d1-Omni-2B vs MiniCPM5-2B: En beslutsmodell är inte en liten chattmodell

Båda har öppna vikter, båda ligger nära två miljarder parametrar, och båda riktar sig mot hårdvara som står på ett skrivbord snarare än i ett rack. Det är där likheterna slutar. d1-Omni-2B tar emot ett tillstånd – text, JSON, bilder, videobildrutor, ljud – plus en uppsättning namngivna frågor, och returnerar typade svar med kalibrerade sannolikheter i en enda framåtpassering. MiniCPM5-2B tar emot text och skriver mer text, och resonerar sig fram till ett svar en token i taget. Att byta ut den ena mot den andra är inte en modelluppgradering eller en modellnedgradering; det är en omskrivning av allt som konsumerar svaret. Den jämförelse som är värd att göra är alltså inte vilken av dem som får högre poäng. Det är vilket kontrakt din pipeline faktiskt kan acceptera, och vad var och en kostar dig i licenser, latens och driftsättningsarbete för att uppfylla det.

Vad som faktiskt kommer tillbaka från ett anrop

Ett d1-anrop ser ut som ett schema, inte en konversation. Du skickar system_one ett tillstånd och en ordbok med frågor, var och en med en typ – ja/nej, ett enda val, flera val, ordnade poäng, textspann, tal, datum, en avgränsningsruta eller flera – och du får tillbaka ett värde per fråga med en tillhörande sannolikhet. Modellkortets eget exempel dirigerar ett supportärende: en återbetalningsflagga, en teamtilldelning baserad på två namngivna kriterier och en konfidensgrad för var och en. Ingen prosa, ingen transkription, inga token avges. Kortet säger detta rakt ut: det är inte en chattmodell.

Den designen är hela produkten. Eftersom ingenting avkodas finns det inget tolkningssteg, ingen JSON-reparation, ingen återförsöksloop för modellen som bäddade in sitt svar i en ursäkt. Ett värde kommer tillbaka vid en tröskel som du har valt, med en avstå-väg när inget i alternativmängden gäller — Liquid rapporterar 78,5 på det avstå-testet skriftligt och 75,8 muntligt. Om din nedströmskod behöver en kötilldelning och ett nummer, är det här formen du vill ha.

MiniCPM5-2B ger den motsatta formen. Det är en standarddekoder med Llama-arkitektur som tänker innan den svarar, byggd på ett SFT-steg för djuptänkande med 400 miljarder tokens, domänspecifik RL och ett on-policy-distillationssteg som sammanför sexton specialistlärare till en enda dense checkpoint. Du kan absolut få strukturerad utdata från den – dess poäng för funktionsanrop är respektabla, och OpenBMB levererar en verktygsparser för vLLM – men du får den genom att be om den i en prompt och lita på att dekodern följer den. Resonemanget är funktionen. Det är också det du betalar för vid varje anrop.

Direktmötet som inte finns

Det finns ingen benchmark som båda dessa modeller har körts på. Det är inte en lucka i rapporteringen; det är en följd av uppdelningen ovan. d1-Omni-2B förekommer endast i Liquids beslutssviter – DecisionBench v1 på 76,4, decisionbench.ai v4 på 84,7, Decision Index public suite v0.3 på 49,0, ImajevBench v2.0-lite på 72,3, ett oviktat visionsgenomsnitt på 67,7 över arton benchmarks. MiniCPM5-2B förekommer endast i OpenBMB:s resonemangs- och agentsvit: ett genomsnitt på 53,9 över 34 tester, LiveCodeBench v6 på 69,1, AIME 2025 på 86,5, SWE-bench Verified på 46,4, BFCL v4 på 66,6 och ett betydligt blygsammare 8,9 på Humanity's Last Exam. Inte ett enda av dessa tal är mätt på samma uppgifter, av samma bedömare, som något tal i den första listan.

Den som visar dig en tvåkolumnstabell där dessa resultat ställs sida vid sida ägnar sig åt att sy ihop en historia, och sömmarna är värre än de ser ut. Varje siffra för d1-Omni-2B är framtagen av leverantören och är, vid publiceringen, inte oberoende reproducerad. OpenBMB:s framhävda medelvärde är också framtaget av leverantören – företaget har släppt sina träningskorpusar och sitt RL-ramverk, vilket är mer än de flesta labb gör, men det är reproducerbarhet av metoden, inte av resultaten.

