Liquid AI d1-3B vs Intern-Decision-4B: คุณต้องการตัวตัดสินใจที่คาลิเบรตแล้วตัวไหนกันแน่?

โมเดลแบบเปิดน้ำหนักสองตัวตอนนี้ตอบคำถามโดยไม่เขียนอะไรเลย และจนกว่าคุณจะวางสคีมา I/O ของทั้งคู่ไว้ข้างกัน พวกมันก็ดูเหมือนแนวคิดเดียวกันที่ซ้ำกันสองครั้ง Liquid AI d1-3B ซึ่งอัปโหลดไปยัง Hugging Face เมื่อวันที่ 5 ตุลาคม 2026 และถูกประกาศโดย Liquid สองวันต่อมา เป็นโมเดลตัดสินใจแบบมัลติโมดัลขนาด 3.12B ซึ่งการ์ดของมันระบุตรง ๆ ว่า "ไม่ใช่โมเดลแชทและไม่เขียนข้อความ" ส่วน Intern-Decision-4B ของ InternLM ซึ่งอัปโหลดอย่างเงียบ ๆ ไปยังองค์กร InternLM เมื่อวันที่ 26 กันยายน 2026 โดยไม่มีโพสต์บล็อก ไม่มีทวีต และไม่มีหน้าเปิดตัวรองรับ เป็นโมเดลตัดสินใจขนาด 4B ที่ไฟน์จูนจาก Qwen3.5-4B ซึ่งเช่นเดียวกันก็คืนการแจกแจงคำตอบสำหรับทุกคำถามใน forward pass เดียว สัญญาเดียวกันในระดับผิวเผิน ความแตกต่างที่อยู่เบื้องหลัง — ใบอนุญาตที่จะทำให้คุณยุ่งยาก สัญญาที่สามารถเขียนข้อความได้โดยบังเอิญ และเครื่องจักรที่ไม่มีใครเคยเปรียบเทียบ — คือสิ่งที่ตัดสินว่าตัวไหนควรอยู่ในสแต็กของคุณ

ว่าจริง ๆ แล้วทั้งสองใกล้กันแค่ไหน

สิ่งแรกที่ต้องทำความเข้าใจให้ชัดคือ การเปรียบเทียบนี้มีส่วนที่เสมอกันมากน้อยเพียงใด โมเดลทั้งสองรับสถานะและสคีมาของคำถามที่มีชื่อกำกับ ทั้งคู่อ่านสัญญาณจากค่าลอจิท ณ ตำแหน่งตัวแทน แทนที่จะเป็นการสุ่มตัวอย่าง ทั้งคู่เป็นมัลติโมดัล และทั้งคู่รายงานว่าตนไม่ได้เขียนอะไรเลย ในแง่รูปร่างของการเรียกใช้งาน ทั้งสองแทบจะเหมือนกันทุกประการ และความแตกต่างที่น่าสนใจอยู่ที่รายละเอียดรอบ ๆ ขอบ

• ขนาด — Liquid AI d1-3B รวม 3.12B สร้างบน LFM2.5-VL-3B ของ Liquid; Intern-Decision-4B 4B (ประมาณ 4.54B ตามจำนวนเทนเซอร์ที่การ์ดระบุ) ไฟน์ทูนจาก Qwen3.5-4B

• ประเภทคำถาม — d1-3B และ Intern-Decision-4B ใช้สามประเภทเดียวกัน: noul สำหรับใช่/ไม่ใช่, choice สำหรับหนึ่งในชุดที่กำหนดชื่อ, score สำหรับจุดบนมาตรวัดแบบเรียงลำดับ

• ฟิลด์คำตอบ — d1-3B ส่งคืนคำตอบพร้อมกับค่าความเชื่อมั่นและความน่าจะเป็น; สคีมาของ InternLM ส่งคืนการแจกแจงพร้อมกับค่าความเชื่อมั่นที่การ์ดโมเดลเตือนว่าไม่ใช่ความน่าจะเป็นที่ปรับเทียบแล้ว

• ขีดจำกัดอินพุต — d1-3B บริบท 32,768 โทเคน; Intern-Decision-4B เพดาน 8,192 โทเคนที่ปฏิเสธคำขอที่ยาวกว่าโดยตรง แทนที่จะตัดทอน โดยนับรูปภาพรวมกับเพดานนั้นด้วย

• สัญญาอนุญาต — d1-3B ภายใต้ Liquid's LFM Open License v1.0 และ Apache 2.0 ในส่วนของ InternLM

