d1-Omni-2B vs d1-omni: หนึ่งแท็ก สองเช็กพอยต์ และช่องว่างแปดเท่า

ดึง d1-omniวันนี้ แล้วคุณจะได้โมเดลการตัดสินใจขนาด 587M พารามิเตอร์ใน 850MB ดึง d1-omni:2b แล้วคุณจะได้ 4.4GB ของสิ่งที่แตกต่างออกไปคนละเรื่องเลย — d1-Omni-2B ซึ่งเป็นโมเดลการตัดสินใจด้านเสียงที่ Liquid AI เปิดตัวพร้อมตระกูล LFM3 เมื่อวันที่ 27 ตุลาคม 2026 เทียบกับ d1-omni ซึ่งเป็นชื่อที่ Ollama ใช้มาตั้งแต่ต้นเดือนตุลาคมสำหรับเช็กพอยต์ d1-omni-600M ของผู้จำหน่าย ทั้งสองไม่ใช่คำตอบของสองผู้จำหน่ายต่อคำถามเดียวกัน แต่เป็นสองรุ่นของแนวคิดเดียวกัน โดยมีจำนวนพารามิเตอร์ต่างกันแปดเท่า และการเลือกระหว่างทั้งสองจริง ๆ แล้วคือการเลือกว่าตัวโมเดลต้องรันที่ไหน ตัวหนึ่งพอดีกับโทรศัพท์ อีกตัวต้องการ GPU และแลกมาด้วยการทำสิ่งต่าง ๆ ที่ตัวเล็กกว่าทำไม่ได้เลย

การตั้งชื่อทำให้เรื่องนี้ยากเกินความจำเป็น ดังนั้นควรพูดให้ชัดก่อนจะถึงตัวเลข: ไม่มีโมเดล Liquid AI ตัวไหนที่เรียกสั้น ๆ ว่า d1-omni เอกสารของผู้จำหน่ายระบุว่า d1-omni-2B และ d1-omni-600M เป็น open weights ส่วน d1.1 และ d1-ultra เป็นแบบ hosted-only "d1-omni" เป็นชื่อแพ็กเกจ — checkpoint ขนาด 587M ภายใต้ป้ายชื่อที่สั้นกว่า นั่นคือคู่ต่อสู้ในการเปรียบเทียบนี้ และเป็นตัวที่คนส่วนใหญ่มีอยู่ในดิสก์แล้ว

แต่ละอย่างจริงๆ แล้วคืออะไร

ทั้งสองเป็นโมเดลการตัดสินใจในความหมายของ Liquid AI คือคุณป้อนสถานะและรายการคำถามที่ตั้งชื่อไว้ให้มัน แล้วมันจะคืนคำตอบที่ระบุชนิดพร้อมความน่าจะเป็นภายใน forward pass เพียงครั้งเดียว ไม่มีตัวใดเขียนข้อความ ไม่มีตัวใดสร้างเสียงพูด และทั้งคู่รายงานจำนวนโทเค็นเอาต์พุตเป็นศูนย์ ความคล้ายคลึงกันสิ้นสุดลงเพียงที่อินเทอร์เฟซเท่านั้น

• พารามิเตอร์ — 2.17B สำหรับ d1-Omni-2B เทียบกับ 587M สำหรับ d1-omni โดยในรุ่นเล็กแบ่งเป็นแกนร่วมและหัวตัดสินใจขนาด 381M, เอนโคเดอร์ภาพขนาด 94M และเอนโคเดอร์เสียงขนาด 112M

• สถาปัตยกรรม — แบ็กโบนแบบไตร-ไฮบริด LFM3 สำหรับรุ่น 2B: 24 เลเยอร์ ประกอบด้วย 13 gated short convolution, 5 sliding-window attention และ 6 global attention รุ่น 587M เป็นเอนโคเดอร์แบบสองทิศทาง LFM2.5 ที่สร้างขึ้นบน LFM2.5-Encoder-350M พร้อมวิสชันทาวเวอร์ SigLIP2 ที่สืบทอดมาจาก LFM2.5-VL-450M และ FastConformer จำนวน 17 เลเยอร์สำหรับเสียง

• บริบท — 128K โทเค็น พร้อมคลังคำศัพท์ 128,000 โทเค็นสำหรับรุ่น 2B รุ่น 587M มีเอกสารระบุไว้ที่ 16,384 โทเค็น ครอบคลุมตำแหน่งข้อความ รูปภาพ และเสียงรวมกัน และการ์ดของรุ่นระบุเพิ่มเติมว่าเมื่อมีรูปภาพ ข้อความสถานะและคำถามจะถูกตัดเหลือ 896 โทเค็น ตามที่ฝึกมา หน้าเพจของ Ollama แสดง 125K สำหรับทั้งสองแท็ก ซึ่งเป็นตัวเลขที่ผู้จำหน่ายไม่ได้เผยแพร่; กำหนดขนาดพรอมป์ต์ของคุณโดยอิงจากตัวเลขของผู้จำหน่าย

• อินพุต — 2B รับสถานะที่เป็นข้อความหรือ JSON พร้อมรูปภาพ เฟรมวิดีโอ และคลิปเสียงในรายการสื่อเดียว ส่วน 587M รับข้อความพร้อมรูปภาพ หรือข้อความพร้อมเสียงไม่เกิน 30 วินาที และการ์ดของรุ่นนี้ไม่ได้ระบุถึงการผสมทั้งสองอย่างเข้าด้วยกัน

• ประเภทเอาต์พุต — ทั้งสองรุ่นมีแบบใช่/ไม่ใช่ ตัวเลือก และคะแนน รุ่น 2B เพิ่มกล่อง การเลือกหลายรายการ ค่าที่สกัดพร้อมช่วง และตัวเลขที่มีช่วง สิ่งเหล่านี้เป็นของใหม่ในเจนเนอเรชัน LFM3 และไม่มีสิ่งที่เทียบเท่าในรุ่น 587M

• บนดิสก์ — 4.33GB ของ BF16 safetensors สำหรับรุ่น 2B เทียบกับ 850MB สำหรับบิลด์ Q8_0 ของ d1-omni และ 1.2GB สำหรับแท็ก BF16 ของมัน

• สัญญาอนุญาต — LFM Open License v1.0 สำหรับทั้งสองรายการ ใช้งานเชิงพาณิชย์ได้ฟรีเมื่อรายได้ต่อปีต่ำกว่า $10,000,000 และต้องได้รับสัญญาอนุญาตแยกเมื่อสูงกว่านั้น

สิ่งที่พารามิเตอร์ตัวที่แปดให้คุณได้

การเปรียบเทียบที่มีประโยชน์คือการเปรียบเทียบที่ Liquid AI พิมพ์ออกมาเอง เพราะมันให้คะแนนโมเดล d1 ทั้งสี่ใหม่บนรายการเดียวกันด้วยตัวให้คะแนนเดียวกัน ซึ่งทำให้แถวข้อมูลเหล่านั้นเปรียบเทียบกันได้ภายในชุดเดียวกัน ในแบบที่การ์ดรุ่นเก่าไม่สามารถทำได้

• ชุดทดสอบสาธารณะ Decision Index, v0.3 — 49.0 สำหรับ d1-Omni-2B เทียบกับ 18.3 สำหรับ d1-omni-600M

• DecisionBench (Hanno Labs) v1 — 76.4 เทียบกับ 58.7

• decisionbench.ai v4 — 84.7 เทียบกับ 57.9

• JevBench v1.4.1 — 75.3 เมื่อเทียบกับ 58.0

• ImajevBench v2.0-lite — 72.3 เทียบกับ 21.7 ช่องว่างที่กว้างที่สุดในชุดนี้ และเป็นสิ่งที่สำคัญที่สุดสำหรับงานด้านภาพ

• WorkflowEvals — 77.1 เทียบกับ 48.8

• Typed Decisions — 63.1 เทียบกับ 57.5 ซึ่งเป็นช่องว่างที่แคบที่สุด และเป็นเครื่องเตือนใจว่าไม่ใช่ทุกงานจะสเกลตามพารามิเตอร์

• ค่าเฉลี่ย Vision, benchmark รูปภาพ 18 รายการ — 67.7 เทียบกับ 42.8

รายการนั้นมีข้อควรระวังสองข้อกำกับอยู่ ข้อแรกคือความคลาดเคลื่อนของเวอร์ชัน: การ์ดวันที่ 7 ตุลาคมรายงานว่า d1-omni-600M ได้ 15.95 บน Decision Index v0.2.1 ส่วนการ์ดใหม่รายงานว่า 18.3 บน v0.3 ทั้งสองเป็นชุดทดสอบที่ต่างกัน และการนำมาลบกันนั้นวัดดัชนี ไม่ได้วัดโมเดล ข้อที่สองคือที่มา: ทุกตัวเลขเป็นข้อมูลที่ผู้ขายรายงานเอง ให้คะแนนโดย Liquid AI บนเกณฑ์มาตรฐานที่ Liquid AI เลือกเอง ยังไม่มีใครภายนอกบริษัทเผยแพร่ผลการรันของเช็กพอยต์ตัวใดเลยจากสองตัวนี้

แต่รูปแบบของผลลัพธ์ยังคงสอดคล้องกัน ในงานแนวจำแนกประเภท โมเดล 587M ทำได้ดีอย่างน่าประหลาด — Typed Decisions ห่างกันไม่เกินหกคะแนน แต่กับงานใดก็ตามที่ต้องอ่านฉาก นับวัตถุ หรือตีความเลย์เอาต์ มันทรุดลงอย่างหนัก: 21.7 บน ImajevBench เทียบกับ 72.3 และ 14.9 บน VisualWebBench ในชุดทดสอบก่อนหน้า เทียบกับ 88.6 ถ้างานของคุณคือการจัดเส้นทางตั๋วข้อความ พารามิเตอร์ที่เพิ่มเข้ามาก็เป็นของฟุ่มเฟือย แต่ถ้างานของคุณเกี่ยวข้องกับการมองดูอะไรบางอย่าง พารามิเตอร์เหล่านั้นคือผลิตภัณฑ์ทั้งหมด

จุดที่ 587M ยังชนะ และตัวเลขที่จะพิสูจน์เรื่องนั้น

ขอบเขตการติดตั้งใช้งานคือข้อได้เปรียบที่แท้จริงของโมเดล 587M และมันไม่ใช่รางวัลปลอบใจ โมเดล 587M ที่มีขนาด 850MB สามารถรันบนแล็ปท็อป Raspberry Pi หรือโทรศัพท์ได้ และ Liquid AI สร้างซีรีส์ d1 ขึ้นมาเพื่อสิ่งนี้โดยเฉพาะ โมเดล 2.17B ที่มีขนาด 4.33GB ต้องใช้ GPU หรือเครื่อง Apple Silicon ที่มีสเปกเพียงพอก่อนจะใช้งานได้อย่างราบรื่น

สิ่งที่ขาดไปคือการเปรียบเทียบเวลาแฝงที่จะทำให้การแลกเปลี่ยนแม่นยำ การ์ด d1-Omni-2B เผยแพร่ตารางความเร็วเต็มรูปแบบ: 5.8 ms สำหรับหนึ่งคำถาม และ 7.7 ms สำหรับสามคำถามบน H100 PCIe, 3.7 ms และ 5.6 ms บน MI325X, 21.1 ms และ 28.9 ms บน M5 Pro และ 1,154 สถานะต่อวินาทีเมื่อประมวลผลแบบแบตช์บน H100 การ์ด d1-omni-600M ไม่ได้เผยแพร่อะไรเลย และบอกเหตุผลว่า: “เราไม่รายงานตัวเลขการอนุมานสำหรับ d1-omni-600M เนื่องจากเป็นรุ่นวิจัยช่วงแรกและอยู่ระหว่างการพัฒนาอย่างต่อเนื่อง” ดังนั้นโมเดลที่เล็กกว่าจึงเกือบจะแน่นอนว่าเร็วกว่า และไม่มีตัวเลขจากผู้ขายให้อ้างอิงว่าเร็วกว่าแค่ไหน ใครก็ตามที่บอกคุณว่า 587M เร็วกว่าสามเท่ากำลังคาดการณ์จากจำนวนพารามิเตอร์

มีข้อได้เปรียบที่เกี่ยวข้องกับความแม่นยำอย่างแท้จริงอยู่หนึ่งข้อที่ควรค่าแก่การเอ่ยถึง การ์ดข้อมูลของ d1-Omni-2B แนะนำให้ใช้ d1-2B แทนตัวมันเองเมื่อไม่มีเสียง และให้เหตุผลไว้ว่า d1-2B แข็งแกร่งกว่าด้านข้อความและกล่องเดี่ยว รายงานค่าที่หายไปบ่อยกว่า และมีการปรับเทียบที่ดีกว่า คำแนะนำเดียวกันนี้ชี้ให้หลีกเลี่ยงโมเดล omni สำหรับงานข้อความล้วน โดยไม่ได้กล่าวว่า 587M มีการปรับเทียบที่ดีกว่า — เพียงแต่บอกว่า omni 2B มีต้นทุนสำหรับความสามารถที่คุณอาจไม่ได้ใช้

