d1-omni กับ Liquid AI D1 Omni 600M: สองชื่อ หนึ่งเช็กพอยต์ และตัวเลขบริบทที่ไม่มีใครระบุแหล่งที่มาได้

Liquid AI D1 Omni 600M และ d1-omni ไม่ใช่สองโมเดล และทั้งสองก็ไม่ใช่สองเช็กพอยต์ของโมเดลเดียวกันด้วย ทั้งคู่เป็นชุดน้ำหนักชุดเดียว — โมเดลตัดสินใจแบบมัลติโมดัลขนาด 587M พารามิเตอร์ของ Liquid AI สร้างขึ้นบน Liquid AI LFM2.5-Encoder-350M และเผยแพร่บน Hugging Face เมื่อวันที่ 5 ตุลาคม 2026 ภายใต้ชื่อรีโป LiquidAI/d1-omni-600M — โดยมีชื่อไฟล์ที่แตกต่างกันสองชื่อในแคตตาล็อกสองแห่งที่แตกต่างกัน แคตตาล็อกหนึ่งในนั้นคือของผู้ขาย บอกคุณว่าโมเดลนี้คืออะไร อีกแคตตาล็อกหนึ่งคือของ Ollama บอกคุณว่ามีคนแพ็กเกจมันเป็นอะไร และพิมพ์ตัวเลขสามตัวบนการ์ดที่เอกสารของผู้ขายไม่ได้รองรับ ช่องว่างนั้นคือเหตุผลทั้งหมดที่ทำให้การเปรียบเทียบนี้คุ้มค่าที่จะอ่าน เพราะสำหรับโมเดลขนาดเล็กเช่นนี้ การแพ็กเกจไม่ใช่แค่หมายเหตุท้ายเล่ม — มันคือความแตกต่างระหว่างโมเดลข้อความและภาพกับโมเดลที่การ์ดบอกว่าคุณดาวน์โหลดมา

ผู้จำหน่ายยังไม่ได้ประกาศสิ่งใดเกี่ยวกับรายการ Ollama และไม่มีบันทึกจากผู้ดูแล ไม่มีรายการ changelog และไม่มี readme บนหน้า Ollama ที่จะอธิบายเรื่องเหล่านี้ได้ ดังนั้นกรอบที่ซื่อตรงสำหรับทุกสิ่งด้านล่างคือ น้ำหนักโมเดลเป็นข้อมูลสาธารณะและตรวจสอบได้ การแพ็กเกจเป็นข้อมูลสาธารณะและตรวจสอบได้ และการตีความแพ็กเกจที่นำเสนอในที่นี้เป็นของเรา ไม่ใช่ของ Liquid AI เมื่อตัวเลขใดไม่สามารถสืบย้อนกลับไปยังแหล่งที่มา บทความนี้จะระบุเช่นนั้นแทนที่จะกล่าวซ้ำ

ชื่อทั้งสองนั้นแท้จริงแล้วคืออะไร

Liquid AI เผยแพร่โมเดลบน Hugging Face โดยมีเวลาประทับการสร้างเป็นวันที่ 5 ตุลาคม 2026 ซึ่งเป็นสองวันก่อนที่โมเดลจะปรากฏในโพสต์บล็อกของบริษัทเองชื่อ "Open d1: โมเดลการตัดสินใจแบบ Edge สำหรับข้อความ ภาพ และเสียง" เมื่อวันที่ 7 ตุลาคม ค่าน้ำหนักของโมเดลอยู่ภายใต้ข้อกำหนด LFM 1.0 ของ Liquid เอง โดยมีแท็ก d1_omni, system-one, multimodal, vision, audio และ decision-model และมียอดดาวน์โหลดราว 13,900 ครั้ง รวมถึงผู้กดถูกใจ 135 ครั้ง ณ เวลาที่เขียน เวอร์ชันควอนไทซ์ตามออกมาในกำหนดเวลาของตนเอง: รีพอซิทอรี GGUF ในวันที่ 6 ตุลาคม และบิลด์ MLX สำหรับ Apple Silicon ในวันที่ 12 ตุลาคม