• ภาษา — d1-3B ระบุ 16 รายการ; การ์ดของ Intern-Decision-4B ระบุว่าไม่มี

• อินเทอร์เฟซ — d1-3B มาในรูปแบบโมเดลที่คุณโหลดและเรียกใช้ด้วย trust_remote_code=True; Intern-Decision-4B มาในรูปแบบไลบรารี Python ที่คุณ pip install โดยมีแบ็กเอนด์ที่ใช้งานได้หนึ่งตัว และฟิลด์ model ของคำขอเองนั้นไม่สามารถสลับเช็กพอยต์ได้อย่างชัดเจน

• คะแนนของผู้ขายเอง — d1-3B 48.57 บน Decision Index 0.2.1 พาร์ติชันสาธารณะ; Intern-Decision-4B 90.02 เฉลี่ยจากตารางเจ็ดชุดของตัวเอง โดยมี Brier score 0.347 และค่าความคลาดเคลื่อนการสอบเทียบที่คาดหวัง 0.065

ตัวเลขสองตัวสุดท้ายนั้นไม่สามารถนำมาเปรียบเทียบกันได้ และการมองมันเป็นเหมือนกระดานคะแนนคงเป็นความผิดพลาดที่เกิดขึ้นได้ง่ายที่สุดในหน้านี้ เพราะมันมาจากฮาร์เนสที่ต่างกัน ชุดคำถามที่ต่างกัน และผู้ให้คะแนนที่ต่างกัน

การสอบเทียบคือหัวใจทั้งหมดของผลิตภัณฑ์ และมีเพียงหนึ่งเดียวเท่านั้นที่รับประกันเรื่องนี้เป็นลายลักษณ์อักษร

โมเดลการตัดสินใจจะคุ้มค่ากับความหน่วงของมันก็ต่อเมื่อตัวเลขที่มันคืนมาข้าง ๆ คำตอบนั้นมีความหมาย นั่นแหละคือการคาลิเบรชัน: ค่าความเชื่อมั่นที่ระบุไว้ 0.9 ควรถูกต้องประมาณเก้าครั้งจากสิบครั้ง และโมเดลที่มั่นใจแต่ผิดก็แย่กว่าโมเดลที่บอกว่าตัวเองไม่รู้

InternLM คือตัวที่จัดการกับเรื่องนี้ มันบันทึกค่าที่ฟิตได้ 1.99241824 ซึ่งได้มาจากการลดค่า negative log-lik ให้ต่ำสุดจากเคสคาลิเบรชัน 1,728 เคส โดยมี 1,693 เคสที่กันไว้เป็น validation และพิมพ์เป็นทศนิยมสิบตำแหน่งเพื่อให้สามารถทำได้ นอกจากนี้ยังเผยแพร่การนำร่องก่อนและหลังใน 96 เคส ซึ่งแสดงให้เห็นว่ากลไกทำงานจริง แทนที่จะแค่กล่าวอ้าง: Brier 0.628 และ ECE 0.213 ก่อนคาลิเบรต เทียบกับ 0.550 และ 0.089 หลังคาลิเบรต Brier และ ECE เป็นตัววัดมาตรฐานสองตัวว่าความน่าจะเป็นที่ระบุไว้ซื่อสัตย์หรือไม่ และทิศทางที่เคลื่อนไปนั้นมาก

Liquid ไม่ได้เผยแพร่สิ่งที่เทียบเท่า การ์ดของ d1-3B เองมีเกณฑ์มาตรฐานแนวความแม่นยำ — SQuAD 2.0 85.3, Civil Comments 93.0, MASSIVE intent 87.3, PubMedQA 66.0, BoolQ 86.7, XNLI 85.0, PAWS-X 76.9, ค่าเฉลี่ย 77.1 — ควบคู่กับ 48.57 บน Decision Index และจุดขายที่ระบุของโมเดลคือคำตอบแบบมีชนิดที่ปรับเทียบแล้ว แต่ไม่มีแถว ECE ไม่มีแถว Brier และไม่มีอุณหภูมิที่ปรับให้พอดีที่เผยแพร่

ความไม่สมมาตรนั้นไม่ได้หมายความว่ารุ่นทายาทของ Qwen3.5-4B ถูกคาลิเบรตได้ดีกว่าโมเดล 3B ที่สร้างบน LFM2.5-VL-3B; มันหมายความว่า ระหว่างการ์ดสองใบนี้ ใบหนึ่งให้ค่าคณิตศาสตร์ที่คุณใช้ทำซ้ำข้อกล่าวอ้างได้ ส่วนอีกใบให้เพียงข้อกล่าวอ้าง หากไปป์ไลน์ของคุณตั้งเกณฑ์บนค่าความเชื่อมั่น — ให้ส่งต่อไปเมื่อสูงกว่า 0.8, ยกระดับเมื่อต่ำกว่า 0.4 — คืนนี้คุณตรวจสอบฝั่ง InternLM ได้ และทำได้เพียงสุ่มตรวจฝั่ง Liquid เท่านั้น