De oberoende siffror som faktiskt finns är värda att läsa noggrant, eftersom de inte stämmer överens med varandra mellan indexversioner. Artificial Analysis gav MiniCPM5-2B 15 poäng på sitt v4.2 Intelligence Index när det rapporterade om lanseringen den 7 september; den aktuella sidan visar nu 12; OpenBMB:s eget påstående om 23 gjordes på v4.1.1. De tre siffrorna är varken en nedgång eller en tvist – indexet förändrades under dem, och poäng från olika versioner är inte jämförbara. Ta riktningen och ignorera siffran. Artificial Analysis har ingen sida alls för d1-Omni-2B eller dess syskon d1-2B, så beslutsmodellen har ännu ingen oberoende mätning av något slag.

En siffra som ser överförbar ut men inte är det: Liquid körde en jämförelse på 27 tester av sin chatmodell LFM3-1.7B mot MiniCPM5-2B och vann med 23 mot 4. Det resultatet säger att en Liquid-eftertränad dekoder slår OpenBMB:s på dessa tester. Det säger ingenting om beslutsheaden, som aldrig ingick i den körningen, och det bör inte lånas för att avgöra den här parningen.

Där specifikationerna faktiskt skiljer sig åt

• Utdatakontrakt — typade värden med sannolikheter och noll utdatatoken kontra genererad text med ett implicit resonemangsspår. Allt annat på den här listan är en följd av det.

• Storlek — 2,17B parametrar i en 4,33 GB BF16-checkpoint, mot 2,52B totalt och 1,98B icke-inbäddning, ungefär 5 GB i BF16. Tillräckligt nära för att ingen av dem vinner på enbart minnesavtryck.

• Indata — text eller JSON-tillstånd, bilder, videobilder och ljud, som kan blandas i en förfrågan, jämfört med enbart text. MiniCPM5-2B har ingen visionskodare och ingen ljudväg; om tillståndet innehåller en vågform slutar jämförelsen här. Om du vill ha OpenBMB:s multimodala serie är det MiniCPM-V 4.7, en annan familj med en annan avvägning.

• Kontext — 128 000 tokens mot 131 072. Det är samma siffra uttryckt på två sätt, och det är inte ett skäl att välja någon av modellerna. Det spelar bara roll genom att båda kan hålla ett långt dokument; d1-Omni-2B:s begränsning är att långa talade passager försämrar dess noggrannhet långt innan fönstret fylls, och kortet säger det.

• Licens — LFM Open License v1.0 med en tröskel för årlig intäkt på 10 000 000 USD, jämfört med Apache-2.0 helt utan villkor. Detta är den största enskilda skillnaden i tabellen och den har ingenting att göra med modellkvalitet.

• Körtid — anpassad modelleringskod bakom trust_remote_code, Transformers 5.19 eller nyare, endast BF16, ingen leverantörs-GGUF och ingen dokumenterad vLLM- eller SGLang-väg, mot oförändrade Llama-verktyg: vLLM, SGLang, llama.cpp, MLX, GPTQ, en officiell GGUF i repot och redan cirkulerande kvantiserade byggen.

• Adoption — 36 nedladdningar och 10 gillningar fyra dagar efter att repot dök upp den 24 oktober, mot 1 216 145 nedladdningar och 1 823 gillningar sedan den 6 september. Asterisk: siffran för MiniCPM har haft sju veckor och ett lanseringsinlägg, siffran för d1 har haft inget av det, så läs det som en mognadssignal snarare än en dom.

Fem millisekunder mot en tanke

Liquid publicerar varmanropslatens för d1-Omni-2B, mätt efter compile() i BF16 som medianen av tjugo anrop. På ett H100 PCIe kostar en enskild fråga 5,8 ms, tre frågor 7,7 ms, ett tillstånd på 5 000 token 52 ms, en bild på 384 pixlar 12,1 ms och tio sekunder ljud 12,4 ms. Med batchning på 64 tillstånd per anrop kör den 1 154 tillstånd i sekunden, och ett MI325X är ännu snabbare med 3,7 ms och 1 697 tillstånd i sekunden. En M5 Pro gör 21,1 ms på en fråga och 110 tillstånd i sekunden – långsam jämfört med ett datacenterkort, och ändå tillräckligt snabb för att kännas omedelbar i en skrivbordsapp.