รายการ Ollama ไม่ได้เป็นหนึ่งในรีโพซิทอรีเหล่านั้น แต่เป็นหน้าไลบรารี Ollama ชื่อ d1-omniที่มีป้าย "vision 600m" แสดงแท็กสี่แท็ก และได้รับการอัปเดตไม่กี่นาทีก่อนที่ข้อความนี้จะถูกเขียน — ซึ่งเป็นเหตุผลว่าทำไมเรดาร์จึงตรวจพบมันขึ้นมาเลย ไม่มีสิ่งใดในนั้นระบุชื่อ Liquid AI, LFM2.5-Encoder-350M หรือรีโพซิทอรี Hugging Face ที่ไบต์เหล่านั้นมาจาก

ดังนั้นความแตกต่างในทางปฏิบัติจึงอยู่ที่ชื่อไฟล์และเส้นทางการเผยแพร่ ไม่ใช่ตัวโมเดล สิ่งที่แตกต่างและสิ่งที่สำคัญคือเมทาดาทาที่ห่อหุ้มชุดไบต์เหล่านั้นไว้

ตัวเลขสามตัวบนการ์ด Ollama ที่ตรวจสอบทีละตัว

หน้าเพจของ Ollama แสดงขนาด หน้าต่างบริบท และรายการอินพุตสำหรับทุกแท็ก ทั้งสามรายการนี้ควรได้รับการพิจารณาอีกครั้ง เพราะสำหรับโมเดลนี้ สองรายการจากทั้งสามไม่สอดคล้องกับแหล่งข้อมูลต้นฉบับ

• หน้าต่างบริบท — 125K บนการ์ดโมเดล แต่ 16,384 ในแหล่งข้อมูลของผู้จำหน่ายทุกรายการ์ดโมเดลของ Liquid AI ระบุเพดาน 16,384 โทเค็น ซึ่งครอบคลุมตำแหน่งข้อความ รูปภาพ และเสียงรวมกัน และหน้าเอกสารประกอบของผู้จำหน่ายเองสำหรับ d1-omni-600M ระบุว่า “16K tokens” สตริง 125K ไม่ปรากฏในทั้งสองแห่ง อาจเป็นสิ่งตกค้างจากการกำหนดค่าตำแหน่งของสถาปัตยกรรม LFM2.5-Encoder ที่เป็นรากฐาน หรือจากวิธีที่ Ollama รายงานขีดจำกัดแคช แต่ไม่ใช่ตัวเลขที่ Liquid AI เผยแพร่ และไม่ใช่ตัวเลขที่บทความนี้สามารถอ้างอิงถึงใครได้ สิ่งที่ทำให้ความคลาดเคลื่อนนี้ไม่ใช่แค่การจู้จี้เรื่องเล็กน้อยคือตัวเลขถัดไปที่ต่ำลงมา

• สถานะที่คุณส่งผ่านได้จริงถูกจำกัดไว้ที่ 896 โทเค็นบนเส้นทางรูปภาพ การ์ดของ Liquid ระบุว่าเมื่อมีรูปภาพ "ข้อความสถานะและคำถามจะถูกตัดเหลือ 896 โทเค็นตามที่ฝึกมา" ดังนั้นคำขอตัดสินใจที่แนบรูปภาพมาด้วยจะมีงบประมาณข้อความประมาณขนาดของประโยคนี้ ไม่ว่าตัวเลขบริบทใดจะถูกพิมพ์บนหน้าดึงข้อมูล หากคุณกำลังกำหนดขนาดพรอมต์คัดกรองเทียบกับ 125K และคาดว่าจะต้องจ่ายสำหรับสถานะยาว คุณกำลังกำหนดขนาดเทียบกับตัวเลขที่ไม่สะท้อนรันไทม์ ตัวเลข 16,384 คือเพดานจริง ตัวเลข 896 คือขีดจำกัดการทำงานจริงสำหรับเส้นทางมัลติโมดัล และ 125K คือตัวเลขที่ไม่มีร่องรอยเอกสารอ้างอิง

