Liquid AI d1-3B เปิดตัวบน Ollama: เอนด์พอยต์โลคัลแบบเงียบ ๆ สำหรับโมเดลตัดสินใจ

มี d1 ตัวใหม่ในไลบรารีของ Ollama และมันไม่ใช่โมเดลแชต รายการนี้อธิบายไว้ในบรรทัดเดียว — "โมเดลตัดสินใจขนาด 3B จาก Liquid AI สร้างบน LFM2.5-VL-3B" — และประโยคเดียวนี้มีข้อเท็จจริงสองข้อที่สำคัญที่สุดอยู่Liquid AI d1-3B ซึ่งเป็นโมเดลขนาดเล็กที่ Liquid AI สร้างขึ้นบน Liquid AI LFM2.5-VL-3B และเปิดให้ใช้เป็นน้ำหนักเปิดเมื่อวันที่ 5 ตุลาคม 2026 ตอนนี้ถูกแพ็กเกจไว้แล้ว ดังนั้นการ pull เพียงครั้งเดียวก็ติดตั้งลงบนเครื่องของคุณเองได้ และมันยังคงคืนค่าความน่าจะเป็นที่ปรับเทียบแล้วสำหรับคำถามแบบมีชนิดข้อมูล แทนที่จะเป็นข้อความที่สร้างขึ้น ตรงกับที่เช็กพอยต์ต้นทางทำ หากคุณมีขั้นตอนการคัดแยก จัดเส้นทาง กลั่นกรอง หรือกั้นการเข้าถึงในไปป์ไลน์ นี่เป็นครั้งแรกที่ตระกูลโมเดลนี้สามารถรันได้ด้วยคำสั่งเดียว โดยไม่ต้องใช้คีย์ API ไม่มีค่าใช้จ่ายต่อการเรียก และไม่มีข้อความสถานะออกจากฮาร์ดแวร์ของคุณ

อย่างไรก็ตาม คำว่า "quiet" กำลังทำหน้าที่สำคัญจริง ๆ ในที่นี้ และเป็นการคุ้มค่าที่จะระบุให้แม่นยำว่าเรื่องราวนี้ครึ่งไหนมีเอกสารยืนยันและครึ่งไหนไม่มี บล็อกของ Liquid AI เองไม่เคยกล่าวถึง Ollama: โพสต์ล่าสุดของแล็บ เมื่อวันที่ 13 ตุลาคม 2026 ครอบคลุมโมเดลอื่นในสาย LFM2.5 และโพสต์ d1 สองรายการของแล็บ — ประกาศด้าน vision เมื่อวันที่ 5 ตุลาคม และการเปิดตัว "Open d1" เมื่อวันที่ 7 ตุลาคม — อธิบายถึงเวต, API และคะแนน benchmark ไม่ใช่รันไทม์ภายในเครื่อง หน้าไลบรารีของ Ollama สำหรับ d1 ก็ไม่มีประกาศเช่นกัน และดัชนีเอกสารของผู้ให้บริการก็ไม่มีเช่นกัน ซึ่งทำเครื่องหมายว่า GGUF พร้อมใช้งานสำหรับ Liquid AI d1-3B และโมเดลพี่น้องที่รองรับเสียง Liquid AI d1-omni-600M โดยระบุชื่อ llama.cpp, Ollama และ MLX เพียงเป็นตัวเลือกการปรับใช้ทั่วไปเท่านั้น สิ่งที่มีอยู่คือแพ็กเกจที่เผยแพร่แล้ว รายการใน registry พร้อมไดเจสต์ที่คุณตรวจสอบได้ readme ที่ใช้งานได้ และตัวนับดาวน์โหลดที่อ่านว่า 10.4K เมื่อเขียนข้อความนี้เมื่อวันที่ 15 ตุลาคม 2026 สิ่งที่ไม่มีอยู่คือประโยคจากผู้ให้บริการที่กล่าวว่า "เราทำสิ่งนี้"

