Liquid AI d1-omni-600M พร้อมให้ดึงผ่าน Ollama แล้ว: โมเดลตัดสินใจขนาด 600M ที่ฟังคุณได้

Liquid AI d1-omni-600Mกลายเป็นแพ็กเกจบน Ollama เมื่อเวลา 22:32 UTC ของวันที่ 17 ตุลาคม 2026 ไทม์สแตมป์นี้ไม่ใช่การคาดเดา: รีจิสทรีของ Ollama ส่งเฮดเดอร์ ollama-push-time มาพร้อมทุกแมนิเฟสต์ และแท็กทั้งสี่ที่อยู่เบื้องหลังชื่อ d1-omni ได้รับการตอบรับระหว่าง 22:31:25 ถึง 22:32:13 ในเย็นวันนั้น ซึ่งราวสี่ชั่วโมงก่อนหน้านี้จะถูกเขียนขึ้น ตัวโมเดลเองไม่ใช่ของใหม่ — Liquid AIได้เปิดน้ำหนักLiquid AI d1-omni-600Mพร้อมกับLiquid AI d1-3Bเมื่อวันที่ 5 ตุลาคม 2026 และประกาศทั้งสองรุ่นในโพสต์ "Open d1" เมื่อวันที่ 7 ตุลาคม — แต่จนถึงเมื่อคืนที่ผ่านมา วิธีเดียวที่จะรันรุ่นที่รองรับเสียงบนฮาร์ดแวร์ของคุณเองคือสภาพแวดล้อม transformers ที่ตั้ง trust_remote_code=True หรือบิลด์ llama.cpp ที่คุณคอมไพล์เอง ตอนนี้มันคือ ollama pull d1-omni ไม่มีใครประกาศเรื่องนี้ ทั้งบล็อกของ Liquid AI และ Ollama

แพ็กเกจจิงคือเรื่องราว และควรระบุให้แม่นยำว่าส่วนใดบ้างของมันที่ได้รับการบันทึกไว้เป็นเอกสาร โพสต์บล็อกล่าสุดของ Liquid AI คือ d1-ultra เมื่อวันที่ 15 ตุลาคม และ LFM2.5-24B-A2B เมื่อวันที่ 13 ตุลาคม และทั้งสองไม่ได้กล่าวถึง Ollama; หน้าคู่มือการปรับใช้ Ollama ของทางแล็บเองยังคงสอนให้คุณรันรีโพซิทอรี GGUF ของตนโดยตรงจาก Hugging Face ด้วย ollama run hf.co/LiquidAI/... และไม่เคยเอ่ยชื่อโมเดล d1 เลย บล็อกของ Ollama ก็เงียบไม่ต่างกัน — รายการล่าสุดคือ Reflection's Beam เมื่อวันที่ 16 ตุลาคม และการผสานรวมกับ Fly.io เมื่อวันที่ 13 ตุลาคม สิ่งที่ปรากฏอยู่แทนก็คือรายการในรีจิสทรี แท็กสี่รายการ ไดเจสต์ที่ตรวจสอบได้ และหน้าไลบรารีที่ยังคงถูกเขียนอยู่ขณะที่บทความนี้กำลังถูกเขียน: การแคปเจอร์ช่วงแรกของหน้านั้นส่งคืนข้อความ “No readme,” และการแคปเจอร์สี่สิบนาทีให้หลังส่งคืนคำอธิบายฉบับเต็มที่ Liquid AI เป็นผู้เขียน พร้อมตารางเบนช์มาร์กและส่วนสัญญาอนุญาต หากคุณต้องการเหตุการณ์ที่ระบุวันที่และตรวจสอบได้สำหรับเจ็ดวันที่ผ่านมา ส่วนหัวนั้นเองคือเหตุการณ์ดังกล่าว

สิ่งที่รีจิสทรีนั้นยอมรับจริง ๆ

แท็กสี่รายการชี้ไปยังอิมเมจสองรายการ ซึ่งเป็นสิ่งแรกที่ต้องเข้าใจก่อนจะดึง d1-omni:latest, d1-omni:600m และ d1-omni:600m-q8_0 เป็นแมนิเฟสต์เดียวกัน — ไดเจสต์ 1ba59f63e836 — ส่วน d1-omni:600m-bf16 เป็นอีกรายการหนึ่ง ไดเจสต์ c1e95fce6627 ไม่มีแท็ก F16 แม้ว่า repository GGUF ของผู้จำหน่ายเองจะเผยแพร่ trunk แบบ F16 ก็ตาม

• เลเยอร์น้ำหนัก (บิลด์ Q8_0) — โครงหลักขนาด 407 MB จาก d1-omni-600M-Q8_0.gguf พร้อมโปรเจกเตอร์ขนาด 442 MB จาก mmproj-d1-omni-600M-BF16.gguf โดยมีบล็อกข้อมูลใบอนุญาตขนาด 10.5 KB และบล็อกข้อมูลพารามิเตอร์ขนาด 18 ไบต์ รวมทั้งสิ้น 849,659,968 ไบต์

• ขนาดที่รายงาน — 850 MB สำหรับแท็กเริ่มต้น และ 1.2 GB สำหรับ 600m-bf16 ทั้งสองค่าตามที่แสดงบนหน้าไลบรารี

• Runtime floor — ต้องใช้: 0.40.4 ใน config blob ซึ่งยังรายงาน model_family: lfm2, model_type: 380.73M และ file type Q8_0

• บริบท — ชุดพารามิเตอร์กำหนด num_ctx ไว้ที่ 16,384

• สัญญาอนุญาต — ข้อความที่ฝังอยู่นั้นคือ LFM Open License v1.0 โดยระบุชื่อ Liquid AI, Inc. ในฐานะผู้ให้อนุญาต ซึ่งตรงกับตัวระบุ lfm1.0 บนการ์ดโมเดล

โปรเจกเตอร์นั้นควรค่าแก่การพิจารณาอีกครั้ง เพราะมันใหญ่กว่ารุ่นที่มันถูกแนบอยู่ การอ่านเมทาดาทา GGUF โดยตรงจากบล็อบในรีจิสทรีแสดงให้เห็นว่า clip.has_vision_encoder = True และ clip.has_audio_encoder = True อยู่ในไฟล์เดียวกัน: เทนเซอร์วิชัน 197 ตัวกระจายอยู่ 12 บล็อกที่ embedding กว้าง 768 และอินพุตขนาด 256 พิกเซล และเทนเซอร์เสียง 641 ตัวกระจายอยู่ 17 บล็อกที่ embedding กว้าง 512 พร้อม 128 mel bins นั่นคือทั้งทาวเวอร์ SigLIP2 และเอนโคเดอร์ FastConformer ที่เดินทางมาด้วยกันในชุดมัลติโหมด ซึ่งเป็นเหตุผลว่าทำไมลำตัว 381M พารามิเตอร์จึงถูกจัดส่งมาพร้อมไฟล์แนบ 442 MB ความสามารถด้านเสียงมีอยู่จริงในแพ็กเกจที่คุณดาวน์โหลด คำถามที่ว่าปลายทางจะเข้าถึงมันได้หรือไม่นั้นค่อยว่ากันทีหลัง

โมเดลนี้มีขนาด 587M พารามิเตอร์ และป้าย 125K นั้นใหญ่เกินกว่าความจริง

หน้าเพจของ Ollama โฆษณา "หน้าต่างบริบท 125K" ไว้ในทุกแท็ก แพ็กเกจเองมี num_ctx เป็น 16,384 และการ์ดโมเดลของ Liquid AI ระบุสิ่งเดียวกันเป็นถ้อยคำว่า 16,384 โทเค็นครอบคลุมตำแหน่งข้อความ รูปภาพ และเสียงรวมกัน โดยข้อความสถานะและข้อความคำถามจะถูกตัดเหลือ 896 โทเค็นทุกครั้งที่มีรูปภาพอยู่ ตัวเลข 125K นั้นตรวจสอบย้อนกลับได้ — ไฟล์ trunk GGUF มีค่า lfm2.context_length = 128000 — แต่มันเป็นเพดานของสถาปัตยกรรม ไม่ใช่หน้าต่างที่คุณได้รับ และเป็นตัวเลขที่มีแนวโน้มทำให้เข้าใจผิดมากที่สุดสำหรับผู้ที่กำลังกำหนดขนาดโมเดลทดแทนสำหรับตัวจำแนกประเภทบริบทแบบยาว ให้ถือ 16,384 เป็นตัวเลขที่ใช้งานจริง และ 896 โทเค็นของข้อความเป็นตัวเลขที่ใช้งานจริงเมื่อมีรูปภาพอยู่ในสถานะ

ข้อมูลเมตาที่เหลือสอดคล้องกับการ์ดโมเดลมากกว่าข้อความทางการตลาด โครงหลักมี 18 บล็อก, embedding ขนาดกว้าง 1,024 และขนาดคำศัพท์ 65,536 คำ และมันไม่ใช่ตัวถอดรหัส: lfm2.attention.causal เป็น False จำนวน KV head ต่อเลเยอร์ของมันระบุเป็น 0, 0, 8, 0, 0, 8, … ซึ่งหมายความว่าบล็อกส่วนใหญ่เหล่านั้นไม่ใช่บล็อก attention เลย ซึ่งเป็นการเผยให้เห็นบรรพบุรุษที่เป็น encoder แบบสองทิศทาง หัวตัดสินใจคือสองบล็อก (lfm2.decision.block_count = 2) และค่าคงที่การคาลิเบรตที่ผู้ขายเก็บไว้ใน config.json ก็อยู่ใน GGUF นี้เช่นกัน — คำถามแบบเลือกมี temperature เท่ากับ 1.7465 เมื่อมีสองตัวเลือก, 1.3999 เมื่อมีสามถึงห้า, 1.1751 เมื่อมีหกถึงสิบ และ 1.3725 เมื่อมากกว่าสิบเอ็ด; yes/no คือ 1.6663; คำถามแบบให้คะแนนคือ 1.7301 ที่สามถึงห้าระดับ และ 1.0 ที่หกถึงสิบ นั่นคือดีไซน์ทั้งหมดในที่เดียว: ชุดคำตอบที่มีชื่อแบบตายตัว ให้คะแนนในรอบเดียว คาลิเบรตตามรูปร่างของคำถาม โดยมี output_tokens: 0 อยู่ท้ายสุด

มันไม่ใช่โมเดลแชตและไม่ได้เขียนข้อความ Liquid AI ระบุรายการภาษาสิบห้าภาษา ใส่ข้อมูลฝึกเสียงเป็นภาษาอังกฤษเท่านั้น — คำขอระหว่างผู้พูดกับผู้ช่วย — และจำกัดคลิปไว้ที่ 30 วินาที การ์ดยังเตือนไม่ให้ใช้ bfloat16 บน GPU: ในการตรวจสอบของผู้จำหน่ายเอง ค่านี้เปลี่ยนคำตอบอันดับต้นใน 0.8% ของแถวข้อความ และ 1.7% ของแถวเสียง ขณะที่ float16 ตรงกับ float32 ในทุกกรณี

เสียงอยู่ใน weights และไม่มีอยู่ใน API ที่มีเอกสารกำกับ

นี่คือความไม่สอดคล้องที่ควรรู้ก่อนแจ้งบั๊ก readme ของหน้าคลัง ซึ่ง Liquid AI เขียนขึ้น อธิบาย audio โดยการใส่ WAV แบบ base64 ไว้ในอาร์เรย์ images ของคำขอ /v1/systemone ส่วน readme GGUF บน Hugging Face ของผู้จำหน่ายสำหรับ checkpoint เดียวกันกลับอธิบายต่างออกไป โดยมีอาร์เรย์ files ที่บรรจุ data:audio/wav;base64,… ส่งเข้าเซิร์ฟเวอร์ llama.cpp และเอกสารอ้างอิง endpoint ที่ Ollama เผยแพร่ก็ไม่ระบุทั้งสองวิธีนั้น สคีมาคำขอของมันมี state, images, questions และ keep_alive อธิบาย images ว่า "ต้องใช้โมเดลที่มีความสามารถด้าน vision เช่น Clef" และไม่มีฟิลด์ audio และไม่มีฟิลด์ files เลย ขณะที่คู่มือ decision-model ของ Ollama เองระบุชื่อ Nimble, Tev1, Clef และ Clef Flash เป็น decision model และกล่าวเพียงว่าโมเดล Clef สามารถประเมินภาพได้ด้วย

ดังนั้น จุดยืนที่ตรงไปตรงมาเกี่ยวกับเสียงใน Ollama ณ วันนี้คือ: ตัวเข้ารหัสได้รับการยืนยันว่ามีอยู่ใน blob, README ของผู้จำหน่ายระบุว่าใช้งานได้ผ่านรูปภาพ และสคีมาที่เผยแพร่ไม่ได้รองรับสิ่งนี้ การป้อนข้อมูลเป็นรูปภาพบนโมเดลเดียวกันมีหลักฐานหนักแน่นกว่า — วิสัยทัศน์เป็นความสามารถของ System One ที่มีเอกสารกำกับ และ d1-omni ปรากฏอยู่ในรายการหมวดหมู่วิสัยทัศน์ของ Ollama มีช่องว่างเอกสารเล็ก ๆ สองจุดอยู่เคียงข้างกันกับเรื่องนั้น: เอกสารอ้างอิง endpoint อนุญาตคีย์ตัวเลือกได้สูงสุด 255 คีย์ในคำถามแบบเลือก ขณะที่คู่มือการตัดสินใจระบุว่า 2 ถึง 26 และพื้นรันไทม์ขั้นต่ำของแพ็กเกจที่ 0.40.4 นั้นสูงกว่า 0.35.0 ที่เอกสาร endpoint อ้างถึง

จัดอยู่ในหมวดวิสัยทัศน์ ไม่ใช่หมวดการตัดสินใจ

การค้นหาโมเดลของ Ollama แยกโมเดลการตัดสินใจออกเป็นหมวดหมู่ของตัวเอง หมวดนี้มีเก้ารายการ ได้แก่ nimble-v3, pplx-decider, kev, tev1, nimble, clef-flash, clef, laya และ strands-decider และทั้ง d1 และ d1-omni ต่างก็ไม่อยู่ในนั้น หน้าของ d1-omni ติดแท็ก vision และ 600m และปรากฏอยู่ในรายการ vision ดังนั้นผู้อ่านที่กำลังค้นหาคำว่า "decision model" จะไม่พบรุ่นใหม่ล่าสุด นั่นเป็นปัญหาด้านการค้นพบมากกว่าปัญหาด้านความสามารถ แต่ก็สำคัญหากคุณวางแผนจะเปรียบเทียบตระกูล decision ในแคตตาล็อกของ Ollama เอง แล้วสรุปว่ารุ่นนี้ไม่มีอยู่

สิ่งที่มันยังหมายความด้วยก็คือ d1-omni เป็นโมเดลตัดสินใจตัวแรกในไลบรารีของ Ollama ที่รับเสียงพูดได้เลย — ตัวเข้ารหัสเสียงอยู่ในแพ็กเกจ และไม่มีสิ่งอื่นใดในรายการเก้าโมเดลนั้นที่มีตัวเข้ารหัสเสียงติดมาด้วย คำถามที่ยังเปิดอยู่จากหัวข้อด้านบนคือ endpoint จะส่ง WAV ของคุณให้มันหรือไม่ และนั่นคือสิ่งเดียวที่มีแนวโน้มที่สุดว่าจะเปลี่ยนไปแล้วเมื่อคุณอ่านข้อความนี้

ตัวเลข และใครเป็นผู้สร้างมันขึ้นมาทุกตัว

ตัวเลขความแม่นยำทุกตัวที่แนบมากับLiquid AI d1-omni-600Mเป็นของ Liquid AI และเท่าที่เราหาได้ ไม่มีการประเมินใด ๆ โดยอิสระต่อโมเดล d1 รุ่นใดก็ตามที่มีอยู่ — ไม่มีแถวในลีดเดอร์บอร์ด ไม่มีการรันโดยบุคคลที่สาม ไม่มีคำคัดค้านใด ๆ ที่เผยแพร่ออกมาต่อการให้คะแนนของผู้ขาย ผู้ขายให้คะแนน d1 ทั้งสองเช็กพอยต์ด้วยตัวเองโดยใช้ตัวให้คะแนน Decision Index อย่างเป็นทางการ แทนที่จะส่งไปยังลีดเดอร์บอร์ดสาธารณะ และระบุไว้บนการ์ดว่าเป็นเช่นนั้น ทุกแถวของคู่แข่งในตารางของบริษัทมาจากลีดเดอร์บอร์ด v0.2.1 ซึ่งหมายความว่าการเปรียบเทียบนี้เป็นตัวเลขที่ให้คะแนนเองวางอยู่ข้าง ๆ ตัวเลขที่ให้คะแนนจากภายนอก

• ดัชนีการตัดสินใจ 0.2.1 — 15.95 สำหรับ d1-omni-600M (ความรู้ 8.3, ภาษา 12.9, การค้นคืน 35.0, เครื่องมือ 15.1, ศิลปะ 6.8) เทียบกับ 48.57 สำหรับ d1-3B

• เกณฑ์มาตรฐานในฐานะการตัดสินใจ ค่าเฉลี่ยจากเจ็ดรายการ — 78.4 สำหรับ d1-omni-600M เทียบกับ 82.9 สำหรับ d1-3B โดยโมเดล 600M นำใน Civil Comments (95.8 เทียบกับ 93.0) และ PAWS-X (79.5 เทียบกับ 76.9) และตามหลังใน BoolQ (77.7 เทียบกับ 86.7) และ SQuAD 2.0 (74.0 เทียบกับ 85.3)

• Fast Decisions, การแยกฝั่งพัฒนา — 76.9, ตามที่ผู้ขายรายงาน, ไม่มีการเผยแพร่แถวเปรียบเทียบ

• ความเร็ว — ไม่มีอะไร การ์ดระบุไว้อย่างชัดเจนว่าไม่ได้รายงานตัวเลขการอินเฟอเรนซ์ เพราะนี่คือรีลีสงานวิจัยระยะเริ่มต้นที่ยังอยู่ระหว่างการพัฒนาอย่างต่อเนื่อง ดังนั้นข้ออ้างเรื่องความหน่วงใด ๆ ที่คุณเห็นเกี่ยวกับสิ่งนี้จากที่อื่นจึงเป็นการวัดของผู้กล่าวเอง

• ตัวเลข fixture บนหน้า Ollama — ตัวอย่างที่แสดงวิธีทำใน readme แสดงว่า urgent ถูกตอบที่ 0.998 และ technical ที่ 0.995 ตัวเลขเหล่านี้เป็นผลลัพธ์เชิงตัวอย่างของคำขอเดียว ซึ่งเผยแพร่โดยรันไทม์ และไม่ใช่ benchmark

ช่องว่างระหว่าง 15.95 กับ 48.57 คือสิ่งที่มีประโยชน์ที่สุดบนการ์ด เพราะมันตอบคำถามเรื่องการซื้อได้ด้วยคำพูดของผู้ขายเอง: readme บอกให้คุณใช้ d1 เมื่อความแม่นยำเหนือข้อความและรูปภาพคือสิ่งที่สำคัญ และให้เลือก d1-omni เมื่อขนาดสำคัญหรือคุณต้องการเสียง โมเดล 587M ที่ได้คะแนน 78.4 จากเจ็ด benchmark สาธารณะ เมื่อตีความใหม่ในฐานะตัวตัดสินใจ ถือเป็นตัวจำแนกบน edge ที่สมเหตุสมผล มันไม่ใช่เวอร์ชันย่อของ 3B

OrcaRouter เหมาะกับตรงไหน และไม่เหมาะกับตรงไหน

เราไม่ได้ให้บริการโมเดลนี้ การตรวจสอบแคตตาล็อกของเราเมื่อวันที่ 18 ตุลาคม พบรหัสโมเดล 208 รหัส และไม่มีรหัสใดเลยที่มาจาก Liquid AI ดังนั้นข้อความนี้จึงไม่ใช่การอ้างว่ามีให้บริการ และฝั่งเราไม่มีช่องทางใดที่จะดึงโมเดลนี้มาได้ หากคุณต้องการLiquid AI d1-omni-600M เส้นทางแบบโลคอลคือเส้นทางที่อธิบายไว้ข้างต้น และเส้นทางแบบโฮสต์คือ API ของผู้จำหน่ายเองและแพลตฟอร์มบุคคลที่สามใดก็ตามที่รับโมเดลนี้ไปใช้