ข้อควรระวังนี้ใช้ได้ทั้งสองทาง ตัวเลขทั้งสองชุดเป็นข้อมูลจากฝ่ายแรก ไม่มีโมเดลใดได้รับการให้คะแนนจากฝ่ายอิสระ และข้ออ้างเรื่องการปรับเทียบของ InternLM ก็อาศัยการทดลองนำร่อง 96 กรณีของ InternLM เอง เทียบกับค่าความพอดีของ InternLM เอง

ไลเซนส์ที่ขอหมายเลขจากคุณ

Intern-Decision-4B เป็น Apache 2.0 สืบทอดมาจาก Qwen3.5-4B โดยยังคงประกาศต้นทางไว้ — ใช้เชิงพาณิชย์ แจกจ่ายซ้ำ ปรับแต่งละเอียด ไม่มีข้อกำหนดเรื่องรายได้ใด ๆ อยู่ในนั้น

d1-3B อยู่ภายใต้ Liquid's LFM Open License v1.0 และข้อ 5 คือส่วนที่ไม่มีใครอ่านจนกระทั่งฝ่ายจัดซื้อต้องอ่าน การใช้งานเชิงพาณิชย์จะได้รับอนุญาตเฉพาะภายใต้เงื่อนไขว่าคุณหรือนิติบุคคลของคุณมีรายได้ต่ำกว่า Threshold ซึ่งนิยามไว้ในเอกสารเดียวกันว่าเป็นรายได้ต่อปีตั้งแต่สิบล้านดอลลาร์สหรัฐขึ้นไป การใช้งานที่สูงกว่านั้นไม่ได้รับอนุญาต ส่วนองค์กรไม่แสวงหากำไรและผู้ใช้เพื่อการวิจัยได้รับการยกเว้น

สำหรับบุคคลคนเดียวหรือทีมเล็ก ๆ ทั้งสองแบบฟรี สำหรับอะไรก็ตามที่มีแผนกการเงิน สองรีโปนี้เป็นผลิตภัณฑ์ที่ต่างกัน และความแตกต่างคือตัวเลขที่คุณจะอยู่เหนือมันหรือไม่ก็เท่านั้น

ส่วนท้ายของตาราง benchmark ของ d1-3B คือข้ออ้างที่แท้จริงของมัน

ตัวเลขพาดหัวบนการ์ดของ Liquid คือ 48.57 บน Decision Index 0.2.1 ซึ่งนำหน้าแถวอื่นที่มีขนาดต่ำกว่า 10B ในตารางที่เรียงจาก Winnow-12B ที่ 50.02 ลงมาถึง Decider 2B ที่ 28.97 สิ่งที่ทำให้ตัวเลขนั้นน่าอ้างถึงคือดัชนีการจำแนก (discrimination index) ที่อยู่ใต้ตัวเลขนั้น ในคะแนนย่อยของ Decision Index เอง d1-3B ได้ 74.5 ใน Tools และ 36.3 ใน Arts แต่ทำได้เพียง 23.8 ใน Knowledge — เมื่อเทียบกับ Decider 35B-A3B ซึ่งเป็นโมเดล mixture-of-experts ขนาด 36B ที่ใหญ่กว่าถึง 12 เท่า โดยได้ 56.5 ใน Tools, 32.6 ใน Arts และ 31.8 ใน Knowledge

พูดอีกอย่างคือ 3B ไม่ใช่โมเดลเล็กที่ด้อยกว่าเล็กน้อยแบบสม่ำเสมอทั่วทุกด้าน แต่เป็นโมเดลเล็กที่แข็งเป็นพิเศษในการตัดสินใจเชิงโครงสร้างแบบเครื่องมือ และอ่อนเป็นพิเศษกับคำถามที่ต้องใช้ความรู้รอบโลก และมันเอาชนะ 36B ได้ในสองหมวดหมู่ที่ดูเหมือนงานที่มันถูกสร้างขึ้นมาทำมากที่สุด หากการตัดสินใจของคุณคือ "ควรเลือกหนึ่งในห้าการกระทำที่มีชื่อเหล่านี้" และ "สิ่งนี้มีพื้นฐานมาจากข้อความที่ค้นคืนมาหรือไม่" ช่องว่างด้านขนาดก็มีผลน้อยกว่าที่คุณคาด หากการตัดสินใจของคุณพึ่งพาข้อเท็จจริงที่โมเดลต้องมีอยู่แล้ว จงคาดว่า 23.8 จะปรากฏขึ้น