• ขนาด — 850MB บนการ์ด สองไฟล์ในรีจิสทรี แท็ก Ollama d1-omni:latest ชี้ไปยังไฟล์เวตส์แบบควอนไทซ์ขนาด 407MB ที่กำหนดเป็น Q8_0 บวกกับไฟล์โปรเจกเตอร์ขนาด 442MB ที่กำหนดเป็น BF16 และ 407 + 442 = 849 ซึ่งหน้าเว็บปัดเป็น 850MB ทั้งสองรายการถูกระบุอย่างตรงไปตรงมา; การคำนวณเป็นเพียงผลรวมของการจับคู่ความแม่นยำแบบผสมมากกว่าไฟล์เดียว แท็ก d1-omni:600m-bf16 เป็นแท็กที่สะอาดกว่า: เวตส์ BF16 ขนาด 764MB บวกกับโปรเจกเตอร์ขนาด 442MB เดียวกัน 1.2GB บนดิสก์ และโปรเจกเตอร์เหมือนกันทุกไบต์ระหว่างสองแท็ก ควรสังเกตสำหรับส่วนถัดไป เพราะโปรเจกเตอร์ที่บรรทุกเวตส์ของตัวเองสามารถเลื่อนจำนวนพารามิเตอร์ที่มีผลได้

รายละเอียดอีกอย่างหนึ่งที่ควรบันทึกไว้มากกว่าจะอธิบาย: บล็อกพารามิเตอร์รันไทม์ภายในแพ็กเกจ d1-omni ของ Ollama มีความยาวเท่ากันทุกไบต์ — 18 ไบต์ — กับอันที่อยู่ภายในแพ็กเกจd1แยกต่างหากของ Ollama ซึ่งมาพร้อม Liquid AI d1-3B ที่มีน้ำหนัก Q8_0 ขนาด 2.87GB และโปรเจกเตอร์ขนาด 855MB สองสถาปัตยกรรม สองจำนวนพารามิเตอร์ สเกลพารามิเตอร์ที่ต่างกันถึงสองลำดับระหว่างทั้งสอง และการกำหนดค่ารันไทม์ขนาด 18 ไบต์เดียวกัน นั่นเป็นค่าคงที่ของการแพ็กเกจ ไม่ใช่ข้อกล่าวอ้างเกี่ยวกับโมเดลใดโมเดลหนึ่ง

สิ่งที่ค่าน้ำหนักเหล่านั้นบอกด้วยตัวเอง

ถ้าถอดเปลือก packaging ออก โมเดลนี้มีเอกสารกำกับไว้ละเอียดอย่างผิดปกติ Liquid AI D1 Omni 600M มีพารามิเตอร์ทั้งหมด 587M แบ่งเป็นสามส่วน: trunk ที่ใช้ร่วมกันและ decision head ขนาด 381M, vision encoder ขนาด 94M และ audio encoder ขนาด 112M trunk เป็นแบบสองทิศทาง — นี่คือ encoder ไม่ใช่ decoder — และเป็น trunk เดียวกันสำหรับทุก modality โดยมี tower เฉพาะ modality ติดตั้งเพิ่มเข้ามา

• การมองเห็น มาจากทาวเวอร์ SigLIP2 ที่สืบทอดมาจาก Liquid AI LFM2.5-VL-450M โดยมีอะแดปเตอร์และการอัปเดต LoRA ที่เปิดใช้งานเฉพาะกับอินพุตรูปภาพเท่านั้น ขณะที่ตัวเข้ารหัสเองยังคงถูกแช่แข็งอยู่

• เสียงมาจาก FastConformer 17 ชั้นที่มีอะแดปเตอร์ของตัวเอง ถูกไฟน์ทูนในขั้นตอนที่โครงหลักด้านข้อความถูกแช่แข็ง จากนั้นทั้งสแต็กถูกไฟน์ทูน LoRA ถูกผสาน และน้ำหนักถูกเฉลี่ยกลับกับเช็กพอยต์ก่อนหน้า

• คำศัพท์มี 65,536 โทเค็นใน 15 ภาษา: อังกฤษ เยอรมัน สเปน ฝรั่งเศส อิตาลี ดัตช์ โปแลนด์ โปรตุเกส อาหรับ ฮินดี ญี่ปุ่น รัสเซีย ตุรกี เวียดนาม และจีน

