d1-Omni-2B: โมเดลตัดสินใจขนาด 2B ที่เงียบที่สุดของ Liquid AI มาพร้อมสิ่งใดบ้าง — และตัดสิ่งใดออกไป

รีโพซิทอรี Hugging Face สำหรับ LiquidAI/d1-Omni-2Bถูกสร้างขึ้นเมื่อเวลา 19:30 UTC วันที่ 24 ตุลาคม 2026 โพสต์บล็อกแรกของ Liquid AI ที่กล่าวถึงโมเดลนี้โดยระบุชื่อถูกเผยแพร่เมื่อวันที่ 27 ตุลาคม ในช่วงสามวันนั้น รีโพนี้เป็นสาธารณะและสมบูรณ์ — มีเอกสารข้อมูลจำเพาะฉบับเต็ม ไฟล์ safetensors แบบ BF16 ขนาด 4.33GB และโค้ด Transformers ที่ใช้งานได้ — และไม่มีสิ่งใดที่ผู้จำหน่ายเผยแพร่ระบุว่ามันมีอยู่จริง เมื่อการกล่าวถึงมาถึงในที่สุด มันก็เป็นเพียงสองย่อหน้าและตารางสี่แถวภายในงานเปิดตัวตระกูลโมเดลหกรุ่น ไม่ใช่การเปิดตัวของตัวเอง นั่นคือรูปร่างของการเปิดตัวครั้งนี้ และเป็นกรอบที่ซื่อตรงสำหรับทุกสิ่งด้านล่าง: น้ำหนักโมเดลสามารถตรวจสอบได้ ข้อกล่าวอ้างเป็นของผู้จำหน่าย และส่วนที่ผู้ซื้อปกติจะได้รับจากการประกาศ — ราคา เอ็นด์พอยต์ที่โฮสต์ไว้ และการทดสอบมาตรฐานอิสระ — ยังไม่มีในตอนนี้

ช่องว่างห้าวันระหว่างการฝึกเวทกับถ้อยคำ

เรื่องราวโมเดลสำหรับการตัดสินใจของ Liquid AI ถูกเล่าไปแล้วสองครั้ง และ d1-Omni-2B ไม่ปรากฏในการเล่าทั้งสองครั้งนั้น เมื่อวันที่ 7 ตุลาคม บริษัทได้เผยแพร่ “Open d1: Edge decision models for text, vision, and audio” ซึ่งแนะนำเช็กพอยต์แบบเปิดเพียงสองรายการเท่านั้น ได้แก่ d1-3B โมเดลภาพและข้อความขนาด 3.12B และ d1-omni-600M โมเดลขนาด 587M ที่รับข้อความพร้อมภาพ หรือข้อความพร้อมเสียงไม่เกิน 30 วินาที โพสต์นั้นยังคงออนไลน์อยู่ และยังไม่มีโมเดล 2B อยู่ในนั้น

สาย 2B มาถึงตามกำหนดการที่ต่างออกไป เมื่อวันที่ 21 ตุลาคม เช็กพอยต์ฐาน LFM3-Omni-2B ปรากฏบน Hugging Face ต่อมาวันที่ 24 ตุลาคม ห่างกันยี่สิบสี่วินาที Liquid AI ได้สร้างคลังสำหรับ d1-2B และ d1-Omni-2B จากนั้นโพสต์เปิดตัว LFM3 เมื่อวันที่ 27 ตุลาคมได้ระบุชื่อตระกูลนี้ว่า โมเดลหกตัวที่มีพารามิเตอร์ราว 2B โดยสี่ตัวครอบคลุมข้อความ ภาพ เสียง และออมนิ และตามถ้อยคำในโพสต์เองว่า "สองตัวสุดท้ายเป็นโมเดลตัดสินใจที่เชี่ยวชาญเฉพาะทางจากโมเดลภาพและออมนิ" ประโยคนั้นคือการประกาศ ไม่มีโพสต์แยกสำหรับ d1-Omni-2B ไม่มีหน้าราคา ไม่มีคำกล่าวอ้างจากพันธมิตรเปิดตัว และไม่มีการอัปเดตบทความวันที่ 7 ตุลาคม