ข้อโต้แย้งดังกล่าวมีเวอร์ชันที่สองทางด้านภาพ d1-3B ได้ค่าเฉลี่ย 74.1 จาก benchmark ภาพสาธารณะสิบเอ็ดรายการ เทียบกับ 73.9 ของโมเดลฐานของตัวเอง และเมื่อถอดภาพออก คำถามเดียวกันได้คะแนน 45.1 — ดังนั้นในคำถามเกี่ยวกับภาพ คำตอบจึงมาจากภาพจริง ๆ มันอยู่ในระดับเดียวกับโมเดลฐานของตัวเอง ไม่ได้ดีกว่า และแถวข้อมูลราย benchmark ก็ให้ผลทั้งสองทาง: CV-Bench 82.1 เทียบกับ 87.6, POPE 88.5 เทียบกับ 90.1, BLINK 59.2 เทียบกับ 58.7

น่าสังเกตจุดหยุดชะงักใน InternLM การ์ดเช่นกัน: คะแนนรวมที่สูงของมันมาจากงานที่ขับเคลื่อนด้วยคำถาม เช่น Typed Decision 80.55 และ ToolACE 96.45 ขณะที่ Jevbench-Hard อยู่ที่ 73.87 เมื่อ schema ยากขึ้น คะแนนก็ลดลง

ความเร็ว: ช่องว่างไม่ได้อยู่ตรงที่คุณคาดคิด

d1-3B อ้างว่าใช้เวลา 8 มิลลิวินาทีสำหรับคำถามเดียวบน RTX 4090 และ 9 มิลลิวินาทีบน MI325X, 21 มิลลิวินาทีสำหรับสามคำถามที่แชร์สถานะเดียวกัน, 16 มิลลิวินาทีบน Jetson AGX Thor และอัตราการประมวลผลแบบแพ็กที่ 475 การตัดสินใจต่อวินาทีบน 4090 และ 1,106 บน MI325X

การ์ดของ Intern-Decision-4B วัดค่าเฉลี่ยแบบ end-to-end ได้ 44.16 ms บน RTX 4090 เครื่องเดียวกัน โดยมีค่ามัธยฐาน 44.03 ms และ 44.60 ms ที่ P95

ดูเหมือนจะเป็นชัยชนะแบบ 5 เท่า แต่มันไม่ใช่ เพราะทั้งสองกำลังวัดคนละอย่าง ตัวเลขของ Liquid คือการเรียกโมเดลแบบ warm ทีละหนึ่งคำขอ โดยจ่ายค่าเลือก kernel และคอมไพล์ไปล่วงหน้าแล้ว — การ์ดระบุชัดเจนว่าคำถามเดียวใช้เวลา 16 ms บน 4090 โดยไม่มีการคอมไพล์ CUDA graph และการเรียกครั้งแรกด้วย shape ใหม่ต้องจ่ายค่าคอมไพล์ ส่วน 44 ms ของ InternLM คือเวลาต่อ query แบบ end-to-end ผ่านไลบรารี Python ซึ่ง backend เดียวที่ implement ไว้คือ local Hugging Face inference ดังนั้นจึงแบกกลไกโดยรอบมาด้วย ไม่มีตัวเลขใดผิด หากนำทั้งคู่ไปวางใต้ harness เดียว บนเครื่องเดียว ด้วยรูปแบบคำขอเดียวกัน ช่องว่างจะหดลงจนเหลือเป็นสิ่งที่คุณอยากวัดมากกว่าสันนิษฐาน

สิ่งที่ไม่อยู่ในข้อกังขาคือเพดาน 8,192 โทเคนเป็นการปฏิเสธแบบเด็ดขาดในฝั่ง InternLM และโทเคนของภาพก็ใช้จากงบประมาณเดียวกัน ดังนั้นเอกสารยาวบวกภาพหน้าจอจึงเป็นคำขอที่ถูกส่งกลับมาแบบถูกปฏิเสธ แทนที่จะถูกตัดทอน d1-3B ให้โทเคน 32,768 โทเคนไว้ให้คุณใช้งาน ถ้าสถานะของคุณคือตั๋วและการแลกเปลี่ยนสั้น ๆ ช่องว่างนั้นก็ไม่กัดเลย ถ้ามันมีขนาดเท่าหน้า มันจะตัดสินคำถามก่อนที่เบนช์มาร์กใด ๆ จะทำ