• ไม่สามารถผสมรูปแบบข้อมูลหลายประเภทเข้าด้วยกันได้ คำขอหนึ่งครั้งจะรับข้อความพร้อมรูปภาพ หรือข้อความพร้อมเสียงพูดไม่เกิน 30 วินาที — ไม่ใช่ทั้งสองอย่างพร้อมกัน รูปแบบเสียงที่คาดหวังคือ 16kHz โมโน ความยาวระหว่าง 0.5 ถึง 30 วินาที และ modello นี้ได้รับการฝึกจากบทสนทนาระหว่างผู้พูดภาษาอังกฤษกับผู้ช่วย ซึ่งเป็นข้อจำกัดที่แท้จริงสำหรับการใช้งานหลายภาษาหรือในสภาพที่มีเสียงรบกวน

ไม่มีสิ่งใดปรากฏบนหน้า Ollama และการละเว้นนั้นมีผลที่คุณเห็นได้โดยตรงในตัวอย่างการใช้งาน snippets ของ Ollama เป็นการเรียกแชต — สตริงโมเดล อาร์เรย์ messages คำว่า "Hello!" — และ checkpoint พื้นฐานไม่สามารถตอบคำเหล่านี้ได้ มันไม่ใช่โมเดลแชตและไม่เขียนข้อความ มันคืนคำตอบแบบมีชนิด: ความน่าจะเป็น yes/no, ป้ายกำกับพร้อมความน่าจะเป็นต่อป้ายกำกับ, หรือตำแหน่งบนสเกลแบบเรียงลำดับ โดยทั้งหมดอ่านโดยตรงจากการแจกแจงเอาต์พุตโดยไม่มี output token ถูกสร้าง อินเทอร์เฟซที่เผยแพร่สะท้อนสิ่งนี้: system_one และ probabilities ผ่าน Transformers หรือ /v1/systemone endpoint ผ่าน llama.cpp 0.7.0 และใหม่กว่า การเรียกในรูปแบบแชตกับโมเดลตัดสินใจคือข้อผิดพลาดที่ช่องว่างการตั้งชื่อนี้นำมาซึ่ง

ทุกตัวเลขเหล่านั้นมาพร้อมกับข้อควรระวังสองประการ

ประการแรก Liquid ให้คะแนนแถวของตนเองด้วยตัวให้คะแนนทางการ แทนที่จะส่งแถวเหล่านั้นไปจัดอันดับสาธารณะ และยังไม่มีบุคคลที่สามรายใดทำผลลัพธ์ของ d1-omni-600M ซ้ำได้ — ผู้จำหน่ายระบุตรง ๆ บนการ์ดโมเดลว่าไม่รายงานตัวเลขการอนุมานสำหรับเช็กพอยต์นี้ เพราะเป็นรุ่นวิจัยระยะแรกที่อยู่ระหว่างการพัฒนาอย่างต่อเนื่อง ประการที่สอง ตัวเลขพาดหัวสองตัวขัดแย้งกันเอง: ช่องว่างดัชนี 32 จุดและช่องว่างค่าเฉลี่ยเกณฑ์มาตรฐาน 4.5 จุดอธิบายโมเดลเดียวกัน ซึ่งเป็นเหตุผลว่าคะแนนย่อย ไม่ใช่คะแนนรวม จึงเป็นการอ่านที่มีประโยชน์ Retrieval ที่ 35.0 และ Tools ที่ 15.1 เมื่อเทียบกับ Arts ที่ 6.8 บอกคุณว่าเช็กพอยต์นี้พร้อมและไม่พร้อมสำหรับงานใด Audio ไม่มีคอลัมน์เกณฑ์มาตรฐานเลย Liquid เรียกเกณฑ์มาตรฐานการตัดสินใจด้านเสียงโดยเฉพาะว่าเป็นปัญหาที่ยังเปิดอยู่

