d1-Omni-2B: Vad Liquid AI:s tystaste 2B-beslutsmodell levereras med – och vad den utelämnar

Hugging Face-repositoriet för LiquidAI/d1-Omni-2B skapades 19:30 UTC den 24 oktober 2026. Det första blogginlägget från Liquid AI som nämnde modellen vid namn publicerades den 27 oktober. Under dessa tre dagar var repot offentligt och komplett — ett fullständigt specifikationsblad, 4,33 GB BF16-safetensors, fungerande Transformers-kod — och inget av det leverantören publicerade sade att det existerade. När omnämnandet till slut kom var det två stycken och en tabell med fyra rader i en lansering av en familj med sex modeller, inte en egen lansering. Det är formen på det här släppet, och det är den ärliga inramningen för allt nedan: vikterna går att granska, påståendena är leverantörens, och de delar som en köpare normalt skulle få från ett tillkännagivande — ett pris, en hostad endpoint, ett oberoende benchmark — finns inte ännu.

Det fem dagar långa glappet mellan vikterna och orden

Liquid AIs historia om beslutsmodeller har berättats två gånger, och d1-Omni-2B finns inte med i någon av versionerna. Den 7 oktober publicerade företaget ”Open d1: Edge decision models for text, vision, and audio”, som introducerade exakt två öppna checkpoints: d1-3B, en modell på 3,12B för vision och text, och d1-omni-600M, en modell på 587M som tog emot text med bilder eller text med upp till 30 sekunders ljud. Det inlägget är fortfarande online, och det innehåller fortfarande ingen 2B-modell.

2B-serien kom enligt ett annat tidsschema. Den 21 oktober dök bascheckpointen LFM3-Omni-2B upp på Hugging Face. Den 24 oktober, med tjugofyra sekunders mellanrum, skapade Liquid AI repositorier för d1-2B och d1-Omni-2B. I lanseringsinlägget för LFM3 den 27 oktober namngavs sedan familjen: sex modeller på omkring 2B parametrar, fyra som täcker text, vision, ljud och omni, och, med inläggets egna ord, "de två sista är beslutsmodeller specialiserade från vision- och omnimodellerna." Den meningen är tillkännagivandet. Det har inte kommit något separat inlägg om d1-Omni-2B, ingen prissättningssida, inget citat från någon lanseringspartner och ingen uppdatering av artikeln från 7 oktober.

Så modellen är inte odokumenterad — repot är en av de bättre dokumenterade små checkpoints som Liquid AI har publicerat, och leverantörens dokumentationssida för beslutsmodeller listar den tillsammans med d1-2B och d1-omni-600M. Den är underannonserad. Den distinktionen spelar roll eftersom den talar om för dig vilka påståenden som har gått igenom en lanseringsgranskning och vilka som inte har det.

Att läsa kortet som ett datablad

Bortser man från inramningen är checkpointen enkel. d1-Omni-2B är en eftertränad beslutsmodell byggd på LFM3-Omni-2B, och den är inte en chattmodell: den skriver ingen text och producerar inget tal, och varje anrop returnerar output_tokens: 0.

• Parametrar — 2,17B, levereras som en enda 4,33GB BF16-safetensors-fil.

• Arkitektur — LFM3-stommen: 24 lager, varav 13 är gated kortkonvolutioner, 5 är glidfönsteruppmärksamhet med ett fönster på 256 token och 6 är global uppmärksamhet. Familjens blogginlägg beskriver denna trihybrida blandning som resultatet av en hårdvaru-i-loopen-arkitektursökning som körts över 14 enhets- och backendkombinationer.

• Kontext och ordförråd — 128K tokens och ett ordförråd på 128 000 tokens som delas med resten av LFM3.

• Indata — ett tillstånd som kan vara text eller vilket JSON-värde som helst, plus bilder, videorutor och ljudklipp, plus valfritt antal namngivna frågor, skriftliga eller talade. Kortets API tar emot allt detta i en enda medialista, vilket är en betydelsefull skillnad från 587M-checkpointen: d1-omni-600M dokumenteras som text-med-bilder eller text-med-ljud, inte båda samtidigt.

• Utdata — typade svar med sannolikheter. Ja/nej, ett val bland namngivna alternativ, en ordnad poäng, ett värde läst från ett dokument med dess spann, ett tal med ett p10–p90-intervall, en avgränsningsruta, eller varje förekomst av ett objekt med ett antal.