ดังนั้นโมเดลนี้ไม่ได้ไม่มีเอกสารกำกับ — รีโพซิทอรีนี้เป็นหนึ่งในเช็กพอยต์ขนาดเล็กที่มีเอกสารกำกับดีที่สุดเท่าที่ Liquid AI เคยเผยแพร่ และหน้าอกสารของผู้จำหน่ายสำหรับโมเดลการตัดสินใจได้ระบุโมเดลนี้ไว้เคียงข้าง d1-2B และ d1-omni-600M โมเดลนี้ได้รับการประกาศตัวน้อยเกินไป ความแตกต่างนี้สำคัญเพราะมันบอกคุณว่าข้อกล่าวอ้างใดผ่านการตรวจทานตอนเปิดตัวแล้ว และข้อใดยังไม่ผ่าน

อ่านการ์ดนี้เสมือนเป็นสเปกชีต

ถ้าตัดกรอบออกไป เช็กพอยต์นี้ก็ตรงไปตรงมา d1-Omni-2B เป็นโมเดลตัดสินใจที่ผ่านการฝึกเพิ่มเติมแล้วโดยสร้างขึ้นบน LFM3-Omni-2B และไม่ใช่โมเดลแชต: มันไม่เขียนข้อความและไม่สร้างเสียงพูด และทุกครั้งที่เรียกใช้จะคืนค่า output_tokens: 0.

• พารามิเตอร์ — 2.17B เผยแพร่เป็นไฟล์ safetensors BF16 ไฟล์เดียวขนาด 4.33GB

• สถาปัตยกรรม — แกนหลัก LFM3: 24 เลเยอร์ โดย 13 เลเยอร์เป็นคอนโวลูชันแบบสั้นที่มีเกต, 5 เลเยอร์เป็นแอตเทนชันแบบหน้าต่างเลื่อนที่มีหน้าต่างขนาด 256 โทเคน และ 6 เลเยอร์เป็นแอตเทนชันแบบโกลบอล โพสต์เกี่ยวกับตระกูลโมเดลอธิบายว่าส่วนผสมไตรไฮบริดนี้เป็นผลจากการค้นหาสถาปัตยกรรมแบบ hardware-in-the-loop ที่รันครอบคลุมการผสมผสานอุปกรณ์และแบ็กเอนด์ 14 รูปแบบ

• บริบทและคำศัพท์ — 128K โทเค็นและคำศัพท์ขนาด 128,000 โทเค็นที่ใช้ร่วมกับส่วนอื่น ๆ ของ LFM3

• อินพุต — สถานะที่อาจเป็นข้อความหรือค่า JSON ใด ๆ พร้อมรูปภาพ เฟรมวิดีโอ และคลิปเสียง รวมถึงคำถามที่ตั้งชื่อไว้จำนวนเท่าใดก็ได้ ทั้งแบบเขียนหรือพูด API ของการ์ดรับข้อมูลทั้งหมดนั้นไว้ในสื่อรายการเดียว ซึ่งเป็นความแตกต่างที่มีนัยสำคัญจากเช็กพอยต์ 587M: d1-omni-600M มีเอกสารระบุว่าเป็นข้อความพร้อมรูปภาพหรือข้อความพร้อมเสียง ไม่ใช่ทั้งสองอย่างพร้อมกัน

• ผลลัพธ์ — คำตอบแบบระบุชนิดพร้อมความน่าจะเป็น ใช่/ไม่ใช่, การเลือกจากตัวเลือกที่ระบุชื่อ, คะแนนแบบเรียงลำดับ, ค่าที่อ่านจากเอกสารพร้อมช่วงอ้างอิง, ตัวเลขพร้อมช่วง p10–p90, กรอบล้อมรอบ (bounding box), หรือทุกอินสแตนซ์ของวัตถุพร้อมจำนวน

• ภาษา — สิบหกภาษา การรู้จำเสียงพูดครอบคลุมชุดเดียวกัน ยกเว้นภาษาฮินดี ไทย เวียดนาม และอินโดนีเซีย ซึ่งน่าสังเกตเพราะฝั่งข้อความระบุภาษาเหล่านี้ไว้

• ใบอนุญาต — LFM Open License v1.0 การใช้งานเชิงพาณิชย์ได้รับอนุญาตเมื่อรายได้ต่อปีต่ำกว่า 10,000,000 ดอลลาร์ หากสูงกว่านั้น ข้อความในใบอนุญาตระบุว่าการใช้งานเชิงพาณิชย์ "is not licensed under this Agreement"

เสียงคือคำกล่าวอ้างที่ควรค่าแก่การทดสอบ

เหตุผลที่ต้องเลือกใช้เช็กพอยต์นี้แทน d1-2B คือเรื่องเสียง Liquid AI วางตำแหน่งให้มันสำหรับ "การกำหนดเส้นทางสายเรียกเข้าและข้อความเสียง และเหตุการณ์เสียง" และการ์ดโมเดลมีหลักฐานชิ้นหนึ่งที่โพสต์เปิดตัวมักจะยกขึ้นมาก่อน นั่นคือการเปรียบเทียบระหว่างเสียงพูดกับข้อความเขียนในรายการเดียวกัน

• การกำหนดเส้นทางและการคัดแยกงานธุรกิจ (DecisionBench, Hanno Labs v1) — 83.4 ด้านการเขียน, 78.2 ด้านการพูด

• กรณีบริการลูกค้า (การตัดสินใจแบบพิมพ์) — 50.5 แบบเขียน, 48.0 แบบพูด

• JevBench v1.4.1 แถวที่เสียงพูดออกได้ — 87.6 แบบเขียน, 89.0 แบบพูด ซึ่งหมายความว่าการรันแบบพูดได้คะแนนสูงกว่าเล็กน้อย ซึ่งเป็นสัญญาณรบกวนมากกว่าจะเป็นการเพิ่มขึ้น

• เหตุการณ์เสียง (ESC-50) — 84.5 โดยไม่มีข้อความที่เขียนเทียบเท่า

• การระบุภาษาพูด (FLEURS, 43 ภาษา) — 92.5.

ตัวเลขเหล่านั้นสนับสนุนข้อขายนั้น ส่วนที่เหลือของหัวข้อเสียงเป็นส่วนที่บอกคุณว่าที่ไหนไม่ควรสร้าง และมันตรงไปตรงมาอย่างผิดปกติสำหรับการ์ดจากผู้ขาย สถานะสั้นแบบพูดลดจาก 42.0 เมื่อเขียน เหลือ 22.8 เมื่อได้ยิน ข้อความ Belebele ในแปดภาษาลดจาก 83.6 เหลือ 41.8 การ์ดระบุอย่างชัดเจนว่าข้อความยาวแบบพูดสูญเสียความแม่นยำไปมาก “โดยเฉพาะอย่างยิ่งนอกภาษาที่ใช้ตัวอักษรละติน” และแนะนำให้ผู้ที่ไม่มีอินพุตเสียงใช้ d1-2B แทน ซึ่งการ์ดระบุว่ามีความแข็งแกร่งกว่าด้านข้อความและกล่องเดี่ยว รายงานค่าที่หายไปบ่อยกว่า และปรับคาลิเบรตได้ดีกว่า

เมื่ออ่านรวมกัน แถวข้อมูลเหล่านี้บ่งชี้ถึงโมเดลที่ทำได้ดีกับถ้อยคำสั้น ๆ ที่จัดเส้นทางได้ในภาษาหลัก และอ่อนกว่ามากกับสิ่งใดก็ตามที่ต้องคงสถานะบทสนทนาระยะยาว การคัดแยกสายในศูนย์ติดต่อลูกค้าเข้าข่าย แต่การประชุมที่บันทึกเสียงไว้สี่สิบนาทีไม่เข้าข่าย