สิ่งที่อยู่ในรายการนี้จริง ๆ

มีแท็กสามรายการที่ระบุไว้ — d1:latest, d1:3b และ d1:3b-q8_0 — และทั้งสามรายการชี้ไปยังแมนนิเฟสต์ไดเจสต์เดียวกัน คือ 8c2d9ddae441 นั่นคือสิ่งแรกที่ต้องเข้าใจเกี่ยวกับหน้านี้: ตัวนับ "3 models" ของไลบรารีเป็นจำนวนแท็ก ไม่ใช่จำนวนเช็กพอยต์ อาร์ติแฟกต์เดียว สามชื่อ 3.7 GB หน้าต่างบริบท 32K และอินพุตทั้งข้อความและรูปภาพ หากคุณหวังจะเลือกขนาดหรือควอนไทเซชัน ตอนนี้ยังไม่มีอะไรให้เลือก

เรจิสทรีที่อยู่เบื้องหลังหน้านี้ให้ข้อมูลมากกว่าตัวหน้าเพจเสียอีก บล็อบการตั้งค่าของแพ็กเกจระบุตระกูลโมเดลเป็น lfm2 ประเภทโมเดลเป็น 2.7B ชนิดไฟล์เป็น Q8_0 และรันไทม์ขั้นต่ำเป็น Ollama 0.40.4 มันมาพร้อมชั้นน้ำหนักสองชั้น ได้แก่โมเดลแบบ generative ขนาด 2.87 GB และโปรเจกเตอร์แยกอีก 856 MB ชั้นที่สองนั้นคือตัวเข้ารหัสภาพ และการมีอยู่ของมันบอกคุณว่าบิลด์ภายในเครื่องนี้ยังคงเส้นทางมัลติโมดัลไว้ แทนที่จะตัด d1 ให้เหลือเฉพาะข้อความ — โมเดลยังสามารถอ่านภาพถ่ายควบคู่ไปกับตั๋วสนับสนุนและตอบคำถามเกี่ยวกับทั้งสองสิ่งได้ ตัวเลขสองตัวบนหน้านี้ที่ดูเหมือนจะขัดกัน — "3B" ในคำอธิบาย และ "2.7B" ในเรจิสทรี — ควรอ่านเป็นส่วนแกนและทั้งก้อน การ์ดโมเดลของ Liquid AI ระบุว่าเช็กพอยต์มี 3.12B พารามิเตอร์ รวมตัวเข้ารหัสภาพขนาด 400M พารามิเตอร์ และแกนภาษาคือตัวเลขที่เล็กกว่า การคำนวณนี้เป็นของเรา ไม่ใช่ของผู้ขาย และเสนอเป็นคำอธิบายมากกว่าจะเป็นสเปก

ไม่มีวันที่ในปฏิทินปรากฏอยู่ที่ใดเลยบนหน้าคลังรายการนี้ มันรายงานเวลาสัมพัทธ์ — "อัปเดต 2 ชั่วโมงที่แล้ว" ณ ขณะที่บันทึกข้อมูล — พร้อมตัวนับจำนวนดาวน์โหลด ซึ่งหมายความว่าวันที่รายการนี้ปรากฏขึ้นครั้งแรกนั้นไม่อาจทราบได้จากตัวรายการเอง จุดอ้างอิงที่มีวันที่กำกับล้วนอยู่บน Hugging Face และที่ผู้จำหน่าย นั่นคือที่เก็บเวตของ Liquid AI d1-3Bถูกสร้างขึ้นเมื่อวันที่ 5 ตุลาคม 2026 ที่เก็บ GGUF คู่กันเมื่อวันที่ 6 ตุลาคม และ Liquid AI เผยแพร่โพสต์ประกาศเปิดตัวเมื่อวันที่ 7 ตุลาคม หากคุณต้องระบุวันที่ให้กับคำถามที่ว่า "สิ่งนี้รันในเครื่องได้เมื่อไหร่" คำตอบที่ตรงไปตรงมาในวันนี้ก็คือ แพ็กเกจนี้มีอยู่แล้วและกำลังถูกดึงอยู่ในตอนนี้ และไม่มีใครนอกจาก Ollama ที่บอกได้ว่ามันขึ้นในเช้าวันไหน

ทำไมงานอีเวนต์ด้านบรรจุภัณฑ์จึงเป็นอีเวนต์จริง

Ollama เปิดหมวดหมู่โมเดลการตัดสินใจเมื่อวันที่ 29 กันยายน 2026 เมื่อเปิดตัว endpoint /v1/systemone และแฟล็ก CLI --ask สำหรับโมเดลที่ตอบคำถามที่พิมพ์ใน forward pass เดียว Nimble และ Clef เป็นสองตระกูลแรกที่ผ่านประตูนั้น สิ่งที่แพ็กเกจ d1 ใหม่เพิ่มเข้ามาแตกต่างจากแถว benchmark ใหม่: มันนำโมเดลที่จนถึงตอนนี้อยู่ในสภาพแวดล้อม Python ที่มีคลาสโมเดลแบบ vendored หรืออยู่หลัง endpoint ที่โฮสต์ไว้ มาเปลี่ยนให้การอนุมานในเครื่องกลายเป็นเพียงคำสั่งเดียว

สัญญานี้ควรค่าแก่การย้ำอีกครั้ง เพราะมันไม่ใช่สิ่งที่ผู้อ่านส่วนใหญ่หมายถึงเมื่อพูดว่า "รันโมเดล" คุณป้อน state ให้ d1 — อาจเป็นสตริง ออบเจ็กต์ JSON อาร์เรย์ หรือสตริงพร้อมรูปภาพ — พร้อมชุดคำถามที่มีชื่อกำกับ และคุณจะได้คำตอบกลับมาโดยไม่มีโทเค็นที่ถูกสร้างขึ้นเลย noul คือคำถามแบบใช่/ไม่ใช่ที่ตอบด้วยค่าความน่าจะเป็นค่าเดียวระหว่าง 0 ถึง 1 choice ส่งคืนป้ายกำกับที่เลือก ค่าความเชื่อมั่น และแผนผังความน่าจะเป็นแบบเต็มครอบคลุมตัวเลือกของคุณ score จัดวาง state ลงบนเกณฑ์การให้คะแนนแบบเรียงลำดับสองถึงสิบระดับ และส่งคืนระดับที่ถ่วงน้ำหนักด้วยความน่าจะเป็นพร้อมความน่าจะเป็นของแต่ละระดับ หนึ่ง state คำถามสูงสุด 64 ข้อ ประมวลผลอินพุตเพียงรอบเดียว ตัวอย่างคำตอบของ Ollama เองสำหรับตั๋วสนับสนุนส่งคืน usage.output_tokens: 0 ซึ่งเป็นข้อความที่ชัดเจนที่สุดเท่าที่จะเป็นไปได้เกี่ยวกับการออกแบบนี้

สำหรับใครก็ตามที่ไปป์ไลน์ของตนเรียกใช้โมเดลตัดสินใจผ่าน HTTP อยู่แล้ว การใช้เส้นทางแบบโลคัลจะเปลี่ยนสามสิ่งพร้อมกัน ได้แก่ ความหน่วง เนื่องจากคำขอหยุดออกจากเครื่อง ค่าใช้จ่าย เนื่องจากไม่มีมิเตอร์คิดเงินต่อการเรียกใช้ และการจัดการข้อมูล เนื่องจากข้อความตั๋วและภาพถ่ายที่คุณกำลังจำแนกประเภทนั้นไม่เคยข้ามเครือข่ายเลย หากสถานะของคุณคือข้อความของลูกค้าหรือเอกสารภายใน ข้อสุดท้ายนี้มักเป็นข้อโต้แย้งเดียวที่จำเป็นต้องยกขึ้นมา

การรันมัน และข้อจำกัดที่เอกสารกำหนดไว้โดยรอบมัน

มีวิธีเข้าใช้งานที่รองรับสามวิธี และทั้งหมดมีเอกสารระบุไว้บนหน้าไลบรารี เส้นทาง CLI คือ ollama run d1 --ask "Is a refund being requested?" โดยมี state ถูกส่งผ่านไปป์เข้ามาจากไฟล์ และมีแฟล็ก --choice กับ --level สำหรับคำถามอีกสองประเภท เส้นทาง HTTP คือการส่ง POST ไปที่ http://localhost:11434/v1/systemone พร้อมด้วย model, state, อาร์เรย์ images ที่ไม่บังคับ และออบเจ็กต์ questions เส้นทาง SDK จะชี้ไคลเอนต์ Python ของ TypeSafe ไปที่ localhost ซึ่งคีย์ API จะถูกละเว้น และค่า placeholder ใด ๆ ก็ใช้ได้

