Liquid AI d1-3B vs MiniCPM5-2B: Sannolikheter eller prosa, i laptopskala

Två modeller med öppna vikter, båda tillräckligt små för att kunna köras på maskinen framför dig, och de är oense om vad en modell bör returnera. Liquid AI d1-3B är Liquid AI:s beslutsmodell på 3,12B parametrar, släppt med öppna vikter den 7 oktober 2026: den läser ett tillstånd och en uppsättning namngivna frågor och returnerar en etikett, en sannolikhet per alternativ och en konfidens, i en enda framåtpassning, utan att generera något. MiniCPM5-2B är ModelBest och OpenBMB:s täta modell på 2,52B parametrar, visad på World Artificial Intelligence Conference den 19 juli och publicerad i tysthet på Hugging Face i början av september 2026 under Apache-2.0 – en assistent för resonemang, kodning och verktygsanrop som skriver svar, anropar funktioner i XML och redan har över en miljon nedladdningar. Den mindre har fyra gånger så stort kontextfönster och en långt mer tillåtande licens; den större kan inte producera en enda token ens om du vill det. Vilken av dessa två former som hör hemma i din pipeline beror helt och hållet på om det som ligger nedströms anropet vill ha ett tal eller en mening.

Den vändning som är värd att lägga märke till först

Nästan varje intuitiv förväntan på den här kombinationen är bakvänd, så börja där.

MiniCPM5-2B 是两者中更小的模型，却拥有更长的上下文：131,072 个 token，而 Liquid AI d1-3B 为 32,768 个。它也是两者中许可更宽松的一个——Apache-2.0，无需申请即可获取，训练数据集作为 UltraData 系列的一部分与模型权重一同发布。Liquid AI d1-3B 依据 Liquid 自家的 lfm1.0 许可证发布，该许可证可下载、可微调，但属于厂商许可证，而非标准的宽松许可证。

Liquid AI d1-3B är den större modellen — 3,12B mot 2,52B totalt, även om jämförelsen vänder igen när det gäller parametrar som inte är inbäddningar — och det är den som inte kan skriva. Den har vision; MiniCPM är endast text. Den är eftertränad för exakt en sak; MiniCPM är eftertränad för många. Och där MiniCPM5-2B kommer med ett jämförelsediagram som placerar den i toppen av sin storleksklass, kommer Liquid AI d1-3B med en enda indexpoäng och en uppsättning latenstabeller.

Inget av det gör den ena bättre. Det betyder att de två riktar sig mot olika uppgifter, och det som avslöjar saken är formen på svaret som var och en returnerar.

Vad kommer tillbaka på tråden

MiniCPM5-2B är en generativ språkmodell. Den resonerar, den svarar i prosa och den avger verktygsanrop i XML-stil som SGLangs inbyggda minicpm5-parser omvandlar till OpenAI-kompatibla tool_calls utan en anpassad adapter. Dess efterträning är den intressanta delen av dess historia: 400 miljarder tokens av övervakad finjustering för djupresonemang, sedan förstärkningsinlärning med en kritikerbaserad algoritm lånad från JustRL II, sedan on-policy-distillation som viker sexton specialiserade RL-lärare – fem av dem agentiska – tillbaka in i ett enda tätt nätverk. Modellkortet tillskriver RL plus distillation en genomsnittlig förbättring på 10,96 poäng på resonemang och allmänna uppgifter och 6,96 på agentiska sådana, och rapporterar ett genomsnitt på 53,9 över sin egen jämförelseuppsättning, vilket är högre än den största modellen som ingår i den uppsättningen. Det är ModelBests siffror, internt framtagna, utan någon oberoende reproduktion publicerad ännu.

Liquid AI d1-3B returns structure. A noul question comes back as P(yes) between 0 and 1. A choice question comes back as the label, a confidence and a probability per option. A score question comes back as an expected level on an ordered two-to-ten scale with its distribution and legend. The usage object reports output_tokens: 0, and there is a raw probabilities accessor if you want the unmassaged vectors. Its post-training was the opposite kind of work: average two checkpoints together, fine-tune several seeds over different data mixtures, merge them, then spend the effort on long-input training, shuffling answer-option order and stripping shortcuts out of the training data — because a decision model that learns "option B is usually right" instead of reading the state is worse than useless.