• Språk — sexton. Talet omfattar samma uppsättning utom hindi, thai, vietnamesiska och indonesiska, vilket är värt att påpeka eftersom textsidan listar dem.

• Licens — LFM Open License v1.0. Kommersiell användning medges under $10,000,000 i årliga intäkter; över det står det i licenstexten att kommersiell användning "inte är licensierad enligt detta avtal".

Ljud är påståendet värt att testa

Anledningen till att välja denna checkpoint framför d1-2B är ljudet. Liquid AI positionerar den för "routning av samtal och röstmeddelanden samt ljudhändelser", och modellkortet innehåller det enda bevis som ett lanseringsinlägg vanligtvis skulle ha inlett med: en jämförelse mellan talat och skrivet på samma objekt.

• Affärsrouting och triage (DecisionBench, Hanno Labs v1) — 83,4 skriftligt, 78,2 muntligt.

• Kundtjänstärenden (skrivna beslut) – 50,5 skrivna, 48,0 talade.

• JevBench v1.4.1, raderna som en röst kan säga — 87,6 skriftligt, 89,0 talat, vilket innebär att den talade körningen fick något högre poäng, vilket är brus snarare än en förbättring.

• Ljudhändelser (ESC-50) — 84,5, utan skriftlig motsvarighet.

• Identifiering av talat språk (FLEURS, 43 språk) — 92,5.

De siffrorna stöder säljargumentet. Resten av ljudavsnittet är den del som talar om var man inte ska bygga, och den är ovanligt uppriktig för ett leverantörskort. Korta talade utsagor faller från 42,0 skriftligt till 22,8 hört. Belebele-passager på åtta språk faller från 83,6 till 41,8. Kortet säger rakt ut att långa talade passager förlorar mycket av sin träffsäkerhet, "framför allt utanför språk med latinsk skrift", och hänvisar alla utan ljudinmatning till d1-2B i stället, som enligt kortet är starkare på text och enskilda rutor, oftare rapporterar saknade värden och är bättre kalibrerad.

Lästa tillsammans beskriver de raderna en modell som är bra på korta, routbara yttranden på större språk och mycket svagare på allt som kräver att hålla ett långt talat tillstånd. Triage på callcenter passar. Ett fyrtiominuters inspelat möte gör det inte.

Resultattavlan tillhör leverantören, och indexet bytte version

Alla prestandasiffror för den här modellen är Liquid AIs egna. Modellkortet är uttryckligt om metoden: alla fyra d1-modellerna bedömdes på samma uppgifter med samma poängsättning, så vissa siffror skiljer sig något från de enskilda kort de kommer från. Det står inte att en tredje part har reproducerat något av det, och det finns ingen oberoende utvärdering av d1-Omni-2B i skrivande stund.

• Decision Index offentliga svit, v0.3 — 49,0 för d1-Omni-2B, mot 51,1 för d1-2B, 49,0 för d1-3B och 18,3 för d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76,4, mot 77,1, 73,1 respektive 58,7.

• decisionbench.ai v4 — 84,7, mot 85,2, 83,6 och 57,9.

• ImajevBench v2.0-lite — 72,3, mot 75,5, 64,0 och 21,7.

• Tillverkarens egen resultattavla med över hundra benchmarktester — 61,8, mot 63,2, 58,8 och inget resultat för 600M.

• Vision-genomsnitt över 18 bildbenchmark — 67,7, jämfört med 70,2, 65,4 och 42,8.

En fälla ligger mitt i detta. Inlägget den 7 oktober rapporterade d1-omni-600M som 15,95 på Decision Index v0.2.1. Det nya kortet rapporterar det som 18,3 på v0.3. Det är olika testsviter och skillnaden är ingen förmågevinst; subtrahera inte det ena från det andra. Den enda rättvisa jämförelsen är den som kortet faktiskt gjorde, med alla fyra modellerna poängsatta igen på samma uppgifter.

Mönstret som överlever ompoängsättningen är att d1-Omni-2B ligger strax under d1-2B på nästan allt och långt över den föregående generationen. Liquid AI framställer det som att den slår d1-3B på sin beslutstavla och på 16 av 18 bildbenchmarkar med 70 % av parametrarna, vilket stämmer för tabellen som den är tryckt och också är en jämförelse mot en modell som familjen nu har ersatt.

Vad repositoryt inte besvarar

Fem frågor är fortfarande öppna, och ingen av dem besvaras genom att läsa vikterna.

• Hostad åtkomst och pris. Inlägget om LFM3 säger att basmodellerna och de eftertränade modellerna är tillgängliga på Hugging Face, Playground och Liquid AI API. Dokumentationstabellen för beslutmodeller listar dock d1-Omni-2B som öppna vikter och reserverar sina rader för endast hostad åtkomst för d1.1 och d1-ultra, och modellsidan på Hugging Face anger att "den här modellen distribueras inte av någon Inference Provider." Inget pris per anrop för denna checkpoint publiceras någonstans där den här artikeln kunde hitta det, så betrakta hostad åtkomst som trolig men obekräftad.

• Träningsdata. Kortet anger ingen korpus, ingen sammansättning, ingen datauppsättningsbeskrivning. Det nämner testning på klipp och röster "som ingen träningsrad har", vilket antyder att en träningsmängd finns och inte säger något om vad den innehåller.

• Kvantisering. Huvudarkivet levererar BF16, och Liquid AI publicerar tre syskonbyggen: MLX fp16, MLX 8-bit och en ONNX-export. Det finns ingen GGUF från leverantören, men Ollamas d1-omni-bibliotek har en 2b-tagg på 4,4 GB och 125K kontext, och storleken ligger tillräckligt nära BF16-kontrollpunkten för att det inte ska se ut som aggressiv kvantisering.

• Oberoende utvärdering. Ingen. Varje siffra ovan är framtagen av leverantören själv, med leverantörens egen poängsättare på leverantörens egen resultattavla.

• Huruvida det ersätter d1-omni-600M. Modellkortet rekommenderar d1-2B framför den här modellen när det inte finns något ljud, och rekommenderar den här modellen framför d1-2B när det finns ljud. Det står inget om 587M-checkpointens framtid, och Liquid AI har inte fasat ut den.

Att köra det, och vad det kostar i hårdvara

Inferensvägen är Transformers 5.19 eller senare med trust_remote_code, och anropet är model.system_one(state, questions, media). Det finns inga samplingsparametrar att ställa in, eftersom inget samplas. Kompileringen tar ungefär en minut vid de första anropen; efter det rapporterar kortet 5,8 ms för en fråga och 7,7 ms för tre på ett H100 PCIe, 3,7 ms och 5,6 ms på en AMD MI325X och 21,1 ms och 28,9 ms på en Apple M5 Pro. Ett tillstånd med 5K token kostar 52 ms på H100. Det är i batchningen som genomströmningen finns: 1 154 tillstånd per sekund på H100 och 1 697 på MI325X med 64 tillstånd i ett anrop.

För en modell i den här klassen är de siffrorna argumentet. Den konkurrerar inte med en chattmodell om kvalitet; den konkurrerar med att köra en chattmodell överhuvudtaget. En framåtpassning på 5,8 ms som returnerar en kalibrerad sannolikhet är en annan kostnadspost än ett generativt anrop som returnerar ett stycke som du sedan måste tolka.

Där beslutet slutar och resten av pipelinen börjar

En modell som den här gör ett hopp. Den förvandlar ett ärende, en samtalsinspelning eller en kamerabild till en etikett och en konfidensgrad, och sedan måste något agera på den etiketten – formulera svaret, eskalera ärendet, anropa API:et. Ingen Liquid AI-modell finns i OrcaRouters katalog, så det är i det andra hoppet som vår produkt faktiskt sitter: de generativa modeller som konsumerar beslutet går via en OpenAI-kompatibel nyckel som täcker 200+ modeller, till varje leverantörs listpris som vidarebefordras med 0 % påslag, med automatisk failover när en begäran hamnar hos en leverantör som har en tillfällig svacka. Beslutsmodellen är den billiga, snabba, deterministiska delen. Det är värt att koppla den dyra, icke-deterministiska delen till något som kan försöka igen.

Vad skulle avgöra det?

Tre saker skulle flytta d1-Omni-2B från "lovande" till "rekommendabel", och ingen av dem kräver ännu ett blogginlägg. Den första är en oberoende körning av ljudsviten på hårdvara som leverantören inte kontrollerar – gapet på 22,8 mot 42,0 för korta talade tillstånd är det tal som mest sannolikt ändras under någon annans mikrofon. Den andra är ett publicerat pris för hostad åtkomst, utan vilket beräkningen bygga eller köpa inte kan slutföras. Den tredje är en direkt jämförelse mot d1-2B på samma ljudinnehållande uppgifter, eftersom kortets egen rekommendation – använd 2B omni bara när indata innehåller ljud – är den mest användbara meningen i det, och det är också den som ingen har testat utanför Liquid AI.