ขีดจำกัดเหล่านี้มาจากเอกสาร endpoint ของ Ollama ไม่ใช่จาก Liquid AI และเข้มงวดกว่าของโมเดล generative ทั่วไป: คำขอต้องมีขนาดไม่เกิน 64 KiB เมื่อไม่มีรูปภาพ และ 32 MiB เมื่อมีรูปภาพ, ไม่รองรับการสตรีม, โมเดลที่โฮสต์บนคลาวด์จะถูกปฏิเสธทันที และรูปภาพต้องเป็น base64 PNG, JPEG หรือ WebP ที่ส่งมาใน body ของคำขอ — URL ระยะไกลจะถูกปฏิเสธ รูปภาพจะถูกแชร์ให้ทุกคำถามในคำขอเดียว ดังนั้นรูปภาพที่คุณต้องการให้เฉพาะคำตอบแรกนำมาพิจารณา จะต้องส่งเป็นคำขอแยกต่างหาก อินพุตจะไม่ถูกตัดทอนเลย ซึ่งหมายความว่า state ที่มีขนาดใหญ่เกินไปถือเป็นข้อผิดพลาด ไม่ใช่ prompt ที่ถูกตัดออกอย่างเงียบ ๆ

สองรายละเอียดในเอกสารที่ควรถูกตั้งข้อสังเกตว่ายังไม่ได้ข้อสรุป เอกสารอ้างอิง endpoint ของ Ollama อธิบายชนิด choice ว่ายอมรับคีย์ตัวเลือก 2 ถึง 255 รายการ ขณะที่หน้าความสามารถสำหรับโมเดลการตัดสินใจระบุว่า 2 ถึง 26 — หนึ่งในสองนั้นล้าสมัย และไม่ชัดเจนว่าอันไหน และหน้าความสามารถระบุชื่อโมเดลที่รองรับว่า Nimble, Tev1, Clef และ Clef Flash โดยไม่มีการกล่าวถึง d1 แม้ว่า readme ของแพ็กเกจ d1 เองจะระบุว่ามันทำงานผ่าน /v1/systemone และ --ask แพ็กเกจนี้ต้องการ Ollama 0.40.4 ส่วนขั้นต่ำที่ระบุในเอกสารสำหรับ endpoint เองคือ 0.35.0 ไม่มีส่วนใดที่เป็นข้อขัดแย้งที่จะหยุดคุณจากการดึงโมเดล แต่ให้อ่านข้อกำหนดเวอร์ชันบนแพ็กเกจแทนที่จะอ่านในคู่มือความสามารถ

ตัวเลข และใครเป็นผู้สร้างมันขึ้นมาทุกตัว

ทีนี้มาถึงส่วนที่ควรระมัดระวังมากที่สุด ตัวเลขประสิทธิภาพทุกตัวที่แนบมากับโมเดลนี้เป็นของ Liquid AI และเท่าที่เราค้นหาได้ ไม่มีการประเมินโดยอิสระสำหรับ Liquid AI d1-3B อยู่เลย ผลลัพธ์ที่ผู้จำหน่ายรายงาน ซึ่งถูกกล่าวซ้ำบนหน้า Ollama และบนการ์ดโมเดล มีดังนี้:

• Decision Index 0.2.1 — 48.57 สำหรับ d1-3B เทียบกับ 47.11 สำหรับ Decider 35B-A3B ซึ่ง Liquid อธิบายว่าเป็นคะแนนที่ดีที่สุดสำหรับโมเดลตัดสินใจที่มีพารามิเตอร์ต่ำกว่า 10B • Vision — ค่าเฉลี่ย 74.1 จาก benchmark รูปภาพสาธารณะ 11 รายการ เทียบกับ 73.9 สำหรับ LFM2.5-VL-3B base ที่ใช้สร้างมันขึ้นมา • Latency — 8 ms ต่อการตัดสินใจบน RTX 4090, 9 ms บน AMD MI325X และ 30 ms บน Apple M5 Pro • Throughput — 475 การตัดสินใจต่อวินาทีบน 4090 และ 1,106 บน MI325X เมื่อคำถามถูกจัดเป็นชุดแบตช์ • Ablation — ชุดคำถามเดียวกันที่ตอบโดยไม่มีรูปภาพได้คะแนน 45.1 ซึ่งเป็นตัววัดของ Liquid เองว่าเส้นทาง vision มีส่วนช่วยมากแค่ไหน