ให้รันพวกมันเป็น panel ไม่ใช่การสลับเปลี่ยน

การตอบคำถามใช่/ไม่ใช่ที่เจาะจง กับการตอบว่า "สิ่งนี้คือสิ่งใดในหกชื่อที่ระบุ และคุณมั่นใจแค่ไหน" เป็นคำขอที่ต่างกัน และการ์ดทั้งสองใบก็มีรูปร่างแตกต่างกันมากพอ — ใบหนึ่งมีเพดานอินพุตแบบตายตัวและค่าความพอดีการสอบเทียบที่เผยแพร่ ส่วนอีกใบมีบริบท 32K และหางการให้คะแนนที่ดีกว่า — จนการนำไปใช้งานที่มีประโยชน์สำหรับทีมที่ประเมินทั้งสองแบบมักไม่ใช่การแทนที่กัน แต่เป็นการใช้เป็นคณะ: สถานะเดียวกันถูกป้อนให้ทั้งสองโมเดล โดยความเห็นที่ไม่ตรงกันถูกส่งต่อไปยังมนุษย์หรือโมเดลที่ใหญ่กว่า

ไม่มีโมเดลใดในสองตัวนี้อยู่ในแค็ตตาล็อกของเรา และนี่ไม่ใช่การอ้างถึงความพร้อมใช้งาน ทั้งสองเป็นอาร์ติแฟกต์ที่โฮสต์เอง แต่แผงคือรูปแบบที่ชั้นการกำหนดเส้นทางทำหน้าที่ทำงานจริงแทนงานเอกสารเป๊ะ ๆ OrcaRouter เปิดให้เข้าถึงโมเดลมากกว่า 200 รุ่นผ่านคีย์ API เดียว โดยราคาตามรายการของผู้ให้บริการถูกส่งผ่านด้วยมาร์กอัป 0% — ดังนั้นเมื่อผู้ให้บริการที่คุณกำหนดเส้นทางผ่านเราลดราคา บิลของคุณก็เปลี่ยนตามในวันเดียวกัน — และการสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดความล้มเหลวช่วยไม่ให้แผงสองโมเดลกลายเป็นจุดล้มเหลวจุดเดียวสองจุด โมเดลที่คุณกำหนดเส้นทางในวันนี้ไม่ใช่สองตัวนี้ แต่เป็นโมเดลอเนกประสงค์แบบโฮสต์ที่คุณกำลังจะเข้ามาแทนที่ เช่น Qwen3.5-27B ที่ราคา $0.086 ต่อหนึ่งล้านโทเคนอินพุต และ $0.688 ต่อหนึ่งล้านโทเคนเอาต์พุต ซึ่งเป็นตัวเลขที่โมเดล 3B ที่โฮสต์เองต้องเอาชนะให้ได้เมื่อคุณนับค่า GPU แล้ว

สิ่งที่ต้องทำในสัปดาห์นี้

หากการตัดสินใจของคุณเป็นสถานะสั้น สัญญาอนุญาตจะต้องผ่านการตรวจสอบของบริษัทคุณ และคุณต้องการช่วงของเป้าหมายการสร้างที่กว้างที่สุด — llama.cpp, Ollama, LM Studio, เส้นทางแบตช์แบบแพ็กที่รัน 64 สถานะในรอบเดียว — d1-3B เป็นผลิตภัณฑ์ที่มากกว่าของทั้งสอง และการแยกแยะเครื่องมือและศิลปะของมันเป็นสิ่งที่แข็งแกร่งที่สุดที่การ์ดใดการ์ดหนึ่งแสดงให้เห็น หากการตัดสินใจของคุณทำงานกับสถานะยาว หรือคุณต้องการสัญญาอนุญาตที่ไม่มีข้อกำหนดเกี่ยวกับรายได้ หรือคุณต้องการการปรับเทียบที่คุณสามารถทำซ้ำได้และฮาร์เนสที่ค่าใช้จ่ายแวดล้อมถูกนับไว้แล้ว Intern-Decision-4B คือตัวที่คุณสามารถตรวจสอบเอกสารได้จริง

ส่วนที่น่าอึดอัดก็เหมือนกันสำหรับทั้งสองกรณี คือยังไม่มีหน่วยงานอิสระใดที่รันโมเดลทั้งสองตัวนี้ และไม่มีการเปรียบเทียบการสอบเทียบใดที่ไม่ได้ถูกว่าจ้างโดยผู้ขายที่เขียนการ์ดใบนั้น สำหรับโมเดล级别ที่มีคุณค่าทั้งหมดอยู่ที่ความหมายของตัวเลขที่อยู่ข้างคำตอบ นั่นคือช่องว่างที่ควรปิดเสียก่อนที่คุณจะกำหนดเกณฑ์ใดๆ ลงไป