Liquid AI D1 Omni 600M ยังเป็นผู้นำในตระกูลของตัวเองในสองจากเจ็ดรายการ: Civil Comments ที่ 95.8 และ PAWS-X ที่ 79.5 สองแถวนี้เป็นแถวที่เอนโคเดอร์ขนาด 587M เอาชนะดีโคเดอร์ขนาด 3B ได้อย่างชัดเจน และทั้งคู่มีลักษณะเป็นงานจำแนกข้อความมากกว่าลักษณะงานใช้เหตุผล — ซึ่งสอดคล้องกับสถาปัตยกรรมมากกว่าที่จะขัดแย้งกับมัน

เลือกตามสิ่งที่คุณต้องการ หากต้องการให้รันในเครื่องภายใต้ Ollama, d1-omniคือชื่อที่ใช้งานได้ — 850MB สำหรับบิลด์ Q8_0, 1.2GB สำหรับ BF16, พาธอิมเมจเดียวกับที่ Liquid ระบุไว้ในเอกสาร และไม่มีแท็กใดที่มี audio projector หากคุณต้องการโมเดลที่ผู้ขายอธิบายไว้, Liquid AI D1 Omni 600Mคือชื่อที่ควรค้นหา และเส้นทาง Transformers ผ่านรีโพซิทอรี Hugging Face คือเส้นทางที่มีความยาวบริบท รายการ modality และจำนวนพารามิเตอร์ตรงกับเอกสาร

ไม่ว่าจะทางไหน นี่คือครึ่งที่ราคาถูกของไปป์ไลน์ โมเดลตัดสินใจทำหน้าที่จำแนกประเภท ส่วนอีกสิ่งหนึ่งต้องลงมือตามผลการจำแนกประเภทนั้น นี่คือเส้นแบ่งที่ OrcaRouter ตั้งอยู่ และเป็นเส้นแบ่งที่ควรระบุให้ชัดเจน: ไม่มีโมเดลของ Liquid AI อยู่ในแคตตาล็อกของเรา ดังนั้นการเรียก d1-omni เองก็ไปยังที่ที่คุณรันมันอยู่แล้ว — ไม่ว่าจะเป็นค่าถ่วงน้ำหนักเหล่านี้บนฮาร์ดแวร์ของคุณเอง หรือ API ของผู้จำหน่ายเองและแพลตฟอร์มของบุคคลที่สามสำหรับรุ่นที่ให้บริการแบบโฮสต์ สิ่งที่ 200+ โมเดลที่อยู่เบื้องหลังคีย์เดียวที่เข้ากันได้กับ OpenAI มีไว้สำหรับก็คือทุกอย่างในส่วนปลายน้ำ ในราคา ราคาตามรายการของผู้ให้บริการแต่ละรายที่ส่งต่อโดยบวกเพิ่ม 0% พร้อมกับ การสลับสำรองอัตโนมัติระหว่างผู้ให้บริการ เมื่อคำขอที่ผ่านการคัดกรองถูกกระจายไปยังโมเดลที่กำลังประสบปัญหา

อะไรจะทำให้คำถามที่ยังค้างอยู่ได้ข้อยุติ

สามสิ่งนี้จะปิดเรื่องนี้ได้ และไม่มีสักอย่างที่ต้องรอประกาศจากผู้ขาย คนที่นำเอาต์พุตของแท็ก Ollama ขนาด 850MB ไปเทียบกับ checkpoint บน Hugging Face ด้วยอินพุตเดียวกันจะบอกเราได้ว่าการแพ็กเกจเปลี่ยนคำตอบไปหรือไม่ คอมมิตใน llama.cpp หรือรายการ changelog ของ Ollama ที่อธิบายตัวเลข context จะบอกเราได้ว่า 125K เป็นความผิดพลาดหรือเป็นความสามารถที่ model card ยังตามไม่ทัน และผลลัพธ์ด้านเสียงที่เผยแพร่—ผลลัพธ์ด้านเสียงใดก็ได้—จะย้าย checkpoint นี้ออกจากหมวดหมู่ที่มันอยู่ตอนนี้ ซึ่งก็คือโมเดลที่เอกสารครบถ้วน แต่มีชั้นการแพ็กเกจที่ไม่มีเอกสารกำกับ และมีสกอร์บอร์ดที่เป็นของผู้ขายเองทั้งหมด

ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกเป็นหลักฐานไว้ ซึ่งอยู่เบื้องหลังการเปิดตัวในลักษณะนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง