Liquid AI d1-omni-600M теперь доступна для загрузки через Ollama: 600M модель принятия решений, которая слышит вас

Liquid AI d1-omni-600M стал пакетом Ollama в 22:32 UTC 17 октября 2026 года. Эта метка времени не догадка: реестр Ollama отдаёт заголовок ollama-push-time для каждого манифеста, а четыре тега под именем d1-omni были приняты между 22:31:25 и 22:32:13 тем вечером — примерно за четыре часа до того, как был написан этот текст. Сама модель не нова — Liquid AI открыла веса Liquid AI d1-omni-600M вместе с Liquid AI d1-3B 5 октября 2026 года и объявила об обеих в своём посте «Open d1» 7 октября — но до прошлой ночи единственными способами запустить версию с поддержкой аудио на собственном оборудовании были среда transformers с trust_remote_code=True или сборка llama.cpp, которую вы скомпилировали сами. Теперь это ollama pull d1-omni. Никто об этом не объявлял: ни блог Liquid AI, ни Ollama.

Вся история — в упаковке, и стоит точно указать, какие её части задокументированы. Последние записи в блоге Liquid AI — это d1-ultra от 15 октября и LFM2.5-24B-A2B от 13 октября, и ни в одной из них не упоминается Ollama; собственная страница лаборатории о развёртывании через Ollama по-прежнему учит запускать её GGUF-репозитории напрямую из Hugging Face командой ollama run hf.co/LiquidAI/... и ни разу не называет модель d1. Блог Ollama столь же молчалив — его последние материалы посвящены Reflection's Beam (16 октября) и интеграции с Fly.io (13 октября). Вместо этого есть запись в реестре, четыре тега, проверяемый дайджест и страница библиотеки, которую всё ещё создавали, пока писалась эта статья: ранний снимок этой страницы возвращал «No readme», а снимок, сделанный сорок минут спустя, возвращал полное описание, написанное Liquid AI, с таблицей бенчмарков и разделом о лицензии. Если вам нужно датированное, проверяемое событие за последние семь дней, то вот он — этот заголовок.

Что на самом деле принял реестр

Четыре тега соответствуют двум образам — это первое, что нужно понять перед выполнением pull. d1-omni:latest, d1-omni:600m и d1-omni:600m-q8_0 — это один и тот же манифест, дайджест 1ba59f63e836, а d1-omni:600m-bf16 — второй, дайджест c1e95fce6627. Тега F16 нет, хотя собственный репозиторий GGUF поставщика публикует F16-транк.

• Весовые слои (сборка Q8_0) — основной блок на 407 МБ из d1-omni-600M-Q8_0.gguf плюс проектор на 442 МБ из mmproj-d1-omni-600M-BF16.gguf, а также лицензионный блоб на 10,5 КБ и блоб параметров на 18 байт, в сумме 849 659 968 байт.

• Заявленный размер — 850 МБ для тега default и 1,2 ГБ для 600m-bf16, как указано на странице библиотеки.

• Минимальная версия среды выполнения — требуется: 0.40.4 в конфигурационном блоке, который также сообщает model_family: lfm2, model_type: 380.73M и тип файла Q8_0.

• Контекст — блок параметров фиксирует num_ctx на значении 16 384.

• Лицензия — встроенный текст представляет собой LFM Open License v1.0, где лицензиаром указана Liquid AI, Inc., что соответствует идентификатору lfm1.0 на карточке модели.

Этот проектор заслуживает второго взгляда, потому что он больше модели, к которой прикреплён. Чтение метаданных GGUF напрямую из registry blob показывает clip.has_vision_encoder = True и clip.has_audio_encoder = True в одном и том же файле: 197 тензоров визуальной модальности в 12 блоках при эмбеддингах шириной 768 и входах размером 256 пикселей, а также 641 аудиотензор в 17 блоках при эмбеддингах шириной 512 с 128 mel-бинами. Это и башня SigLIP2, и энкодер FastConformer, оба входящие в мультимодальный пакет, — поэтому ствол на 381 млн параметров поставляется вместе с вложением размером 442 МБ. Аудиовозможность физически находится в пакете, который вы скачиваете; вопрос о том, сможет ли до неё добраться эндпоинт, — это уже позже.

Модель имеет 587M параметров, а бейдж 125K больше, чем правда.

Страница Ollama рекламирует «125K context window» на каждом теге. Собственный num_ctx пакета равен 16 384, и карточка модели от Liquid AI говорит то же самое словами: 16 384 токена, охватывающие позиции текста, изображения и аудио вместе, причём state и текст вопроса урезаются до 896 токенов всякий раз, когда присутствуют изображения. Цифра 125K прослеживается — trunk GGUF содержит lfm2.context_length = 128000 — но это потолок архитектуры, а не окно, которое вы получаете, и именно это число с наибольшей вероятностью введёт в заблуждение того, кто подбирает замену для классификатора с длинным контекстом. Считайте 16 384 рабочей цифрой, а 896 токенов текста — рабочей цифрой, когда в state есть изображение.