แถว vision คือแถวที่ควรใช้ปรับความคาดหวังให้พอดี การปรับดีขึ้น 0.2 จุดเหนือโมเดลฐานบนชุด benchmark ด้านภาพนั้นอยู่ในระดับ noise ของการรายงาน benchmark ส่วนใหญ่ ไม่ว่า decision head จะให้อะไรคุณได้ มันก็ไม่ใช่ image encoder ที่ดีขึ้นอย่างมีนัยสำคัญ แถว ablation น่าสนใจกว่าในทิศทางตรงกันข้าม — การแกว่งราว 29 จุดเมื่อเพิ่มภาพเข้าไป — แต่มันเปรียบเทียบชุดคำถามสองชุดที่ต่างกัน ไม่ใช่สองเวอร์ชันของชุดเดียวกัน และ Decision Index เป็นเครื่องมือของThird party ที่ Liquid ให้คะแนนรายการของตัวเองแทนที่จะส่งไปจัดอันดับสาธารณะ ดังนั้นควรถือว่า 48.57 เป็นคำกล่าวอ้างของผู้ขายที่วัดบนไม้บรรทัดของคนอื่น ตัวเลขความเร็วนั้นก็ไม่ได้ผ่านการตรวจสอบเช่นกัน: 8 ms บน 4090 เป็นตัวเลขที่เป็นไปได้สำหรับโมเดล 3B ที่ทำ forward pass หนึ่งครั้ง และก็ยังคงเป็นความจริงที่ว่าไม่มีใครเคยเผยแพร่การรันที่ตัวเองไม่ได้เป็นเจ้าของ

OrcaRouter เหมาะกับตรงไหน และไม่เหมาะกับตรงไหน

OrcaRouter ไม่ให้บริการ Liquid AI d1-3B เราตรวจสอบแค็ตตาล็อกของเราก่อนเขียนเรื่องนี้ — มี 207 โมเดล ไม่มีโมเดลใดของ Liquid AI ไม่มีโมเดลใดเป็นโมเดลสำหรับการตัดสินใจ — ดังนั้นหากคุณต้องการเรียกใช้ d1 ผ่าน API แทนที่จะรันบนฮาร์ดแวร์ของคุณเอง เส้นทางแบบโฮสต์ที่มีให้ใช้ในตอนนี้คือปลายทาง decision ของผู้ให้บริการเองที่ api.liquid.ai/decisions/v1/systemone โดยแพ็กเกจ d1 แบบเสียค่าใช้จ่ายรองรับรูปภาพ ส่วนแพ็กเกจ d1:free แบบฟรีรองรับข้อความเท่านั้น บวกกับแพลตฟอร์มของบุคคลที่สามใดก็ตามที่นำไปให้บริการ ไม่มีข้อความใดในบทความนี้ที่ควรตีความว่าเป็นการอ้างว่าเราเป็นผู้โฮสต์โมเดลดังกล่าว

สิ่งที่เราทำอยู่ใกล้เคียงกับปัญหาที่โมเดลนี้แก้ เหตุผลที่โมเดลสำหรับตัดสินใจมีอยู่ก็คือไปป์ไลน์ต้องการวิธีเลือกตัวเลือกที่ประหยัดและให้ผลแน่นอน และตัวอย่างที่มีบันทึกไว้ของ d1 เองคือทิกเก็ตที่ถูกจัดเส้นทางไปยังทีมปลายทาง — ซึ่งเป็นปัญหาการจัดเส้นทางที่ต่ำกว่าระดับของเราหนึ่งชั้น เมื่อการตัดสินใจนั้นเป็นตัวควบคุมการเรียกไปยังโมเดลแบบเจเนอเรทีฟที่คุณเช่าใช้แทนที่จะรันเอง OrcaRouter คือ คีย์เดียวที่เข้ากันได้กับ OpenAI สำหรับโมเดลที่โฮสต์ไว้กว่า 200 โมเดล ในราคาตามประกาศของผู้ให้บริการ ส่งผ่านโดยไม่บวกกำไร 0% ดังนั้นการลดราคาของผู้จำหน่ายจึงมาถึงคุณในวันที่ประกาศ แทนที่จะเป็นตอนต่อสัญญาครั้งถัดไป และเนื่องจากครึ่งที่ทำงานในเครื่องของไปป์ไลน์นี้คือครึ่งที่คุณเป็นเจ้าของ ความเสี่ยงจึงอยู่ที่ครึ่งที่โฮสต์ไว้: การสลับสำรองอัตโนมัติระหว่างผู้ให้บริการช่วยให้คำขอที่ผ่านการคัดแยกแล้วยังคงอยู่เมื่อโมเดลที่คุณส่งคำขอไปล่ม ทั้งสองข้อไม่ใช่เหตุผลที่จะใช้โมเดลตัดสินใจขนาด 3B สิ่งเหล่านี้เป็นเหตุผลว่าสิ่งที่อยู่อีกด้านของการตัดสินใจไม่ควรเป็นจุดล้มเหลวจุดเดียว