กระดานคะแนนเป็นของผู้จำหน่าย และดัชนีเปลี่ยนเวอร์ชันแล้ว

ตัวเลขประสิทธิภาพทุกตัวบนโมเดลนี้เป็นของ Liquid AI เอง การ์ดระบุวิธีการไว้อย่างชัดเจนว่า โมเดล d1 ทั้งสี่รุ่นได้รับการให้คะแนนจากรายการเดียวกันด้วยวิธีการให้คะแนนเดียวกัน ดังนั้นตัวเลขบางค่าจึงแตกต่างเล็กน้อยจากการ์ดรายรุ่นที่ตัวเลขเหล่านั้นมาจาก ไม่ได้ระบุว่ามีบุคคลที่สามรายใดทำซ้ำผลลัพธ์ส่วนใดส่วนหนึ่งได้ และ ณ เวลาที่เขียนนี้ ยังไม่มีการประเมิน d1-Omni-2B โดยอิสระ

• ชุดทดสอบสาธารณะ Decision Index, v0.3 — 49.0 สำหรับ d1-Omni-2B เทียบกับ 51.1 สำหรับ d1-2B, 49.0 สำหรับ d1-3B และ 18.3 สำหรับ d1-omni-600M

• DecisionBench (Hanno Labs) v1 — 76.4 เทียบกับ 77.1, 73.1 และ 58.7 ตามลำดับ

• decisionbench.ai v4 — 84.7 เทียบกับ 85.2, 83.6 และ 57.9

• ImajevBench v2.0-lite — 72.3 เทียบกับ 75.5, 64.0 และ 21.7

• บอร์ดเบนช์มาร์กกว่าหนึ่งร้อยรายการของผู้ผลิตเอง — 61.8 เทียบกับ 63.2, 58.8 และไม่มีคะแนนสำหรับรุ่น 600M

• ค่าเฉลี่ยด้านวิชันจากเกณฑ์มาตรฐานภาพ 18 รายการ — 67.7 เทียบกับ 70.2, 65.4 และ 42.8

กับดักหนึ่งอยู่ตรงกลางของเรื่องนี้ โพสต์วันที่ 7 ตุลาคมรายงานว่า d1-omni-600M ได้ 15.95 บน Decision Index v0.2.1 การ์ดใหม่รายงานว่าได้ 18.3 บน v0.3 สิ่งเหล่านี้เป็นชุดการทดสอบที่แตกต่างกัน และความต่างไม่ใช่การเพิ่มขึ้นของความสามารถ ห้ามนำค่าหนึ่งไปลบออกจากอีกค่าหนึ่ง การเปรียบเทียบที่ยุติธรรมเพียงอย่างเดียวคือการเปรียบเทียบที่การ์ดนี้ทำจริง โดยนำทั้งสี่โมเดลมาคำนวณคะแนนใหม่บนรายการเดียวกัน

รูปแบบที่ยังคงอยู่หลังการให้คะแนนใหม่คือ d1-Omni-2B อยู่ต่ำกว่า d1-2B เพียงเล็กน้อยในเกือบทุกด้าน และอยู่เหนือรุ่นก่อนหน้าอย่างมาก Liquid AI นำเสนอว่ามันเอาชนะ d1-3B ได้บนบอร์ดตัดสินใจของบริษัท และบนเกณฑ์วัดภาพ 16 จาก 18 รายการ โดยใช้พารามิเตอร์เพียง 70% ซึ่งเป็นจริงตามตารางที่พิมพ์ไว้ และยังเป็นการเปรียบเทียบกับโมเดลที่ตระกูลนี้ได้แทนที่ไปแล้วในตอนนี้

