d1-Omni-2B vs d1-omni: En tagg, två checkpoints och en åttafaldig klyfta

Hämta d1-omni idag så får du en beslutsmodell med 587M parametrar i 850MB. Hämta d1-omni:2b så får du 4,4 GB av något helt annat — d1-Omni-2B, ljudbeslutsmodellen som Liquid AI släppte med LFM3-familjen den 27 oktober 2026, mot d1-omni, namnet som Ollama har använt sedan början av oktober för leverantörens d1-omni-600M-kontrollpunkt. De är inte två leverantörers svar på samma fråga. De är två generationer av samma idé, åtta gånger isär i parameterantal, och valet mellan dem är egentligen ett val om var modellen måste köras. Den ena får plats i en telefon. Den andra vill ha en GPU och gör i gengäld saker som den mindre inte kan göra alls.

Namngivningen gör detta svårare än det borde vara, så det är värt att säga rakt ut före siffrorna: det finns ingen Liquid AI-modell som helt enkelt heter d1-omni. Leverantörens dokumentation listar d1-omni-2B och d1-omni-600M som öppna vikter, och d1.1 och d1-ultra som endast värdbaserade. "d1-omni" är ett paketeringsnamn – 587M-checkpointen under en kortare beteckning. Det är motståndaren i den här jämförelsen, och det är den som de flesta redan har på disk.

Vad var och en faktiskt är

Båda är beslutsmodeller i Liquid AIs bemärkelse av termen: man ger dem ett tillstånd och en lista med namngivna frågor, och de returnerar typade svar med sannolikheter i en enda framåtpassning. Ingen av dem skriver text, ingen av dem producerar tal, och båda rapporterar noll utdatatoken. Likheten slutar vid gränssnittet.

• Parametrar — 2,17B för d1-Omni-2B jämfört med 587M för d1-omni, uppdelat i den lilla modellen som en delad stam och beslutshuvud på 381M, en visionskodare på 94M och en ljudkodare på 112M.

• Arkitektur – en LFM3 tri-hybrid-stomme för 2B: 24 lager med 13 gated short convolutions, 5 sliding-window-attention och 6 global attention. 587M är en dubbelriktad LFM2.5-encoder byggd på LFM2.5-Encoder-350M, med ett SigLIP2-visionstorn ärvt från LFM2.5-VL-450M och en 17-lagrig FastConformer för ljud.

• Kontext — 128K tokens med en vokabulär på 128 000 tokens för 2B-modellen. 587M-modellen dokumenteras med 16 384 tokens som täcker text-, bild- och ljudpositioner tillsammans, och dess kort tillägger att när bilder finns kapas tillstånds- och frågetexten till 896 tokens, enligt träningen. Ollamas sida anger 125K för båda taggarna, en siffra som leverantören inte publicerar; anpassa dina promptar efter leverantörens siffra.

• Indata — 2B tar en text- eller JSON-status plus bilder, videorutor och ljudklipp i en enda medialista. 587M tar text med bilder, eller text med upp till 30 sekunders ljud, och dess kort dokumenterar inte blandning av de två.

• Utdatatyper — ja/nej, val och poäng på båda. 2B lägger till rutor, flerval, extraherade värden med spann och tal med intervall. De är nya i LFM3-generationen och har ingen motsvarighet på 587M.

• På disk — 4,33 GB BF16-safetensors för 2B, mot 850 MB för Q8_0-bygget av d1-omni och 1,2 GB för dess BF16-tagg.

• Licens — LFM Open License v1.0 på båda. Gratis för kommersiellt bruk under $10,000,000 i årliga intäkter, separat licensierad över det.

Vad den åttonde parametern ger

Den användbara jämförelsen är den som Liquid AI själva publicerade, eftersom de poängsatte om alla fyra d1-modellerna på samma poster med samma bedömare. Det gör raderna internt jämförbara på ett sätt som de äldre korten inte är.

• Decision Index publika svit, v0.3 — 49,0 för d1-Omni-2B mot 18,3 för d1-omni-600M.

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

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

• JevBench v1.4.1 — 75,3 mot 58,0.