Остальные метаданные подтверждают карточку модели, а не рекламную формулировку. Основная часть — 18 блоков, эмбеддинги размерности 1 024 и словарь на 65 536, и это не декодер: lfm2.attention.causal = False. Число KV-голов по слоям выглядит так: 0, 0, 8, 0, 0, 8, …, то есть большинство этих блоков вовсе не являются блоками внимания, что выдает наследие двунаправленного энкодера. Голова принятия решений состоит из двух блоков (lfm2.decision.block_count = 2), и калибровочные константы, которые вендор хранит в config.json, тоже есть в этом GGUF — для вопросов с выбором температура составляет 1.7465 при двух вариантах, 1.3999 при трех–пяти, 1.1751 при шести–десяти и 1.3725 свыше одиннадцати; для да/нет — 1.6663; для оцениваемых вопросов — 1.7301 при трех–пяти уровнях и 1.0 при шести–десяти. Вот весь дизайн в одном месте: фиксированный набор именованных ответов, оцениваемых за один проход, с калибровкой под форму вопроса и output_tokens: 0 в конце.

Это не чат-модель, и она не пишет текст. Liquid AI перечисляет пятнадцать языков, указывает, что аудиоданные для обучения представлены только на английском — это запросы между говорящим и ассистентом — и ограничивает длительность клипов 30 секундами. В карточке также предупреждают против bfloat16 на GPU: по собственным проверкам производителя это меняло лучший ответ на 0,8% текстовых строк и 1,7% аудиострок, тогда как float16 совпадал с float32 везде.

Аудио есть в весах и отсутствует в документированном API.

Вот расхождение, о котором стоит знать прежде чем сообщать об ошибке. README на странице библиотеки, написанный Liquid AI, описывает аудио так: WAV в кодировке base64 помещается в массив images запроса /v1/systemone. README GGUF поставщика на Hugging Face для того же чекпойнта описывает это иначе — с помощью массива files, передающего data:audio/wav;base64,… в сервер llama.cpp. А справочник по конечным точкам, который публикует Ollama, не описывает ни то, ни другое: в его схеме запроса есть state, images, questions и keep_alive, поле images описано как «Требуется модель с поддержкой зрения, например Clef», а полей audio и files нет вообще. Руководство самой Ollama по моделям принятия решений при этом называет Nimble, Tev1, Clef и Clef Flash моделями принятия решений и говорит лишь, что модели Clef также могут оценивать изображения.

Итак, честная позиция по аудио в Ollama на сегодня такова: кодировщик подтверждённо присутствует в blob, README производителя утверждает, что он работает через изображения, а опубликованная схема его не допускает. Ввод изображений для той же модели стоит на более твёрдой почве — зрение является документированной возможностью System One, а d1-omni присутствует в списке категории визуальных возможностей Ollama. Рядом с этим есть два менее значительных пробела в документации: справочник по эндпоинтам допускает до 255 ключей параметров в вопросе с выбором, тогда как руководство по принятию решений говорит о 2–26, а минимальная версия среды выполнения пакета 0.40.4 выше, чем 0.35.0, которую указывает документация эндпоинта.

Относится к категории «видение», а не «решение».

Поиск моделей Ollama выделяет модели принятия решений в отдельную категорию. В ней девять записей — nimble-v3, pplx-decider, kev, tev1, nimble, clef-flash, clef, laya и strands-decider — и ни d1, ни d1-omni среди них нет. Страница d1-omni помечена тегами vision и 600m, и она действительно появляется в списке vision, поэтому читатель, ищущий «decision model», не найдёт самую новую. Это проблема обнаружимости, а не возможностей, но она имеет значение, если вы собирались сравнить семейства моделей принятия решений в собственном каталоге Ollama и пришли к выводу, что этой модели не существует.

Это также означает, что d1-omni — первая модель принятия решений в библиотеке Ollama, которая вообще способна принимать речь: аудиокодер входит в пакет, и больше ни одна модель из того списка из девяти моделей им не оснащена. Открытым остаётся вопрос из раздела выше о том, передаст ли эндпоинт ей ваш WAV, и это единственное, что с наибольшей вероятностью могло измениться к моменту, когда вы это читаете.

Цифры — и кто произвёл каждую из них

Каждая цифра точности, указанная для Liquid AI d1-omni-600M, принадлежит Liquid AI, и, насколько нам удалось выяснить, независимой оценки какой-либо модели d1 в настоящее время не существует — ни строки в лидерборде, ни стороннего запуска, ни опубликованного опровержения оценки вендора. Вендор сам оценил оба чекпоинта d1 с помощью официального скорера Decision Index, вместо того чтобы отправить их на публичный лидерборд, и прямо говорит об этом на карточке; каждая конкурирующая строка в его таблице взята из лидерборда v0.2.1, а значит, сравнение представляет собой число, оценённое самостоятельно, стоящее рядом с числами, оценёнными извне.