จุดแยกด้านเสียงคือจุดที่ทั้งสองรุ่นแยกจากกันอย่างชัดเจน

เสียงเป็นโมดัลเดียวที่ทั้งสองโมเดลแข่งขันกันโดยตรง และข้อจำกัดแตกต่างกันมากพอที่จะใช้ตัดสินสถาปัตยกรรม

โมเดลขนาด 587M รองรับเสียงพูดได้สูงสุด 30 วินาที กำหนดให้ใช้เสียงโมโน 16kHz และการ์ดของโมเดลมีคำเตือนอย่างชัดเจนว่า ความสามารถด้านเสียงได้รับการฝึกจากคำขอระหว่างผู้พูดภาษาอังกฤษกับผู้ช่วย ครอบคลุมประเภทของถ้อยคำ หัวข้อ และสิ่งที่ผู้พูดต้องการ นั่นคือการกระจายตัวแบบแคบ และระบุไว้เป็นข้อจำกัด ไม่ใช่เชิงอรรถ

โมเดล 2B รองรับเสียงพูดในสิบหกภาษาเดียวกับฝั่งข้อความ ยกเว้นภาษาฮินดี ไทย เวียดนาม และอินโดนีเซีย และผลลัพธ์ด้านเสียงในการ์ดประกอบด้วย 84.5 บนเหตุการณ์เสียง ESC-50 และ 92.5 ในการระบุภาษาด้วย FLEURS ทั่ว 43 ภาษา นอกจากนี้ยังมีจุดที่ประสิทธิภาพลดลงตามที่การ์ดระบุไว้: สถานะสั้นแบบพูดลดลงจาก 42.0 เมื่อเขียนเป็น 22.8 เมื่อได้ยิน และข้อความ Belebele ในแปดภาษาลดลงจาก 83.6 เป็น 41.8 ข้อความยาวแบบพูดสูญเสียความแม่นยำ โดยเฉพาะอย่างยิ่งนอกอักษรละติน

ดังนั้นความแตกต่างไม่ใช่ว่า "2B เก่งด้านเสียงกว่า" แต่เป็นว่า 2B ได้ยินเสียงได้หลายประเภทกว่าและยังมีปัญหากับสถานะเสียงพูดแบบยาว ในขณะที่ 587M ได้ยินเสียงในขอบเขตที่แคบกว่าและถูกควบคุมมากกว่า และไม่เคยถูกประเมินประสิทธิภาพกับเหตุการณ์เสียงหรือการระบุภาษาเลยแม้แต่ครั้งเดียว สำหรับการกำหนดเส้นทางการสั่งงานด้วยเสียงเป็นภาษาอังกฤษ ข้อจำกัดของ 587M ยังพอรับมือได้ แต่สำหรับการคัดแยกสายโทรหลายภาษา ข้อจำกัดเหล่านั้นทำให้ไม่ผ่านเกณฑ์

ควรดึงแท็กไหน

กฎการตัดสินใจนั้นสั้นพอที่จะระบุออกมาเป็นกฎได้

• เฉพาะข้อความและรูปภาพเท่านั้น และไม่มีเสียงในผลิตภัณฑ์ — ไม่ต้องดึงมาทั้งคู่ d1-2B ได้คะแนนสูงกว่า d1-Omni-2B ในดัชนีการตัดสินใจ 51.1 เทียบกับ 49.0 และการ์ดของผู้ขายเองก็บอกให้คุณใช้มัน การจ่ายเพิ่มให้ omni เพื่อแลกกับเสียงที่คุณจะไม่ได้ใช้

• การจัดเส้นทางเสียงบนฮาร์ดแวร์ที่มีข้อจำกัด — d1-omni ที่ 850MB ยอมรับขีดจำกัด 30 วินาที การกระจายข้อมูลฝึกจากผู้พูดภาษาอังกฤษ และบริบท 16,384 โทเคน และวัดเวลาแฝงของคุณเอง เพราะผู้ขายจะไม่ให้ตัวเลขกับคุณ

• เสียงพร้อมภาพในการตัดสินใจเดียวกัน หรือกล่องและช่วงในเอาต์พุต — d1-Omni-2B โมเดล 587M ไม่สามารถแสดงคำขอเหล่านั้นได้ จึงไม่มีการเปรียบเทียบให้ทำ

