d1-Omni-2B so với d1-omni: Một thẻ, hai checkpoint và khoảng cách gấp tám lần

Tải d1-omni hôm nay và bạn nhận được một mô hình ra quyết định 587M tham số trong 850MB. Tải d1-omni:2b và bạn nhận được 4,4GB của một thứ hoàn toàn khác — d1-Omni-2B, mô hình ra quyết định âm thanh mà Liquid AI phát hành cùng dòng LFM3 vào ngày 27 tháng 10 năm 2026, so với d1-omni, cái tên mà Ollama đã dùng từ đầu tháng 10 cho checkpoint d1-omni-600M của nhà cung cấp. Chúng không phải là câu trả lời của hai nhà cung cấp cho cùng một câu hỏi. Chúng là hai thế hệ của cùng một ý tưởng, cách nhau tám lần về số lượng tham số, và lựa chọn giữa chúng thực sự là lựa chọn về nơi mô hình phải chạy. Một cái vừa trên một chiếc điện thoại. Cái kia cần GPU và, đổi lại, làm được những việc mà cái nhỏ hơn hoàn toàn không làm được.

Việc đặt tên khiến chuyện này khó hơn mức cần thiết, nên đáng nói rõ ngay trước khi đi vào các con số: không có mô hình Liquid AI nào chỉ đơn giản gọi là d1-omni. Tài liệu của nhà cung cấp liệt kê d1-omni-2B và d1-omni-600M là trọng số mở, còn d1.1 và d1-ultra là chỉ dùng qua dịch vụ lưu trữ. "d1-omni" là một tên đóng gói — checkpoint 587M dưới một nhãn ngắn hơn. Đó là đối thủ trong so sánh này, và cũng là bản mà hầu hết mọi người đã có sẵn trên đĩa.

Thực tế mỗi thứ là gì

Cả hai đều là mô hình ra quyết định theo nghĩa của Liquid AI: bạn đưa cho chúng một trạng thái và một danh sách các câu hỏi có tên, và chúng trả về các câu trả lời có kiểu dữ liệu kèm xác suất trong một lượt lan truyền xuôi duy nhất. Cả hai đều không viết văn bản, không tạo giọng nói, và cả hai đều báo cáo không có token đầu ra. Sự giống nhau chỉ dừng ở giao diện.

• Tham số — 2.17B cho d1-Omni-2B so với 587M cho d1-omni, được chia trong mô hình nhỏ thành một thân chung và đầu quyết định 381M, một bộ mã hóa thị giác 94M và một bộ mã hóa âm thanh 112M.

• Kiến trúc — một backbone tri-hybrid LFM3 cho mô hình 2B: 24 lớp gồm 13 phép tích chập ngắn có cổng, 5 attention cửa sổ trượt và 6 attention toàn cục. Mô hình 587M là một bộ mã hóa hai chiều LFM2.5 được xây dựng trên LFM2.5-Encoder-350M, với một vision tower SigLIP2 kế thừa từ LFM2.5-VL-450M và một FastConformer 17 lớp cho âm thanh.

• Ngữ cảnh — 128K token với bộ từ vựng 128.000 token cho mô hình 2B. Mô hình 587M được ghi nhận ở 16.384 token, bao gồm vị trí văn bản, hình ảnh và âm thanh cùng nhau, và thẻ mô hình của nó cho biết thêm rằng khi có hình ảnh, văn bản trạng thái và câu hỏi bị cắt xuống 896 token, đúng như khi huấn luyện. Trang Ollama hiển thị 125K cho cả hai tag, một con số mà nhà cung cấp không công bố; hãy căn kích thước prompt của bạn theo con số của nhà cung cấp.

• Đầu vào — 2B nhận văn bản hoặc trạng thái JSON cùng với hình ảnh, khung hình video và clip âm thanh trong một danh sách media. 587M nhận văn bản kèm hình ảnh, hoặc văn bản với tối đa 30 giây âm thanh, và thẻ của nó không ghi chú việc kết hợp cả hai.

• Loại đầu ra — có/không, lựa chọn và điểm số ở cả hai. Mô hình 2B bổ sung hộp, chọn nhiều, giá trị được trích xuất kèm span và số với một khoảng. Những loại này là mới trong thế hệ LFM3 và không có tương đương trên 587M.

• Trên ổ đĩa — 4.33GB safetensors BF16 cho bản 2B, so với 850MB cho bản dựng Q8_0 của d1-omni và 1.2GB cho tag BF16 của nó.

• Giấy phép — LFM Open License v1.0 cho cả hai. Miễn phí cho mục đích thương mại khi doanh thu hằng năm dưới $10,000,000; phải cấp phép riêng khi vượt mức này.

Tham số thứ tám mang lại điều gì

So sánh hữu ích là bản do chính Liquid AI in ra, vì nó đã chấm lại cả bốn mô hình d1 trên cùng các mục với cùng một bộ chấm điểm. Điều đó khiến các hàng có thể so sánh được với nhau theo cách mà các thẻ cũ không làm được.

• Bộ đánh giá công khai Decision Index, v0.3 — 49,0 cho d1-Omni-2B so với 18,3 cho d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76.4 so với 58.7.

• decisionbench.ai v4 — 84,7 so với 57,9.

• JevBench v1.4.1 — 75,3 so với 58,0.

• ImajevBench v2.0-lite — 72,3 so với 21,7, khoảng cách lớn nhất trong bộ và là yếu tố quan trọng nhất đối với công việc thị giác.

• WorkflowEvals — 77,1 so với 48,8.

• Quyết định có kiểu — 63,1 so với 57,5, khoảng cách hẹp nhất và là lời nhắc rằng không phải nhiệm vụ nào cũng tăng theo số tham số.

• Trung bình về thị giác, 18 bài kiểm chuẩn hình ảnh — 67,7 so với 42,8.

Hai lưu ý đi kèm danh sách đó. Thứ nhất là độ lệch phiên bản: thẻ ngày 7 tháng 10 báo cáo d1-omni-600M đạt 15.95 trên Decision Index v0.2.1, còn thẻ mới báo cáo 18.3 trên v0.3. Đây là những bộ đánh giá khác nhau, và trừ chúng đi là đo chỉ số, không phải đo mô hình. Thứ hai là nguồn gốc: mọi con số đều do nhà cung cấp tự báo cáo, được chấm điểm bởi Liquid AI, trên các benchmark do Liquid AI lựa chọn. Không ai bên ngoài công ty đã công bố một lượt chạy của bất kỳ checkpoint nào.

Tuy nhiên, hình thái của kết quả vẫn nhất quán. Trong các tác vụ kiểu phân loại, mô hình 587M trụ vững một cách đáng ngạc nhiên — Typed Decisions chỉ kém trong vòng sáu điểm. Với bất kỳ thứ gì đòi hỏi đọc hiểu một cảnh, đếm vật thể hay diễn giải bố cục, nó sụp đổ: 21.7 trên ImajevBench so với 72.3, và 14.9 trên VisualWebBench trong bộ thử nghiệm trước đó so với 88.6. Nếu công việc của bạn là định tuyến một phiếu yêu cầu văn bản, số tham số tăng thêm chỉ là thứ xa xỉ. Nếu công việc của bạn liên quan đến việc nhìn vào một thứ gì đó, chúng chính là toàn bộ sản phẩm.

Nơi 587M vẫn chiếm ưu thế, và con số sẽ chứng minh điều đó

Phạm vi triển khai là lợi thế thực sự của mô hình 587M, và đó không phải là giải khuyến khích. Một mô hình 587M trong 850MB chạy trên laptop, Raspberry Pi hoặc điện thoại, và Liquid AI đã xây dựng dòng d1 chính xác cho điều đó. Một mô hình 2.17B trong 4.33GB cần GPU hoặc một máy Apple Silicon được trang bị cấu hình đủ mạnh thì mới dùng thoải mái.

Điều còn thiếu là phép so sánh độ trễ để khiến việc đánh đổi trở nên chính xác. Thẻ {{1}}d1-Omni-2B{{/1}} công bố một bảng tốc độ đầy đủ: 5,8 ms cho một câu hỏi và 7,7 ms cho ba câu hỏi trên H100 PCIe, 3,7 ms và 5,6 ms trên MI325X, 21,1 ms và 28,9 ms trên M5 Pro, và 1.154 trạng thái mỗi giây khi chạy theo lô trên H100. Thẻ {{2}}d1-omni-600M{{/2}} không công bố gì, và nói rõ lý do: "Chúng tôi không báo cáo số liệu suy luận cho d1-omni-600M vì đây là bản phát hành nghiên cứu sớm và đang được phát triển tích cực." Vì vậy, mô hình nhỏ hơn gần như chắc chắn nhanh hơn, và không có con số nào từ nhà cung cấp để trích dẫn cho việc nhanh hơn bao nhiêu. Bất kỳ ai nói với bạn rằng 587M nhanh gấp ba lần đều đang ngoại suy từ số lượng tham số.

Có một lợi thế thực sự liên quan đến độ chính xác đáng để nêu tên. Thẻ d1-Omni-2B khuyến nghị d1-2B thay vì chính nó khi không có âm thanh, và đưa ra lý do: d1-2B mạnh hơn về văn bản và hộp đơn lẻ, báo cáo giá trị bị thiếu thường xuyên hơn, và được hiệu chỉnh tốt hơn. Lời khuyên tương tự cũng chỉ ra nên tránh mô hình omni cho công việc chỉ có văn bản. Nó không nói rằng 587M được hiệu chỉnh tốt hơn — chỉ nói rằng 2B omni phải chịu một chi phí cho một năng lực mà bạn có thể không dùng đến.

Sự phân tách âm thanh là điểm mà hai thế hệ tách biệt rõ ràng.

Âm thanh là phương thức duy nhất mà cả hai mô hình cạnh tranh trực tiếp, và các ràng buộc khác biệt đủ để quyết định kiến trúc.

Mô hình 587M xử lý tối đa 30 giây âm thanh, yêu cầu mono 16kHz, và thẻ mô hình của nó có cảnh báo rõ ràng: các khả năng âm thanh được huấn luyện trên các yêu cầu giữa một người nói tiếng Anh và một trợ lý, bao quát việc phát ngôn đó thuộc loại nào, chủ đề của nó và điều người nói muốn. Đó là một phân phối hẹp, và điều này được nêu như một hạn chế chứ không phải chú thích nhỏ.

Mô hình 2B hỗ trợ giọng nói ở cùng mười sáu ngôn ngữ như phần văn bản, trừ tiếng Hindi, tiếng Thái, tiếng Việt và tiếng Indonesia, và kết quả âm thanh trong thẻ bao gồm 84,5 trên các sự kiện âm thanh ESC-50 và 92,5 về nhận diện ngôn ngữ FLEURS trên 43 ngôn ngữ. Mô hình cũng suy giảm theo những cách được thẻ ghi lại: các trạng thái ngắn dạng nói giảm từ 42,0 khi viết xuống 22,8 khi nghe, và các đoạn Belebele ở tám ngôn ngữ giảm từ 83,6 xuống 41,8. Các đoạn nói dài mất độ chính xác, rõ nhất là ngoài hệ chữ Latinh.

Vậy nên sự phân biệt không phải là “2B giỏi âm thanh hơn”. Mà là 2B nghe được nhiều loại âm thanh hơn nhưng vẫn gặp khó khăn với trạng thái nói dài, trong khi 587M chỉ nghe một lát cắt hẹp hơn, được kiểm soát hơn và chưa từng được đánh giá chuẩn trên các sự kiện âm thanh hay nhận dạng ngôn ngữ. Với định tuyến lệnh thoại bằng tiếng Anh, những hạn chế của 587M vẫn chấp nhận được. Với phân loại cuộc gọi đa ngôn ngữ, chúng khiến nó không đủ điều kiện.

Nên kéo tag nào

Các quy tắc quyết định đủ ngắn để có thể phát biểu dưới dạng quy tắc.

• Chỉ văn bản và hình ảnh, và không có âm thanh trong sản phẩm — đừng chọn cả hai. d1-2B đạt điểm cao hơn d1-Omni-2B trên chỉ số quyết định, 51,1 so với 49,0, và chính thẻ mô hình của nhà cung cấp bảo bạn dùng nó. Bản omni cao cấp mua phần âm thanh mà bạn sẽ không dùng.

• Định tuyến giọng nói trên phần cứng hạn chế — d1-omni ở 850MB. Hãy chấp nhận giới hạn 30 giây, phân phối huấn luyện người nói tiếng Anh và ngữ cảnh 16,384 token, rồi tự đo độ trễ của bạn vì nhà cung cấp sẽ không đưa cho bạn một con số nào.

• Âm thanh cùng với hình ảnh trong cùng một quyết định, hoặc các hộp và đoạn trong đầu ra — d1-Omni-2B. Mô hình 587M không thể biểu đạt những yêu cầu đó, nên không có gì để so sánh.

• Giọng nói đa ngôn ngữ — d1-Omni-2B, với bốn ngôn ngữ bị loại trừ được kiểm tra dựa trên lưu lượng truy cập thực tế của bạn trước khi bạn quyết định.

• Thông lượng theo lô — d1-Omni-2B, mà thẻ của nó là thẻ duy nhất trong hai thẻ có công bố trạng thái theo giây.

Một tín hiệu chấp nhận đáng được ghi lại vì nó đi ngược lại câu chuyện benchmark: d1-omni-600M đã thu hút khoảng 18.900 lượt tải xuống và 148 lượt thích trên Hugging Face kể từ ngày 5 tháng 10. d1-Omni-2B có 36 lượt tải xuống và 7 lượt thích bốn ngày sau khi kho lưu trữ của nó xuất hiện. Số lượt tải xuống ban đầu đo lường tính mới lạ và cách đóng gói, không phải chất lượng — mô hình 587M có thẻ Ollama khiến nó chỉ cách một lệnh — nhưng chúng thực sự mô tả mô hình nào mọi người đang chạy hôm nay.

Sau khi quyết định, phần còn lại của cuộc gọi

Dù bạn chọn thẻ nào, mô hình quyết định là chặng đầu tiên chứ không phải chặng cuối. Nó trả về một nhãn kèm xác suất; vẫn phải có thứ gì đó viết câu trả lời, chuyển cấp vụ việc hoặc gọi API tiếp theo, và chặng thứ hai đó là một chặng sinh tạo. OrcaRouter không cung cấp mô hình Liquid AI, nên lệnh gọi d1-omni hoặc d1-Omni-2B chạy ở nơi bạn vốn đã chạy nó — trên phần cứng của riêng bạn từ trọng số Hugging Face, hoặc qua nhà cung cấp. Thứ nằm sau một khóa tương thích OpenAI là hơn 200 mô hình khác trong danh mục, ở giá niêm yết của từng nhà cung cấp với mức tăng giá 0%, cùng cơ chế chuyển đổi dự phòng giữa các nhà cung cấp khi mô hình hạ nguồn bạn chọn là mô hình đang gặp một ngày tồi tệ. Với một mô hình mới như vậy, sự tách biệt đó là hữu ích: phần chưa được chứng minh vẫn ở cục bộ và rẻ, còn phần tiếp xúc với lưu lượng sản xuất có được đường thử lại.

Con số mà cả hai tấm thẻ đều không cho bạn

Cả hai checkpoint đều chưa có đánh giá độc lập. Bản 587M đã công khai từ ngày 5 tháng 10 và vẫn chưa có; bản 2B mới được bốn ngày. Cho đến khi ai đó chạy cả hai trên cùng một bộ âm thanh, với cùng micro và cùng các ngôn ngữ, khoảng cách tham số gấp tám lần chỉ là bảng số liệu của nhà cung cấp, chứ không phải dữ kiện đã được đo. Con số cụ thể cần theo dõi là 22.8 trên spoken short states — đây là hàng duy nhất mà model card của chính mô hình mới thừa nhận một điểm yếu đủ lớn để thay đổi quyết định triển khai, và cũng là hàng dễ thay đổi nhất khi ai đó bên ngoài Liquid AI đem micro ra đo nó.