Inget av detta är en rättvis tävling, eftersom den andra sidan inte publicerar någon tid. Vad som strukturellt kan sägas är att en dekoders latens skalar med hur mycket den tänker, och MiniCPM5-2B är en modell byggd för att tänka. Vid ett routing- eller triageanrop – där det korrekta svaret är ett av fyra könamn – betalar du för en motivering som ingen bad om, och betalar per token för den. Artificial Analysis sätter en siffra på detta: under dess Intelligence Index-körning genererade modellen 74 miljoner utdatatokens, mot en median på 67 miljoner för jämförbara modeller, vilket dess sammanfattning kallar "något ordrik". Det är inte ett argument mot modellen; det är ett argument mot att använda den i den roll som d1-Omni-2B byggdes för.

Behandla d1-siffrorna med sedvanlig försiktighet. De är leverantörsmätningar, gjorda på specifik hårdvara med ett kompileringssteg, och en oberoende körning kommer nästan säkert att hamna någon annanstans. Storleksordningen – ensiffriga millisekunder per beslut – är den del som håller.

Licensklausulen som väger tyngre än resultattavlan

MiniCPM5-2B distribueras under Apache-2.0. Du kan använda den kommersiellt, forka den, vidaredistribuera den, bädda in den i en produkt och aldrig behöva prata med en advokat om den. d1-Omni-2B distribueras under LFM Open License v1.0, som beviljar kommersiell användning endast så länge din organisation ligger under 10 000 000 USD i årlig omsättning. Vid eller över den tröskeln anger licensen att kommersiell användning "inte är licensierad enligt detta avtal" – vilket innebär att du behöver en separat överenskommelse med Liquid AI, eller så levererar du inte modellen.

Videredistribution är tillåten på båda, med villkor på LFM-sidan: för licensen vidare, markera ändrade filer och behåll meddelandena. Det finns inget krav på att byta varumärke. För ett forskningsteam, en prototyp eller ett företag som ligger bekvämt under gränsen är den klausulen en formalitet. För ett produktteam på ett företag som kan passera tröskeln under modellens användbara livstid är det en upphandlingsfråga som kommer innan den första benchmarken gör det — och det är den typ av sak som upptäcks sent, av juridikavdelningen, efter att arkitekturen är fastställd.

Asymmetrin är så pass tydlig att den bör sägas utan förbehåll: enbart sett till licensen är MiniCPM5-2B det säkrare valet för alla kommersiella driftsättningar, och d1-Omni-2B:s licens är en verklig kostnad för att välja den, inte en fotnot.

Vilken av dem kan du faktiskt köra idag

MiniCPM5-2B är tråkig att driftsätta, vilket är den högsta komplimangen en modell i den här storleken kan få. Det är en standarddecoder, så vLLM och SGLang stöder den utan en patch, llama.cpp och LM Studio läser GGUF, MLX täcker Apple silicon, och en Q4_K_M-build är cirka 1,45 GB. Den enda fällan är verktygsanrop: modellen skickar XML-liknande anrop, så vLLM behöver minicpm5-verktygsanropsparsern aktiverad, annars kommer dina funktionsanrop fram som prosa.

d1-Omni-2B är ännu inte tråkig. Att ladda den innebär en nyare version av Transformers med trust_remote_code=True, plus torch, torchvision och Pillow; repot levererar BF16-safetensors och inget annat. Det finns inget leverantörs-GGUF, inget sammanslaget vLLM-recept i modellkortet, och Hugging Face listar ingen inferensleverantör för den – så det finns ingen hostad slutpunkt att testa mot, vilket också är anledningen till att det inte finns något hostat pris att ange. Den praktiska vägen som de flesta kommer att ta är Ollama-taggen d1-omni:2b, ett communitypaket på 4,4 GB som paketerar samma vikter. Det fungerar. Det är också den enda anledningen till att en utvecklare kan prova den här modellen på en eftermiddag, och det är en tredje parts arbete, inte Liquids.

Ingen av modellerna har ett publicerat pris per token, eftersom ingen av dem säljs per token. Alla siffror per miljon som du hittar för någon av dem är härledda från GPU-hyrberäkningar snarare än angivna av en leverantör. Om du jämför dem på kostnad bör du jämföra dem utifrån vad ett beslut kostar i sekunder av GPU-tid – och kom ihåg att beslutsmodellens svar är färdigt när anropet returnerar, medan chattmodellens är färdigt när den slutar tänka.

Mönstret som använder båda

Den ärliga slutsatsen av den här jämförelsen är att de inte är konkurrenter, och en användbar arkitektur behandlar dem så. d1-Omni-2B hanterar den billiga, storskaliga och latenskänsliga bedömningen: vilken kö, vilket team, är det samma faktura, hur brådskande det är, vilken av de här tolv rutorna. Den körs lokalt, den returnerar ett tal som du kan sätta ett tröskelvärde för, och den avstår när den inte vet.

MiniCPM5-2B hanterar den del som kräver språk: att förklara beslutet för en kund, utarbeta svaret, skriva rättningen, anropa nästa verktyg i kedjan. Den är sämre på det första jobbet och bättre på det andra, och uppdelningen kostar dig inget annat än ett funktionsanrop mellan dem – en rutt som bara eskalerar till den dyra modellen när den billiga modellens konfidens faller under din tröskel. Det eskaleringslagret är precis vad en routingplattform är till för: en API-nyckel för 200+ modeller med 0 % påslag på leverantörens listpris, automatisk failover när en leverantör strular, och en routing-DSL som låter dig komponera flera modeller bakom ett enda anrop. Varken d1-Omni-2B eller MiniCPM5-2B finns i OrcaRouters katalog i dag, så beslutsdelen av det här mönstret förblir självhostad tills vidare – men den generativa delen, den du kommer vilja byta ut när bättre små modeller dyker upp, är precis den del som är värd att routa i stället för att hårdkoda.

Vem ska välja vilken

Ta d1-Omni-2B när tillståndet innehåller ljud eller video, när du behöver en sannolikhet snarare än en mening, när svaret måste vara en bounding box eller ett span eller ett tal med ett intervall, och när anropet ligger i en loop där 6 ms och 78 ms är olika produkter. Ta den med vetskap om att licensgränsen gäller dig, att driftsättning är specialkodsterritorium och att det ännu inte finns någon oberoende utvärdering — Liquids eget kort hänvisar personer utan ljud till d1-2B, vilket är en mer ärlig vägledning än vad de flesta leverantörer frivilligt bidrar med.

Välj MiniCPM5-2B när indata är text, när utdata måste läsas av en människa eller matas till ett verktyg som vill ha prosa, när du behöver resonemang över ett långt dokument, och när Apache-2.0 och en standardiserad Llama-driftsättningsväg tar bort två riskkategorier innan du skriver en rad kod. Välj det med vetskap om att leverantörens genomsnitt på 53,9 inte har reproducerats, att dess oberoende poäng är 12 på det aktuella indexet – väl över medianen på 5 för modeller i dess storleksklass, och inte jämförbar med de 15 eller 23 som registrerats på tidigare versioner – och att dess svagaste publicerade resultat, Terminal-Bench på 8,6 och SWE-bench Pro på 14,4, är de som ligger närmast agentiskt arbete, vilket är där det marknadsförs mest.

Och välj ingen av dem om det du faktiskt ville ha var en liten chattmodell som kan se. MiniCPM5-2B kan inte se, d1-Omni-2B chattar inte, och modellen som folk vanligtvis menar när de skriver något av namnen i en sökruta är en annan i samma familjer. Det man bör hålla ögonen på är den första oberoende ljudutvärderingen av d1-Omni-2B. Dess resultat för talat språk – 92,5 på FLEURS över 43 språk, men 42,0 skriftligt som faller till 22,8 när det hörs på korta tillstånd, och 83,6 till 41,8 på flerspråkiga stycken – beskriver en modell som är utmärkt på att identifiera ett språk men skör när det gäller att förstå ett stycke som läses högt. Tills någon utanför Liquid mäter den klyftan är argumentet för röstinmatning ett löfte med en siffra kopplad till sig, inte ett resultat.