Den ena ber en modell att tänka och sedan säga något. Den andra frågar en modell vad den redan tror.

Sida vid sida, med märkt proveniens

Alla siffror nedan är leverantörsrapporterade. Siffrorna för MiniCPM5-2B kommer från ModelBests eget modellkort och dess egen jämförelseuppsättning; siffrorna för Liquid AI d1-3B kommer från att Liquid kör den officiella Decision Index-poängsättaren själv i stället för att skicka in till den offentliga resultattavlan. Ingen av modellerna har oberoende benchmarkats av en tredje part vid tidpunkten för släppet av öppna vikter.

• Parametrar — Liquid AI d1-3B 3,12B totalt med en 400M SigLIP2-visionkodare och en vokabulär på 128 000 tokens; MiniCPM5-2B 2 516 756 480 totalt, 1 981 982 720 icke-embedding, 42 lager, 16 query-huvuden till 2 KV-huvuden, vokabulär 130 560.

• Kontext — 32 768 tokens för Liquid AI d1-3B; 131 072 för MiniCPM5-2B.

• Inmatningsmodaliteter — text och bilder för Liquid AI d1-3B; endast text för MiniCPM5-2B.

• Utdata — sannolikheter, etiketter, konfidensvärden och ordnade poäng, med noll utdatatoken, för Liquid AI d1-3B; genererad text, resonemang och XML-verktygsanrop för MiniCPM5-2B.

• Huvudpoäng — Liquid AI d1-3B 48,57 på Decision Index 0.2.1, först bland modeller under 10B i leverantörens tabell; MiniCPM5-2B i genomsnitt 53,9 över sin egen jämförelseuppsättning, vilket är en annan uppsättning som mäter olika saker.

Hastighet — 8 ms per fråga på ett RTX 4090, 26 ms på en Jetson AGX Orin 64 GB, 50 ms på en Jetson Orin Nano, och 64 packade tillstånd per pass vid 475 per sekund för Liquid AI d1-3B. MiniCPM5-2B:s hastighet är en funktion av hur många tokens den genererar, så det finns inget enskilt tal att ställa mot det.

• Licens — Apache-2.0, utan åtkomstbegränsning, träningsdata har släppts, för MiniCPM5-2B; Liquids lfm1.0 för Liquid AI d1-3B.

• Bevis — över en miljon nedladdningar från Hugging Face och en månad av community-kvantisering för MiniCPM5-2B; två dagars existens och ingen tredjepartskörning för Liquid AI d1-3B.

Jobbet som var och en faktiskt är bra på

Det finns ett arbetsflöde som båda modellerna kan utföra, och skillnaden i hur de gör det är hela argumentet.

Anta att du triagerar supportärenden, eller avgör om en hämtad passage besvarar en fråga, eller poängsätter en LLM-utdata mot en bedömningsmall. MiniCPM5-2B kan göra alla tre – den är en kapabel liten resonerare med verktygsanrop och en lång kontext, och du skulle köra den som vilken annan assistent som helst, be om en etikett och sedan tolka vad som än kommer tillbaka. Ibland returnerar den ren JSON. Ibland returnerar den JSON med en förklaring runt omkring. Ibland returnerar den rätt svar i fel form, och den missen är en bugg i din parser snarare än i modellen.

Liquid AI d1-3B kan inte göra något annat, och det är just poängen. På samma tre uppgifter returnerar den en sannolikhet och en etikett och inget att tolka, tre frågor om ett tillstånd kostar 1,3 gånger tiden för en, och felläget förskjuts från "formatet gick sönder" till "konfidensen var felkalibrerad" — vilket åtminstone är mätbart, eftersom konfidensen finns direkt i svaret.

