d1-Omni-2B: Mô hình ra quyết định 2B kín tiếng nhất của Liquid AI được trang bị những gì — và bỏ sót những gì

Kho lưu trữ Hugging Face cho LiquidAI/d1-Omni-2B được tạo lúc 19:30 UTC ngày 24 tháng 10 năm 2026. Bài đăng blog đầu tiên của Liquid AI nhắc đến mô hình này bằng tên được đăng lên vào ngày 27 tháng 10. Trong suốt ba ngày đó, repo vẫn công khai và đầy đủ — một bảng thông số đầy đủ, 4,33GB safetensors BF16, mã Transformers hoạt động được — và không có gì nhà cung cấp công bố cho thấy nó tồn tại. Khi thông tin nhắc đến cuối cùng xuất hiện, đó chỉ là hai đoạn văn và một bảng bốn hàng nằm trong một đợt ra mắt dòng gồm sáu mô hình, chứ không phải một đợt ra mắt riêng của nó. Đó là hình hài của bản phát hành này, và đó là khung nhìn trung thực cho mọi điều bên dưới: các trọng số có thể kiểm tra được, các tuyên bố là của nhà cung cấp, và những phần mà người mua thường sẽ nhận được từ một thông báo — giá cả, một endpoint được host, một benchmark độc lập — vẫn chưa có.

Khoảng cách năm ngày giữa những quả tạ và những con chữ

Câu chuyện về mô hình quyết định của Liquid AI đã được kể hai lần, và d1-Omni-2B không xuất hiện trong cả hai lần kể đó. Vào ngày 7 tháng 10, công ty đã xuất bản “Open d1: Edge decision models for text, vision, and audio”, bài viết giới thiệu đúng hai checkpoint mở: d1-3B, một mô hình thị giác và văn bản 3,12B, và d1-omni-600M, một mô hình 587M nhận văn bản cùng hình ảnh hoặc văn bản cùng tối đa 30 giây âm thanh. Bài đăng đó vẫn còn trực tuyến, và nó vẫn không chứa mô hình 2B nào.

Dòng 2B đến theo một lịch trình khác. Vào ngày 21 tháng 10, checkpoint cơ sở LFM3-Omni-2B xuất hiện trên Hugging Face. Vào ngày 24 tháng 10, cách nhau hai mươi tư giây, Liquid AI đã tạo các kho lưu trữ cho d1-2B và d1-Omni-2B. Bài đăng ra mắt LFM3 ngày 27 tháng 10 sau đó đã đặt tên cho dòng mô hình: sáu mô hình khoảng 2B tham số, bốn mô hình bao phủ văn bản, thị giác, âm thanh và omni, và, theo đúng lời trong bài đăng, "hai mô hình cuối là mô hình quyết định được chuyên biệt hóa từ các mô hình thị giác và omni." Câu đó chính là thông báo. Không có bài đăng riêng nào về d1-Omni-2B, không có trang giá, không có trích dẫn từ đối tác ra mắt, và không có cập nhật nào cho bài viết ngày 7 tháng 10.

Vậy nên mô hình không phải là không có tài liệu — kho lưu trữ là một trong những checkpoint nhỏ được ghi chép tài liệu tốt hơn mà Liquid AI đã công bố, và trang tài liệu của nhà cung cấp dành cho các mô hình quyết định liệt kê nó cùng với d1-2B và d1-omni-600M. Nó được công bố nhưng chưa được quảng bá đầy đủ. Sự phân biệt đó quan trọng vì nó cho bạn biết những tuyên bố nào đã qua đánh giá ra mắt và những tuyên bố nào chưa.

Đọc thẻ như một bảng thông số kỹ thuật

Bỏ qua phần trình bày, checkpoint thật ra rất đơn giản. d1-Omni-2B là một mô hình ra quyết định đã được huấn luyện hậu kỳ, xây dựng trên LFM3-Omni-2B, và nó không phải là mô hình trò chuyện: nó không viết văn bản và không tạo giọng nói, và mọi lần gọi đều trả về output_tokens: 0.

• Tham số — 2,17 tỷ, được phát hành dưới dạng một tệp safetensors BF16 4,33GB duy nhất.