อะไรจะทำให้สิ่งนี้เปลี่ยนจากข้อความบนบรรจุภัณฑ์ให้กลายเป็นเรื่องราว

ห้าสิ่ง ซึ่งสิ่งใดสิ่งหนึ่งในนั้นก็เพียงพอที่จะเปลี่ยนการตีความได้ Liquid AI ยอมรับพอร์ตนี้ หรือดัชนีเอกสารของบริษัทเพิ่ม Ollama เข้าไปในแถวการปรับใช้ที่ปัจจุบันเต็มไปด้วย llama.cpp และ MLX การควอนไทซ์ชุดที่สอง: คลัง GGUF ของ Liquid เองมี Q4_K_M, F16 และ BF16 วางเคียงกับ Q8_0 ดังนั้นบิลด์โลคัลที่เล็กกว่าจึงมีอยู่ทางเทคนิค เพียงแต่ไม่ได้เข้าถึงผ่านแพ็กเกจนี้ และเส้นทางโลคัลสำหรับ Liquid AI d1-omni-600M ซึ่งเป็นรุ่นพี่น้องขนาด 587 ล้านพารามิเตอร์ที่อ่านเสียงได้นานถึงสามสิบวินาที และที่ผู้จำหน่ายระบุว่าเป็นรุ่นวิจัยช่วงต้น — รุ่นนั้นจะสำคัญกว่า 3B สำหรับงานบนอุปกรณ์ และยังไม่ปรากฏร่องรอยในไลบรารีใดเลย แถว Decision Index ที่เป็นอิสระ หรือรายการบนลีดเดอร์บอร์ดสาธารณะ ซึ่งเป็นชิ้นส่วนที่ขาดไปเพียงหนึ่งเดียวของตระกูลโมเดลนี้ทั้งหมด และการที่ Ollama เพิ่ม d1 เข้าในหน้าแสดงความสามารถด้านการตัดสินใจของตน ซึ่งเป็นการแก้ไขเพียงบรรทัดเดียวที่จะบอกคุณได้ว่าพอร์ตนี้ได้รับการรับรองอย่างเป็นทางการ ไม่ใช่เรื่องบังเอิญ

จนถึงตอนนั้น การตัดสินใจก็ง่ายพอที่จะทำตามเงื่อนไขของคุณเอง หากคุณรัน Ollama เวอร์ชันใหม่อยู่แล้ว การ pull ก็เป็นเพียงคำสั่งเดียว ขนาดดาวน์โหลด 3.7 GB และสิ่งที่มันเข้าไปแทนที่นั้นก็คือการเรียกใช้แบบโฮสต์ที่คุณไม่อยากส่งข้อความของลูกค้าไปให้ หรือไม่ก็เป็นสภาพแวดล้อม Python ที่ดูแลรักษาให้คุ้มค่ากับตัวโมเดลได้ยากกว่า หากคุณต้องการหลักฐานอิสระเรื่องความแม่นยำก่อนที่สิ่งนี้จะถูกนำไปวางตรงหน้าผู้ใช้จริง หลักฐานนั้นยังไม่มีสำหรับโมเดล d1 ใด ๆ และการแพ็กแบบโลคอลไม่ว่าจะมากเพียงใดก็ไม่ได้สร้างหลักฐานนั้นขึ้นมา

การรันขั้นตอนการตัดสินใจบนฮาร์ดแวร์ของคุณเองก็เป็นจังหวะดีเช่นกันที่จะดูว่ามีอะไรผิดพลาดไปแล้วในกลุ่มนี้: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่เกี่ยวข้องกับโมเดลการตัดสินใจซึ่งมีการบันทึกไว้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งเป็นของตัวเอง