Där MiniCPM5-2B vinner rakt igenom är allt nedströms beslutet. Den rymmer 131K tokens, så tillståndet kan vara ett helt filträd från ett arkiv eller ett långt dokument i stället för första sidan av ett. Den skriver verktygsanrop nativt. Det är en modell som du kan bygga en liten agent på, och den har eftertränats uttryckligen för agentiskt arbete. Och dess Apache-2.0-licens innebär att det vanliga samtalet med en affärsjurist inte behöver äga rum.

Det är på latensgolvet och modaliteten som Liquid AI d1-3B vinner ohotat. En enhet som fattar ett beslut på 50 ms utan GPU är inte en enhet som kör MiniCPM5-2B; de två lever i olika hårdvaruklasser trots de liknande parameterantalen. Och 3B ser – leverantören rapporterar 74,1 över elva offentliga bildbenchmarks tolkade som beslut, mot 73,9 för den visuella språkmodellen som den byggdes från, och rapporterar att om bilderna tas bort kollapsar samma frågor till 45,1, vilket är deras sätt att visa att svaren kommer från pixlarna. Visuell inspektion av en produktionslinje är inte en uppgift som den textbaserade 2B överhuvudtaget kan tilldelas.

Att köra dem, och lagret runt dem

Båda är self-host-berättelser, och båda har redan fått utrullningsarbetet utfört. Liquid AI d1-3B levereras med llama.cpp-stöd från dag ett, hela NVIDIA-stacken från DGX till Jetson, NVFP4-kvantisering, en 8-bitars vikt- och aktiveringsbuild samt GGUF-konverteringar som redan publicerats. MiniCPM5-2B är en vanlig LlamaForCausalLM-arkitektur utan krav på anpassade kärnor, med en enda BF16-safetensors-shard, GGUF- och MLX-byggen i den bredare familjen, och en dokumenterad preferens för SGLang när du behöver verktygsanropsparsern. Ingen av dem finns i vår katalog, och den här artikeln är inte ett tillgänglighetsanspråk för någon av dem.

De hostade alternativen är leverantörens eget API och tredjepartsplattformar. Liquid tillhandahåller den hostade d1 som endast prissätts utifrån indatatokens till $0,04 per miljon, där bilder debiteras som indata med 1,5 tokens per 32×32-pixelruta och ingen utdatarad alls; MiniCPM5-2B har inget förstaparts-API, vilket är normalt för en Apache-2.0-utgåva med öppna vikter.

Det båda av dem matar in i är samma arkitekturproblem. En lokal 2B- eller 3B-modell som hanterar klassificering, routning eller guardrail-kontroller sitter framför de generativa anrop som du inte hostar, och den mixen – egen inferens intill hyrd inferens – är precis det som ett routningslager finns till för att absorbera. En enda slutpunkt över 200+ modeller, leverantörernas listpriser vidarebefordrade med 0 % påslag så att en prisändring hos en leverantör slår igenom samma dag, automatisk failover när en uppströmstjänst försämras. Att äga den lilla modellen gör routningsfrågan svårare, inte enklare, för nu är gränsen mellan din hårdvara och någon annans ett beslut du måste fatta per förfrågan.

Välj efter svarstyp

Om det du behöver är en etikett, en sannolikhet eller ett betyg, och alternativmängden är känd i förväg, är Liquid AI d1-3B det ärligare instrumentet – det byggdes för den begäran och svaret kommer inte att anlända felformat. Acceptera leverantörslicensen, 32K-kontexten och den två dagar gamla beviskedjan som priset.

Om det du behöver är en liten modell som kan resonera, anropa verktyg, hålla ett långt dokument och svara i ord, är MiniCPM5-2B den klart mer kapabla maskinen, med bred marginal, och den kommer med Apache-2.0 och en miljon nedladdningars testande från andra i ryggen.

De team som får ut mest av endera lanseringen är de som kör båda: en beslutsmodell framför, där svaret är en siffra och millisekunder spelar roll, och en liten generativ modell bakom, för de delar av arbetet som behöver språk. De är inte konkurrenter. De är ett filter och en högtalare.