, 26 мс на Jetson AGX Orin 64 GB, 50 мс на Jetson Orin Nano и 64 упакованных состояния за проход при 475 в секунду для Liquid AI d1-3B. Скорость MiniCPM5-2B зависит от того, сколько токенов он генерирует, поэтому нет единственного числа, которое можно было бы поставить напротив него.

• Лицензия — Apache-2.0, без ограничений доступа, данные обучения опубликованы, для MiniCPM5-2B; lfm1.0 от Liquid для Liquid AI d1-3B.

• Доказательства — более миллиона скачиваний с Hugging Face и месяц квантизации силами сообщества для MiniCPM5-2B; два дня существования и ни одного стороннего запуска для Liquid AI d1-3B.

Работа, в которой каждый из них действительно хорош

Есть рабочий процесс, который обе модели могут выполнить, и разница в том, как они это делают, — в этом и весь аргумент.

Представьте, что вы занимаетесь триажем тикетов поддержки, решаете, отвечает ли извлечённый фрагмент на вопрос, или оцениваете вывод LLM по рубрике. MiniCPM5-2B умеет всё это — это способная небольшая модель рассуждений с вызовом инструментов и длинным контекстом, и вы бы запускали её как любого другого ассистента: запрашивали метку, а затем разбирали то, что вернётся. Иногда она возвращает чистый JSON. Иногда возвращает JSON, обёрнутый в объяснение. Иногда она возвращает правильный ответ в неправильной форме, и этот промах — ошибка в вашем парсере, а не в модели.

Liquid AI d1-3B не умеет ничего другого — и в этом-то вся суть. На тех же трёх задачах она возвращает вероятность и метку, и ничего, что нужно было бы парсить; три вопроса об одном состоянии занимают в 1,3 раза больше времени, чем один; а режим отказа смещается с «формат сломался» на «уверенность была неверно откалибрована» — что по крайней мере измеримо, ведь уверенность прямо в ответе.

Там, где MiniCPM5-2B однозначно выигрывает, — это всё, что следует после принятия решения. Он вмещает 131K токенов, поэтому состояние может представлять собой целое дерево файлов репозитория или длинный документ, а не первую страницу одного из них. Он нативно формирует вызовы инструментов. Это модель, на которой можно построить небольшого агента, и её специально дообучали для агентной работы. А его лицензия Apache-2.0 означает, что обычного разговора с коммерческим юристом не возникает.

Где Liquid AI d1-3B однозначно выигрывает — это минимальная задержка и модальность. Устройство, принимающее решение за 50 мс без GPU, — это не устройство, работающее на MiniCPM5-2B; они относятся к разным аппаратным уровням, несмотря на схожее количество параметров. А 3B видит — производитель сообщает о 74.1 по одиннадцати публичным бенчмаркам изображений, интерпретируемым как решения, против 73.9 у визуально-языковой модели, из которой он был создан, и сообщает, что удаление изображений обрушивает те же вопросы до 45.1, что является их способом показать, что ответы исходят из пикселей. Визуальный контроль производственной линии — это не задача, которую вообще можно поручить текстовой 2B.

Запуск их и слой вокруг них

Оба варианта — это истории про самостоятельный хостинг, и в обоих случаях работа по развёртыванию уже выполнена. Liquid AI d1-3B поставляется с поддержкой llama.cpp с первого дня, полным стеком NVIDIA от DGX до Jetson, квантизацией NVFP4, сборкой с 8-битными весами и активациями, а также уже опубликованными конвертациями GGUF. MiniCPM5-2B — это обычная архитектура LlamaForCausalLM, не требующая пользовательских ядер, один шард safetensors в BF16, сборки GGUF и MLX в более широком семействе и задокументированное предпочтение SGLang, когда нужен парсер вызовов инструментов. Ни один из них не входит в наш каталог, и эта статья не является заявлением о доступности ни одного из них.

Хостинговые альтернативы — это собственный API вендора и сторонние платформы. Liquid предлагает хостинговый d1, цена которого рассчитывается только по входным токенам — $0.04 за миллион, при этом изображения тарифицируются как входные данные по 1,5 токена за патч 32×32 пикселя, а строка для выходных данных вообще отсутствует; у MiniCPM5-2B нет API от первой стороны, что нормально для релиза с открытыми весами под лицензией Apache-2.0.

И то, и другое упирается в одну и ту же архитектурную проблему. Локальная модель на 2B или 3B, выполняющая классификацию, маршрутизацию или проверки guardrail, находится перед генеративными вызовами, которые вы не хостите, и эта смесь — собственный инференс рядом с арендованным — это то, что должен поглощать слой маршрутизации. Единый эндпоинт для 200+ моделей, списочные цены провайдеров передаются с 0% наценкой так что изменение цены вендора вступает в силу в тот же день, автоматическое переключение при сбое при деградации одного из апстримов. Владение маленькой моделью делает вопрос маршрутизации сложнее, а не проще, потому что теперь граница между вашим оборудованием и чужим — это решение, которое нужно принимать на каждый запрос.

Выберите по типу ответа

Если то, что вам нужно, — это метка, вероятность или рейтинг, и набор вариантов известен заранее, Liquid AI d1-3B — более честный инструмент: он был создан для такого запроса, и ответ не придёт искажённым. Примите лицензию производителя, контекст 32K и двухдневную цепочку доказательств как цену за это.

Если вам нужна небольшая модель, которая умеет рассуждать, вызывать инструменты, удерживать длинный документ и отвечать словами, то MiniCPM5-2B — намного более способная машина, и за ней стоят Apache-2.0 и миллион загрузок, наработанных тестированием других людей.

Больше всего от любого из этих релизов выиграют команды, которые используют оба: модель принятия решений впереди, где ответ — это число и важны миллисекунды, и небольшую генеративную модель за ней — для тех частей работы, где нужен язык. Они не конкуренты. Они — фильтр и динамик.