• เสียงพูดหลายภาษา — d1-Omni-2B พร้อมการตรวจสอบสี่ภาษาที่ถูกยกเว้นเทียบกับทราฟฟิกจริงของคุณก่อนที่คุณจะตัดสินใจ

• ทรูพุตแบบแบตช์ — d1-Omni-2B ซึ่งการ์ดของรุ่นนี้เป็นรุ่นเดียวในสองรุ่นที่เผยแพร่สถานะต่อวินาทีเลยด้วยซ้ำ

สัญญาณการนำไปใช้หนึ่งอย่างที่ควรบันทึกไว้ เพราะมันสวนทางกับเรื่องราวที่ benchmark บอกไว้: d1-omni-600M มียอดดาวน์โหลดราว 18,900 ครั้งและมีไลก์ 148 ครั้งบน Hugging Face ตั้งแต่ 5 ตุลาคม ส่วน d1-Omni-2B มี 36 ดาวน์โหลดและ 7 ไลก์ในสี่วันหลังจากที่รีโพซิทอรีเปิดตัว ยอดดาวน์โหลดในช่วงแรกวัดความแปลกใหม่และการจัดแพ็กเกจ ไม่ใช่ว่าคุณภาพ — โมเดล 587M มีแท็ก Ollama ที่ทำให้เหลือแค่คำสั่งเดียว — แต่ก็อธิบายได้ว่าคนกำลังใช้งานโมเดลไหนอยู่จริงในวันนี้

หลังการตัดสินใจ ส่วนที่เหลือของการโทร

ไม่ว่าคุณจะดึงแท็กไหน โมเดลตัดสินใจเป็นฮ็อปแรก ไม่ใช่ฮ็อปสุดท้าย มันคืนค่าป้ายกำกับพร้อมความน่าจะเป็น แต่ยังต้องมีอะไรบางอย่างเขียนคำตอบ เลื่อนเคส หรือเรียก API ถัดไป และฮ็อปที่สองนั้นเป็นแบบเจเนอเรทีฟ OrcaRouter ไม่ได้ให้บริการโมเดลของ Liquid AI ดังนั้นการเรียก d1-omni หรือ d1-Omni-2B จึงเกิดขึ้นในที่ที่คุณรันอยู่แล้ว — บนฮาร์ดแวร์ของคุณเองจากเวตของ Hugging Face หรือผ่านผู้ขาย สิ่งที่อยู่เบื้องหลังคีย์ที่เข้ากันได้กับ OpenAI หนึ่งคีย์คือโมเดลอื่นอีกกว่า 200 ตัวในแคตตาล็อก ในราคาตามรายการของผู้ให้บริการแต่ละรายโดยบวกเพิ่ม 0% พร้อม failover ข้ามผู้ให้บริการเมื่อโมเดลปลายทางที่คุณเลือกคือตัวที่กำลังมีวันที่แย่ สำหรับโมเดลใหม่ขนาดนี้ การแยกส่วนนั้นมีประโยชน์: ส่วนที่ยังไม่ผ่านการพิสูจน์ยังคงอยู่ภายในและราคาถูก และส่วนที่แตะทราฟฟิกโปรดักชันก็มีเส้นทางการลองใหม่

ตัวเลขที่การ์ดทั้งสองใบไม่ได้ให้คุณ

ยังไม่มีเช็กพอยต์ใดได้รับการประเมินที่เป็นอิสระเลย ตัว 587M เปิดให้สาธารณะมาตั้งแต่ 5 ตุลาคม และยังไม่มีการประเมินดังกล่าว ส่วน 2B เพิ่งมีอายุสี่วัน จนกว่าจะมีคนรันทั้งสองตัวบนชุดเสียงเดียวกัน ด้วยไมโครโฟนเดียวกัน และภาษาเดียวกัน ช่องว่างพารามิเตอร์แปดเท่าก็เป็นเพียงตารางของผู้ขาย ไม่ใช่ข้อเท็จจริงที่วัดได้ ตัวเลขเฉพาะที่ต้องจับตาคือ 22.8 ในสถานะสั้นแบบพูด — เป็นแถวเดียวที่การ์ดของโมเดลใหม่เองยอมรับว่ามีจุดอ่อนมากพอจะเปลี่ยนการตัดสินใจในการนำไปใช้งาน และเป็นแถวที่มีแนวโน้มจะเปลี่ยนแปลงมากที่สุดเมื่อมีคนนอก Liquid AI เอาไมโครโฟนมาจ่อทดสอบกับมัน