Liquid AI d1-omni-600M finns nu som en Ollama-pull: En beslutsmodell på 600M som kan höra dig

Liquid AI d1-omni-600Mblev ett Ollama-paket kl. 22:32 UTC den 17 oktober 2026. Tidsstämpeln är inte en gissning: Ollamas register skickar en ollama-push-time-header för varje manifest, och de fyra taggarna bakom namnet d1-omni accepterades mellan 22:31:25 och 22:32:13 den kvällen, ungefär fyra timmar innan detta skrevs. Själva modellen är inte ny – Liquid AI släppte öppna vikter för Liquid AI d1-omni-600M tillsammans med Liquid AI d1-3B den 5 oktober 2026 och annonserade båda i sitt "Open d1"-inlägg den 7 oktober – men fram till i går kväll var de enda sätten att köra den ljudkapabla varianten på din egen hårdvara en transformers-miljö med trust_remote_code=True eller ett llama.cpp-bygge som du själv kompilerat. Nu är kommandot ollama pull d1-omni. Ingen annonserade det: varken Liquid AI:s eller Ollamas blogg.

Förpackningen är historien, och det är värt att vara noggrann med vilka delar av den som är dokumenterade. De senaste blogginläggen från Liquid AI är d1-ultra den 15 oktober och LFM2.5-24B-A2B den 13 oktober, och inget av dem nämner Ollama; labbets egen Ollama-driftsättningssida lär fortfarande ut hur man kör dess GGUF-repositorier direkt från Hugging Face med ollama run hf.co/LiquidAI/... och nämner aldrig någon d1-modell. Ollamas blogg är lika tyst — dess senaste poster är Reflection's Beam den 16 oktober och en Fly.io-integration den 13 oktober. Det som finns i stället är en registerpost, fyra taggar, en verifierbar digest och en bibliotekssida som fortfarande höll på att skrivas när den här artikeln skrevs: en tidig ögonblicksbild av sidan returnerade "No readme", och en ögonblicksbild fyrtio minuter senare returnerade en fullständig beskrivning skriven av Liquid AI med en benchmarktabell och ett licensavsnitt. Om du vill ha en daterad och kontrollerbar händelse under de senaste sju dagarna är det sidhuvudet.

Vad registret faktiskt accepterade

Fyra taggar motsvarar två images, vilket är det första du behöver förstå innan du hämtar. d1-omni:latest, d1-omni:600m och d1-omni:600m-q8_0 är samma manifest – digest 1ba59f63e836 – medan d1-omni:600m-bf16 är ett andra, digest c1e95fce6627. Det finns ingen F16-tagg, även om leverantörens eget GGUF-repo publicerar en F16-stam.

• Viktlager (Q8_0-bygge) — en 407 MB stomme från d1-omni-600M-Q8_0.gguf plus en 442 MB projektor från mmproj-d1-omni-600M-BF16.gguf, med en licensblob på 10,5 KB och en parameterblob på 18 byte, totalt 849 659 968 byte.

• Rapporterad storlek – 850 MB för standardtaggen och 1,2 GB för 600m-bf16, båda enligt vad som visas på bibliotekssidan.

• Lägsta körtidsversion – kräver: {{1}}0.40.4{{/1}} i konfigurationsblobben, som också rapporterar {{2}}model_family: lfm2{{/2}}, {{3}}model_type: 380.73M{{/3}} och filtyp {{4}}Q8_0{{/4}}.

• Kontext — parameterblobben låser num_ctx till 16 384.

• Licens — den inbäddade texten är LFM Open License v1.0, som anger Liquid AI, Inc. som licensgivare, i linje med identifieraren lfm1.0 på modellkortet.

Den där projektorn förtjänar en andra titt, eftersom den är större än modellen den är fäst vid. Om man läser GGUF-metadata direkt ur registerblobben visas clip.has_vision_encoder = True och clip.has_audio_encoder = True i samma fil: 197 visionstensorer över 12 block med 768-breda embeddingar och 256-pixelindata, samt 641 ljudtensorer över 17 block med 512-breda embeddingar och 128 mel-bin. Det är SigLIP2-tornet och FastConformer-kodaren som båda färdas i det multimodala paketet, vilket är anledningen till att en stam med 381M parametrar levereras bakom en bifogad fil på 442 MB. Ljudförmågan finns fysiskt i paketet du laddar ner; frågan om slutpunkten kan nå den kommer senare.

Modellen har 587M parametrar och 125K-märket är större än sanningen

Ollamas sida annonserar "kontextfönster på 125K" på varje tagg. Paketets egen num_ctx är 16 384, och Liquid AIs modellkort säger samma sak med ord: 16 384 tokens som tillsammans spänner över text-, bild- och ljudpositioner, med tillstånds- och frågetexten kapad till 896 tokens när bilder finns. Siffran 125K går att spåra – trunk-GGUF-filen har lfm2.context_length = 128 000 – men det är arkitekturens tak, inte fönstret du får, och det är siffran som mest sannolikt vilseleder någon som dimensionerar en ersättning för en långkontextklassificerare. Utgå från 16 384 som arbetsvärde och 896 tokens text som arbetsvärde när en bild finns i tillståndet.

Resten av metadata bekräftar modellkortet snarare än marknadsföringsraden. Stommen är 18 block, inbäddningar med bredd 1 024 och en vokabulär på 65 536, och den är inte en avkodare: lfm2.attention.causal är False. Antalet KV-huvuden per lager anges som 0, 0, 8, 0, 0, 8, …, vilket betyder att de flesta av dessa block inte alls är attention-block, vilket är det bidirektionella encoder-arvet som lyser igenom. Beslutshuvudet är två block (lfm2.decision.block_count = 2), och de kalibreringskonstanter som leverantören har i config.json finns även i denna GGUF – flervalsfrågor har en temperatur på 1,7465 vid två alternativ, 1,3999 vid tre till fem, 1,1751 vid sex till tio och 1,3725 över elva; ja/nej är 1,6663; poängsatta frågor är 1,7301 vid tre till fem nivåer och 1,0 vid sex till tio. Det är hela designen på ett ställe: en fast uppsättning namngivna svar, poängsatta i en enda genomkörning, kalibrerade per frågeform, med output_tokens: 0 i slutet.

Det är inte en chattmodell och skriver ingen text. Liquid AI listar femton språk, har träningsdata för ljud endast på engelska – dialoger mellan en talare och en assistent – och begränsar klipp till 30 sekunder. Kortet varnar också för bfloat16 på GPU:er: i leverantörens egna kontroller ändrade det det främsta svaret på 0,8 % av textraderna och 1,7 % av ljudraderna, medan float16 matchade float32 överallt.

Ljudet finns i vikterna och saknas i det dokumenterade API:et.

Det här är avvikelsen som är värd att känna till innan du rapporterar en bugg. Bibliotekssidans readme, som Liquid AI har skrivit, dokumenterar ljud genom att lägga en base64-kodad WAV i images-arrayen för en /v1/systemone-förfrågan. Leverantörens Hugging Face GGUF-readme för samma checkpoint dokumenterar det annorlunda, med en files-array som bär data:audio/wav;base64,… till llama.cpp-servern. Och slutpunktsreferensen som Ollama publicerar dokumenterar ingendera: dess förfrågningsschema har state, images, questions och keep_alive, beskriver images som "Kräver en modell med syn, såsom Clef," och innehåller inget audio-fält och inget files-fält alls. Ollamas egen guide för beslutsmodeller namnger samtidigt Nimble, Tev1, Clef och Clef Flash som beslutsmodellerna och säger bara att Clef-modellerna även kan bedöma bilder.

Så den ärliga hållningen till ljud i Ollama i dag är: kodaren är verifierat närvarande i blobben, leverantörens readme säger att det fungerar via bilder, och det publicerade schemat medger det inte. Bildinmatning på samma modell står på säkrare grund – vision är en dokumenterad System One-förmåga och d1-omni förekommer i Ollamas kategorilista för vision. Två mindre dokumentationsluckor finns vid sidan av den: slutpunktsreferensen tillåter upp till 255 alternativnycklar i en flervalsfråga medan beslutsguiden säger 2 till 26, och paketets lägsta körtidsversion 0.40.4 är högre än den 0.35.0 som slutpunktsdokumentationen anger.

Arkiverat under vision, inte under beslut

Ollamas modellsökning filtrerar in beslutsmodeller i en egen kategori. Den innehåller nio poster – nimble-v3, pplx-decider, kev, tev1, nimble, clef-flash, clef, laya och strands-decider – och varken d1 eller d1-omni finns bland dem. Sidan för d1-omni är taggad med vision och 600m, och den förekommer i visionlistningen, så en läsare som bläddrar efter "beslutsmodell" hittar inte den nyaste. Det är ett upptäckbarhetsproblem snarare än ett kapacitetsproblem, men det spelar roll om du planerade att jämföra beslutsfamiljerna i Ollamas egen katalog och drog slutsatsen att den här inte fanns.

Det innebär också att d1-omni är den första beslutsmodellen i Ollamas bibliotek som överhuvudtaget kan ta emot tal – ljudencodern ingår i paketet och inget annat i den listan med nio modeller har någon. Huruvida endpointen kommer att ge den din WAV är den öppna frågan från avsnittet ovan, och det är det enda som med störst sannolikhet har ändrats när du läser detta.

Siffrorna, och vem som producerade varenda en av dem

Varje noggrannhetssiffra som är kopplad till Liquid AI d1-omni-600M är Liquid AI:s, och det finns ingen oberoende utvärdering av någon d1-modell som existerar såvitt vi kan hitta – ingen rad på resultattavlan, ingen körning av tredje part, inget publicerat avvisande av leverantörens poängsättning. Leverantören poängsatte båda d1-checkpointarna själv med den officiella Decision Index-poängräknaren i stället för att skicka in dem till den offentliga resultattavlan, och säger det på kortet; varje konkurrerande rad i dess tabell kommer från resultattavlan v0.2.1, vilket innebär att jämförelsen är en självpoängsatt siffra som sitter bredvid externt poängsatta sådana.