สิ่งที่ repository ไม่ได้ตอบ

ยังมีคำถามห้าข้อที่ยังคงค้างอยู่ และการอ่านค่าน้ำหนักไม่ได้ให้คำตอบแก่ข้อใดเลย

• การเข้าถึงแบบโฮสต์และราคา โพสต์เกี่ยวกับ LFM3 ระบุว่าโมเดลฐานและโมเดลที่ผ่านการฝึกภายหลังพร้อมใช้งานบน Hugging Face, Playground และ Liquid AI API อย่างไรก็ตาม ตารางเอกสาร decision-models กลับระบุว่า d1-Omni-2B เป็นโมเดลแบบเปิดน้ำหนัก และสงวนแถวที่เป็นแบบโฮสต์เท่านั้นไว้สำหรับ d1.1 และ d1-ultra ขณะที่หน้าโมเดลบน Hugging Face ระบุว่า "โมเดลนี้ไม่ได้ถูกปรับใช้โดยผู้ให้บริการอนุมานรายใด" ไม่มีการเผยแพร่ราคาต่อการเรียกใช้สำหรับเช็กพอยต์นี้ที่ใดก็ตามที่บทความนี้ค้นพบได้ ดังนั้นให้ถือว่าการเข้าถึงแบบโฮสต์เป็นไปได้แต่ยังไม่ยืนยัน

• ข้อมูลการฝึก การ์ดนี้ไม่ได้ให้คลังข้อมูล ไม่ได้ระบุองค์ประกอบ และไม่มีคำอธิบายชุดข้อมูลใด ๆ โดยกล่าวถึงการทดสอบกับคลิปและเสียง “ที่ไม่มีแถวการฝึกใดมี” ซึ่งบ่งบอกว่ามีชุดการฝึกอยู่จริง และไม่ได้บอกอะไรเลยว่าภายในนั้นมีอะไรบ้าง

• การควอนไทซ์ รีโปหลักมี BF16 และ Liquid AI เผยแพร่บิลด์ในตระกูลเดียวกันสามแบบ: MLX fp16, MLX 8-bit และไฟล์ส่งออก ONNX ไม่มี GGUF จากผู้จำหน่าย แม้ว่าไลบรารี d1-omni ของ Ollama จะมีแท็ก 2b ที่ 4.4GB และบริบท 125K และขนาดก็ใกล้เคียงกับเช็กพอยต์ BF16 มากพอจนดูไม่ใช่การควอนไทซ์แบบเข้มข้น

• การประเมินโดยอิสระไม่มีเลย ตัวเลขทั้งหมดข้างต้นดำเนินการโดยผู้ขาย ด้วยตัวให้คะแนนของผู้ขายเองบนบอร์ดของผู้ขายเอง

• ว่าจะมาแทนที่ d1-omni-600M หรือไม่ การ์ดโมเดลแนะนำให้ใช้ d1-2B แทนโมเดลนี้เมื่อไม่มีเสียง และแนะนำโมเดลนี้แทน d1-2B เมื่อมีเสียง โดยไม่ได้กล่าวถึงอนาคตของเช็กพอยต์ 587M และ Liquid AI ยังไม่ได้ประกาศเลิกใช้มัน

การรันมัน และค่าใช้จ่ายด้านฮาร์ดแวร์ที่ต้องแลก

เส้นทางการอนุมานคือ Transformers 5.19 ขึ้นไป โดยใช้ trust_remote_code และเรียกผ่าน model.system_one(state, questions, media) โดยไม่มีพารามิเตอร์การสุ่มให้ตั้งค่า เพราะไม่มีการสุ่มใด ๆ การคอมไพล์ใช้เวลาประมาณหนึ่งนาทีในการเรียกครั้งแรก หลังจากนั้นการ์ดรายงานว่า 5.8 มิลลิวินาทีสำหรับหนึ่งคำถาม และ 7.7 มิลลิวินาทีสำหรับสามคำถามบน H100 PCIe, 3.7 มิลลิวินาทีและ 5.6 มิลลิวินาทีบน AMD MI325X และ 21.1 มิลลิวินาทีและ 28.9 มิลลิวินาทีบน Apple M5 Pro สถานะขนาด 5K โทเคนใช้เวลา 52 มิลลิวินาทีบน H100 การทำแบตช์คือจุดที่ให้ทรูพุต: 1,154 สถานะต่อวินาทีบน H100 และ 1,697 บน MI325X เมื่อมี 64 สถานะในการเรียกหนึ่งครั้ง