• ImajevBench v2.0-lite — 72,3 mot 21,7, den största skillnaden i uppsättningen och den som betyder mest för visuellt arbete.

• WorkflowEvals — 77,1 mot 48,8.

• Typed Decisions — 63,1 mot 57,5, den minsta skillnaden och en påminnelse om att inte varje uppgift skalar med parametrar.

• Visuellt genomsnitt, 18 bildbenchmarks — 67,7 mot 42,8.

Två förbehåll hänger samman med den listan. Det första är versionsglidning: kortet från 7 oktober rapporterade d1-omni-600M på 15,95 på Decision Index v0.2.1, och det nya kortet rapporterar 18,3 på v0.3. Det är olika testsviter, och att subtrahera dem mäter indexet, inte modellen. Det andra är proveniens: varje siffra är leverantörsrapporterad, poängsatt av Liquid AI, på benchmarks som Liquid AI valde. Ingen utanför företaget har publicerat en körning av någon av checkpointarna.

Resultatets form är dock konsekvent. På klassificeringsliknande uppgifter står sig 587M förvånansvärt bra – Typed Decisions ligger inom sex punkter. På allt som kräver att läsa en scen, räkna objekt eller tolka en layout kollapsar den: 21,7 på ImajevBench mot 72,3, och 14,9 på VisualWebBench i den tidigare sviten mot 88,6. Om ditt jobb är att dirigera ett textärende är de extra parametrarna en lyx. Om ditt jobb innebär att titta på något är de hela produkten.

Där 587M fortfarande vinner, och siffran som skulle bevisa det

Driftsättningsomfånget är den 587M stora modellens verkliga fördel, och det är inte ett tröstpris. En 587M-modell på 850 MB körs på en bärbar dator, en Raspberry Pi eller en telefon, och Liquid AI byggde d1-serien just för det. En 2,17B-modell på 4,33 GB kräver en GPU eller en välutrustad Apple Silicon-maskin innan den är trevlig att använda.

Det som saknas är latensjämförelsen som skulle göra avvägningen exakt. Modellkortet för d1-Omni-2B publicerar en fullständig hastighetstabell: 5,8 ms för en fråga och 7,7 ms för tre på ett H100 PCIe, 3,7 ms och 5,6 ms på ett MI325X, 21,1 ms och 28,9 ms på en M5 Pro samt 1 154 tillstånd per sekund i batch på H100. Modellkortet för d1-omni-600M publicerar ingenting och förklarar varför: "Vi rapporterar inga inferenssiffror för d1-omni-600M eftersom det är en tidig forskningsrelease och är under aktiv utveckling." Så den mindre modellen är nästan säkert snabbare, och det finns ingen tillverkarsiffra att hänvisa till för hur mycket snabbare. Den som säger att 587M är tre gånger snabbare extrapolerar från parameterantalet.

Det finns en verklig noggrannhetsrelaterad fördel värd att nämna. d1-Omni-2B-kortet rekommenderar d1-2B framför sig självt när det inte finns något ljud, och anger skälen: d1-2B är starkare på text och enskilda boxar, rapporterar saknade värden oftare och är bättre kalibrerad. Samma råd pekar bort från omni-modellen för arbete med enbart text. Det säger inte att 587M är bättre kalibrerad — bara att 2B-omni innebär en kostnad för en förmåga du kanske inte använder.

Ljuddelningen är där de två generationerna skiljer sig tydligt åt.

Ljud är den enda modaliteten där båda modellerna konkurrerar direkt, och begränsningarna är tillräckligt olika för att avgöra en arkitektur.

Modellen på 587M tar upp till 30 sekunders tal, förväntar sig 16kHz mono, och dess modellkort innehåller en explicit varning: ljudfunktionerna tränades på förfrågningar mellan en engelsktalande person och en assistent, och täcker vilken typ av yttrande det är, dess ämne och vad talaren vill. Det är en snäv distribution, och det anges som en begränsning snarare än en fotnot.