• Decision Index 0.2.1 — 15,95 för d1-omni-600M (kunskap 8,3, språk 12,9, sökning 35,0, verktyg 15,1, konst 6,8) jämfört med 48,57 för d1-3B.

• Benchmarkresultat som beslutsunderlag, medelvärde över sju — 78,4 för d1-omni-600M mot 82,9 för d1-3B, där 600M-modellen ligger före på Civil Comments (95,8 vs 93,0) och PAWS-X (79,5 vs 76,9) och efter på BoolQ (77,7 vs 86,7) och SQuAD 2.0 (74,0 vs 85,3).

Fast Decisions, dev-split — 76,9, leverantörsrapporterat, ingen jämförelserad har publicerats.

• Hastighet – ingenting. Kortet säger rakt ut att inferenssiffror inte rapporteras eftersom detta är en tidig forskningsrelease under aktiv utveckling, så alla latenspåståenden du ser för den någon annanstans är någons egen mätning.

• Fixturnummer på Ollama-sidan — readme-filens genomräknade exempel visar att urgent besvarades vid 0.998 och technical vid 0.995. Det är illustrativa utdata från en enda förfrågan, publicerade av runtime, och de utgör inte ett benchmark.

Gapet mellan 15,95 och 48,57 är det mest användbara på kortet, eftersom det avgör köpfrågan med leverantörens egna ord: readme säger att du ska använda d1 när noggrannhet för text och bilder är det som spelar roll och ta till d1-omni när storleken spelar roll eller du behöver ljud. En 587M-modell som får 78,4 på sju offentliga benchmarks, omvandlad till beslut, är en trovärdig edge-klassificerare. Den är inte en mindre version av 3B.

Var OrcaRouter passar in, och var det inte gör det

Vi tillhandahåller inte den här modellen. En kontroll av vår katalog den 18 oktober gav 208 modell-ID:n och inte ett enda av dem är från Liquid AI, så inget här är ett påstående om tillgänglighet och det finns ingen väg på vår sida att hämta den från. Om du vill ha Liquid AI d1-omni-600M, är den lokala vägen den som beskrivs ovan, och den värdbaserade vägen är leverantörens eget API och de tredjepartsplattformar som tar upp den.

Det förpackningen ändrar är formen på systemet runt den, och det är där vi är användbara. En beslutsmodell är nästan aldrig hela pipelinen: ärendet den märker, bildrutan den flaggar och transkriptionen den dirigerar måste fortfarande besvaras, sammanfattas eller eskaler as av något som skriver text. De generativa anropen ligger bakom en OpenAI-kompatibel nyckel för 200+ hostade modeller till leverantörens listpris, vidarebefordrade med 0 % påslag, så en leverantörsprisändring når dig samma dag i stället för via ett nytt avtal. Och eftersom d1-omni-600M levereras utan oberoende bevis på träffsäkerhet och utan publicerad latens, är rätt sätt att sätta den framför verklig trafik bakom automatisk redundansväxling mellan leverantörer – låt den hantera de anrop den är säker på, och behåll en väg ut när den inte är det, i stället för att göra 587M parametrar till en enda felpunkt för ditt triagesteg. Beslutet stannar lokalt; reservvägen behöver inte göra det.

Vad skulle ändra den här avläsningen?

Fyra saker, där vilken som helst av dem skulle förvandla en förpackningsnotis till en annan artikel. Ollama som dokumenterar ljud i System One-förfrågningsschemat, vilket skulle förvandla readme-filens WAV-i-bilder-trick till en indata som stöds och göra detta till den första beslutsmodellen med talförmåga som du kan köra med ett enda kommando. Endera företaget som bekräftar portningen – Liquid AI som lägger till d1-omni på Ollama-sidan i sin distributionsdokumentation, eller Ollama som listar den under beslutsmodeller i stället för vision. En hastighetssiffra från vem som helst, leverantör eller inte, eftersom ingen sådan finns i dag. Och en oberoende rad i Decision Index för vilken d1-modell som helst, vilket fortfarande är den enda saknade pusselbiten i hela familjen.

Fram till dess är beslutet enkelt. Om du redan kör Ollama 0.40.4 eller senare är hämtningen ett enda kommando, nedladdningen är 850 MB, och det du får är en 587M-klassificerare som besvarar skrivna frågor i en enda forward-pass över text och bilder – och, om readme-filen har rätt, över 30 sekunder engelskt tal. Om ditt state är långt bör du tänka på 16,384-tokenfönstret och textbudgeten på 896 token i stället för 125K-märket. Och om du behöver bevis på att den är korrekt innan den märker något som en kund ser, finns det beviset ännu inte, för den här modellen eller någon av dess syskon.

De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.