สำหรับโมเดลในระดับนี้ ตัวเลขเหล่านั้นคือข้อโต้แย้งหลัก มันไม่ได้แข่งขันกับแชทโมเดลในแง่คุณภาพ แต่แข่งขันกับการจะรันแชทโมเดลเลยต่างหาก forward pass 5.8 ms ที่คืนค่าความน่าจะเป็นที่ปรับเทียบแล้วเป็นรายการต้นทุนคนละประเภทกับการเรียกแบบ generative ที่คืนย่อหน้าหนึ่งซึ่งคุณยังต้องนำไปแยกวิเคราะห์ต่อ

จุดที่การตัดสินใจสิ้นสุดลงและส่วนที่เหลือของไปป์ไลน์เริ่มต้นขึ้น

โมเดลแบบนี้ทำงานเพียงหนึ่งฮอป โดยเปลี่ยนทิกเก็ต การบันทึกเสียงสนทนา หรือภาพเฟรมจากกล้อง ให้เป็นป้ายกำกับและค่าความมั่นใจ แล้วจากนั้นต้องมีบางอย่างมาดำเนินการกับป้ายกำกับนั้น — ร่างคำตอบ ยกระดับเคส หรือเรียก API ไม่มีโมเดล Liquid AI อยู่ในแคตตาล็อกของ OrcaRouter ดังนั้นฮอปที่สองจึงเป็นจุดที่ผลิตภัณฑ์ของเราอยู่จริง ๆ: โมเดลเชิงสร้างที่นำผลการตัดสินใจไปใช้จะทำงานผ่าน คีย์เดียวที่เข้ากันได้กับ OpenAIซึ่งครอบคลุม 200+ โมเดล ในราคาตามรายการของผู้ให้บริการแต่ละรายที่ส่งต่อโดยบวกเพิ่ม 0% พร้อมการสลับไปยังระบบสำรองอัตโนมัติเมื่อคำขอไปตกอยู่กับผู้ให้บริการที่กำลังมีปัญหาชั่วคราว โมเดลตัดสินใจเป็นส่วนที่ถูก เร็ว และให้ผลที่แน่นอน คุ้มค่าที่จะเชื่อมส่วนที่แพงและไม่แน่นอนเข้ากับสิ่งที่ลองใหม่ได้

อะไรจะยุติเรื่องนี้ได้

มีสามสิ่งที่จะทำให้ d1-Omni-2B ก้าวจาก “มีแวว” ไปสู่ “แนะนำได้” และไม่มีสิ่งใดต้องใช้บล็อกโพสต์อีกบทความเลย สิ่งแรกคือการรันชุดทดสอบเสียงแบบอิสระบนฮาร์ดแวร์ที่ผู้ขายไม่ได้ควบคุม — ช่องว่าง 22.8 เทียบกับ 42.0 ในข้อความพูดสั้นคือตัวเลขที่มีแนวโน้มเปลี่ยนแปลงมากที่สุดเมื่อใช้ไมโครโฟนของผู้อื่น สิ่งที่สองคือราคาที่ประกาศสำหรับการเข้าถึงแบบโฮสต์ ซึ่งหากไม่มีราคานี้ การคำนวณสร้างเองเทียบซื้อก็ไม่อาจทำให้เสร็จได้ สิ่งที่สามคือการเปรียบเทียบโดยตรงกับ d1-2B ในงานที่มีเสียงเป็นองค์ประกอบเดียวกัน เพราะคำแนะนำบนการ์ดของโมเดลเอง — ใช้ 2B omni เฉพาะเมื่ออินพุตมีเสียงเท่านั้น — เป็นประโยคที่มีประโยชน์ที่สุดในนั้น และยังเป็นประโยคที่ไม่มีใครทดสอบนอก Liquid AI