2B-modellen stöder tal på samma sexton språk som textsidan, minus hindi, thai, vietnamesiska och indonesiska, och kortets ljudresultat omfattar 84,5 på ESC-50-ljudhändelser och 92,5 på FLEURS-språkidentifiering över 43 språk. Den försämras också på sätt som kortet dokumenterar: talade korta tillstånd sjunker från 42,0 skrivna till 22,8 hörda, och Belebele-passager på åtta språk sjunker från 83,6 till 41,8. Långa talade passager tappar noggrannhet, allra mest utanför latinsk skrift.

Så uppdelningen är inte ”2B är bättre på ljud”. Det är att 2B hör fler typer av ljud och fortfarande har svårt med långt talat tillstånd, medan 587M hör en snävare, mer kontrollerad del och aldrig benchmarkades på ljudhändelser eller språkidentifiering över huvud taget. För röstkommandorouting på engelska går 587M:s begränsningar att leva med. För flerspråkig samtalstriage är de diskvalificerande.

Vilken tagg ska dras

Beslutsreglerna är tillräckligt korta för att kunna anges som regler.

• Endast text och bilder, och inget ljud i produkten — hämta ingen av dem. d1-2B får högre poäng än d1-Omni-2B på beslutsindexet, 51,1 mot 49,0, och leverantörens eget kort säger att du ska använda den. Omni-premien betalar för ljud som du inte kommer att använda.

• Röst-routing på begränsad hårdvara — d1-omni på 850MB. Acceptera 30-sekundersgränsen, träningsfördelningen för engelsktalande och kontexten på 16 384 token, och mät din egen latens eftersom leverantören inte kommer att ge dig någon siffra.

• Ljud plus bilder i samma beslut, eller boxar och spann i utdata — d1-Omni-2B. 587M kan inte uttrycka dessa förfrågningar, så det finns inget att jämföra.

• Flerspråkigt tal — d1-Omni-2B, med de fyra uteslutna språken kontrollerade mot din faktiska trafik innan du fattar beslut.

• Batch-genomströmning — d1-Omni-2B, vars kort är det enda av de två som överhuvudtaget publicerar tillstånd per sekund.

En spridningssignal är värd att notera eftersom den talar emot benchmark-berättelsen: d1-omni-600M har fått ungefär 18 900 nedladdningar och 148 gillamarkeringar på Hugging Face sedan 5 oktober. d1-Omni-2B hade 36 nedladdningar och 7 gillamarkeringar fyra dagar efter att dess repository dykt upp. Tidiga nedladdningssiffror mäter nyhet och paketering, inte kvalitet — 587M-modellen har en Ollama-tagg som gör att den är ett enda kommando bort — men de beskriver vilken modell folk faktiskt kör i dag.

Efter beslutet, resten av samtalet

Vilken tagg du än drar i är beslutsmodellen första hoppet och inte det sista. Den returnerar en etikett med en sannolikhet; något måste fortfarande skriva svaret, eskalera ärendet eller anropa nästa API, och det andra hoppet är generativt. OrcaRouter har inte Liquid AI-modeller, så anropet till d1-omni eller d1-Omni-2B körs där du redan kör det — på din egen hårdvara från Hugging Face-vikterna, eller via leverantören. Det som ligger bakom en OpenAI-kompatibel nyckel är de övriga 200+ modellerna i katalogen, till varje leverantörs listpris med 0 % påslag, med failover mellan leverantörer när den nedströmsmodell du valt är den som har en dålig eftermiddag. För en modell så här ny är den separationen användbar: den obeprövade delen stannar lokalt och billigt, och delen som rör produktionstrafiken får en väg för återförsök.

Numret som inget av korten ger dig

Ingen av checkpointarna har en oberoende utvärdering. 587M har varit offentlig sedan 5 oktober och har fortfarande ingen; 2B är fyra dagar gammal. Förrän någon kör båda på samma ljuduppsättning med samma mikrofon och samma språk är den åttafaldiga parameterklyftan en leverantörstabell, inte ett uppmätt faktum. Den specifika siffran att hålla ögonen på är 22,8 för talade korta tillstånd — det är den enda raden där den nya modellens eget kort medger en svaghet som är tillräckligt stor för att ändra ett driftsättningsbeslut, och det är den rad som mest sannolikt kommer att ändras när någon utanför Liquid AI riktar en mikrofon mot den.