• Decision Index 0.2.1 — 15,95 для d1-omni-600M (знания 8,3, язык 12,9, поиск 35,0, инструменты 15,1, творчество 6,8) против 48,57 у d1-3B.

Бенчмарки как решения, среднее по семи — 78.4 у d1-omni-600M против 82.9 у d1-3B, при этом модель 600M опережает на Civil Comments (95.8 против 93.0) и PAWS-X (79.5 против 76.9) и отстаёт на BoolQ (77.7 против 86.7) и SQuAD 2.0 (74.0 против 85.3).

• Fast Decisions, разбивка по разработчикам — 76,9, по данным вендора, строка сравнения не опубликована.

• Скорость — ничего. В карточке прямо сказано, что показатели инференса не приводятся, поскольку это ранний исследовательский релиз в стадии активной разработки, поэтому любые заявления о задержке, которые вы встретите где-либо ещё, — это чьи-то собственные измерения.

• Номера фикстур на странице Ollama — в разобранном примере из readme показано, что urgent получил ответ с оценкой 0,998, а technical — 0,995. Это иллюстративные выходные данные одного запроса, опубликованные средой выполнения, и они не являются бенчмарком.

Разрыв между 15,95 и 48,57 — это самое полезное, что есть на карточке, потому что он закрывает вопрос о покупке словами самого производителя: в readme сказано использовать d1, когда важна точность при работе с текстом и изображениями, и обращаться к d1-omni, когда важен размер или нужно аудио. Модель на 587M параметров, которая набирает 78,4 балла по семи публичным бенчмаркам, — если перевести эти показатели в решения, — выглядит правдоподобным edge-классификатором. Это не уменьшенная версия 3B.

Где OrcaRouter подходит, а где — нет

Мы не обслуживаем эту модель. Проверка нашего каталога 18 октября вернула 208 идентификаторов моделей, и ни один из них не от Liquid AI, так что ничто здесь не является заявлением о доступности, и с нашей стороны нет способа её получить. Если вам нужна Liquid AI d1-omni-600M, локальный путь — тот, что описан выше, а хостинговый путь — это собственный API вендора и любые сторонние платформы, которые её подхватят.

Упаковка меняет форму окружающей системы, и именно здесь мы полезны. Модель принятия решений почти никогда не бывает всем конвейером: тикет, который она размечает, кадр, который она помечает, и транскрипт, который она маршрутизирует, всё ещё нужно обработать — ответить, суммировать или эскалировать — с помощью чего-то, что пишет текст. Эти генеративные вызовы стоят за одним ключом, совместимым с OpenAI, для 200+ хостируемых моделей по прайс-листовой цене провайдера, передаваемым с наценкой 0%, поэтому изменение цены поставщика доходит до вас в тот же день, а не после заключения нового договора. И поскольку d1-omni-600M поставляется без независимых данных о точности и без опубликованных данных о задержке, правильный способ вывести её на реальный трафик заключается в автоматическом переключении при сбоях между провайдерами — пусть она обрабатывает вызовы, в которых уверена, и оставляйте запасной маршрут, когда она не уверена, вместо того чтобы превращать 587 млн параметров в единую точку отказа для вашего этапа сортировки. Решение остаётся локальным; резервный вариант не обязан быть локальным.

Что могло бы изменить это чтение?

Четыре вещи, любая из которых превратила бы заметку об упаковке в другую статью. Документирование аудио в схеме запросов System One со стороны Ollama — это превратило бы трюк с WAV-в-изображениях из README в поддерживаемый вход и сделало бы эту модель первой моделью принятия решений с поддержкой речи, которую можно запустить одной командой. Признание порта одной из компаний: Liquid AI добавляет d1-omni на страницу Ollama в своей документации по развёртыванию, или Ollama указывает её в разделе моделей принятия решений, а не vision. Показатель скорости от кого угодно — вендора или нет, — поскольку сегодня его не существует. И независимая строка Decision Index для любой модели d1, которая остаётся единственным недостающим элементом во всём семействе.

До тех пор решение очевидно. Если вы уже используете Ollama версии 0.40.4 или более поздней, загрузка выполняется одной командой, скачивание — 850 МБ, а в результате вы получаете классификатор на 587M, который отвечает на набранные вопросы за один прямой проход по тексту и изображениям — и, если README не врёт, по более чем 30 секундам английской речи. Если ваше состояние длинное, помните об окне в 16 384 токена и бюджете текста в 896 токенов, а не о бейдже 125K. И если вам нужны доказательства того, что он точен, прежде чем он пометит что-либо, что увидит клиент, таких доказательств пока не существует — ни для этой модели, ни для любой из её родственных моделей.

Задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг оспаривания.