สิ่งที่แพ็กเกจเปลี่ยนคือรูปร่างของระบบที่อยู่รอบ ๆ และนั่นคือจุดที่เรามีประโยชน์ โมเดลตัดสินใจแทบไม่เคยเป็นไปป์ไลน์ทั้งหมด: ตั๋วที่มันติดป้าย เฟรมที่มันตั้งธง และทรานสคริปต์ที่มันจัดเส้นทาง ยังต้องได้รับการตอบกลับ สรุป หรือส่งต่อโดยบางสิ่งที่เขียนข้อความได้ การเรียกแบบเจเนอเรทีฟเหล่านั้นอยู่เบื้องหลัง คีย์เดียวที่เข้ากันได้กับ OpenAI สำหรับ 200+ โมเดลที่โฮสต์ไว้ ในราคาตามรายการของผู้ให้บริการ ส่งผ่านด้วยมาร์กอัป 0%, ดังนั้นการเปลี่ยนแปลงราคาจากผู้ขายจึงมาถึงคุณภายในวันเดียวกัน แทนที่จะมาในสัญญาฉบับใหม่ และเนื่องจาก d1-omni-600M เปิดตัวโดยไม่มีหลักฐานความแม่นยำอิสระและไม่มีข้อมูลเวลาแฝงที่เผยแพร่ วิธีที่เหมาะสมในการนำมันไปรับทราฟฟิกจริงคืออยู่เบื้องหลัง การสลับระบบสำรองอัตโนมัติระหว่างผู้ให้บริการ — ปล่อยให้มันจัดการการเรียกที่มันมั่นใจ และเปิดเส้นทางออกไว้เมื่อมันไม่มั่นใจ แทนที่จะทำให้พารามิเตอร์ 587M กลายเป็นจุดล้มเหลวจุดเดียวสำหรับขั้นตอนการคัดแยกของคุณ การตัดสินใจยังคงอยู่ภายใน ส่วนเส้นทางสำรองไม่จำเป็นต้องเป็นเช่นนั้น

อะไรจะทำให้การอ่านนี้เปลี่ยนไป

สี่สิ่ง ซึ่งอย่างใดอย่างหนึ่งก็เพียงพอที่จะเปลี่ยนบันทึกประกอบแพ็กเกจให้กลายเป็นบทความคนละเรื่อง Ollama ที่จัดทำเอกสารเรื่องเสียงในสคีมาคำขอของ System One ซึ่งจะเปลี่ยนกลเม็ด WAV-in-images ใน readme ให้เป็นอินพุตที่รองรับ และทำให้สิ่งนี้เป็นโมเดลการตัดสินใจที่รองรับเสียงพูดตัวแรกที่คุณรันได้ด้วยคำสั่งเดียว บริษัทใดบริษัทหนึ่งยอมรับการพอร์ตนี้ — Liquid AI เพิ่ม d1-omni ลงในหน้า Ollama ของเอกสารการดีพลอย หรือ Ollama ระบุไว้ใต้หมวดโมเดลการตัดสินใจแทนที่จะเป็น vision ตัวเลขความเร็วจากใครก็ได้ ไม่ว่าจะเป็นผู้ขายหรือไม่ เพราะตอนนี้ยังไม่มีเลย และแถว Decision Index แบบอิสระสำหรับโมเดล d1 ใดก็ตาม ซึ่งยังคงเป็นชิ้นส่วนเดียวที่ขาดหายไปทั่วทั้งตระกูล

จนกว่าจะถึงตอนนั้น การตัดสินใจก็ตรงไปตรงมา หากคุณรัน Ollama เวอร์ชัน 0.40.4 หรือใหม่กว่าอยู่แล้ว การ pull ก็เป็นเพียงคำสั่งเดียว ดาวน์โหลด 850 MB และสิ่งที่คุณได้คือตัวจำแนกประเภทขนาด 587M ที่ตอบคำถามที่พิมพ์ได้ในการส่งผ่านไปข้างหน้าครั้งเดียว (single forward pass) บนข้อความและรูปภาพ — และหาก readme ถูกต้อง ก็รองรับเสียงพูดภาษาอังกฤษยาวกว่า 30 วินาที หาก state ของคุณยาว ให้คำนึงถึงหน้าต่าง 16,384 โทเค็นและงบข้อความ 896 โทเค็น แทนป้าย 125K และหากคุณต้องการหลักฐานว่ามันแม่นยำก่อนที่มันจะติดป้ายสิ่งใดที่ลูกค้าเห็น หลักฐานนั้นยังไม่มีอยู่ สำหรับโมเดลนี้หรือโมเดลพี่น้องใด ๆ ของมัน

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