• Kiến trúc — backbone LFM3: 24 lớp, trong đó 13 lớp là tích chập ngắn có cổng, 5 lớp là attention cửa sổ trượt với cửa sổ 256 token và 6 lớp là attention toàn cục. Bài viết về dòng mô hình mô tả hỗn hợp lai ba thành phần này là kết quả của quá trình tìm kiếm kiến trúc hardware-in-the-loop được chạy trên 14 tổ hợp thiết bị và backend.

• Ngữ cảnh và từ vựng — 128K token và bộ từ vựng 128,000 token dùng chung với phần còn lại của LFM3.

• Đầu vào — một trạng thái có thể là văn bản hoặc bất kỳ giá trị JSON nào, cùng với hình ảnh, khung hình video và đoạn âm thanh, cùng với bất kỳ số lượng câu hỏi có tên nào, dạng viết hoặc nói. API của thẻ nhận tất cả những thứ đó trong một danh sách media, đây là một khác biệt đáng kể so với checkpoint 587M: d1-omni-600M được ghi nhận là văn bản-kèm-hình-ảnh hoặc văn bản-kèm-âm-thanh, không phải cả hai cùng lúc.

• Đầu ra — câu trả lời có kiểu dữ liệu kèm xác suất. Có/không, một lựa chọn từ các tùy chọn được đặt tên, một điểm số có thứ tự, một giá trị được đọc từ tài liệu kèm đoạn trích của nó, một số với khoảng p10–p90, một hộp giới hạn, hoặc mọi lần xuất hiện của một đối tượng kèm số lượng.

• Ngôn ngữ — mười sáu. Phần giọng nói bao gồm cùng một bộ, ngoại trừ tiếng Hindi, tiếng Thái, tiếng Việt và tiếng Indonesia, điều này đáng lưu ý vì phần văn bản có liệt kê chúng.

• Giấy phép — LFM Open License v1.0. Sử dụng thương mại được cấp phép khi doanh thu hàng năm dưới $10,000,000; trên mức đó, văn bản giấy phép nêu rằng sử dụng thương mại "không được cấp phép theo Thỏa thuận này."

Âm thanh là tuyên bố đáng để kiểm chứng

Lý do nên chọn checkpoint này thay vì d1-2B nằm ở âm thanh. Liquid AI định vị nó cho “định tuyến cuộc gọi và tin nhắn thoại cùng các sự kiện âm thanh”, và model card chứa một bằng chứng mà một bài đăng ra mắt thường sẽ mở đầu bằng: so sánh giữa dạng nói và dạng viết trên cùng các mục.

• Định tuyến và phân loại nghiệp vụ (DecisionBench, Hanno Labs v1) — 83,4 viết, 78,2 nói.

• Các ca dịch vụ khách hàng (Quyết định được nhập) — 50,5 dạng viết, 48,0 dạng nói.

• JevBench v1.4.1, các dòng mà giọng nói có thể đọc — 87.6 dạng viết, 89.0 dạng nói, nghĩa là lượt chạy dạng nói đạt điểm cao hơn một chút, đó là nhiễu chứ không phải là cải thiện.

• Sự kiện âm thanh (ESC-50) — 84,5, không có tương đương bằng văn bản.

• Nhận dạng ngôn ngữ nói (FLEURS, 43 ngôn ngữ) — 92,5.

Những con số đó củng cố cho bài chào hàng. Phần còn lại của mục âm thanh là phần cho bạn biết nơi không nên xây dựng, và nó thẳng thắn một cách bất thường đối với một card của nhà cung cấp. Các trạng thái ngắn dạng nói giảm từ 42.0 khi viết xuống 22.8 khi nghe. Các đoạn Belebele bằng tám ngôn ngữ giảm từ 83.6 xuống 41.8. Card nêu rõ rằng các đoạn nói dài mất phần lớn độ chính xác, "đặc biệt nhất là ở các ngôn ngữ không dùng chữ Latinh", và hướng bất kỳ ai không có đầu vào âm thanh sang d1-2B thay thế, mà nó nói là mạnh hơn về văn bản và các box đơn, báo cáo giá trị thiếu thường xuyên hơn và được hiệu chỉnh tốt hơn.

Đọc cùng nhau, những dòng đó mô tả một mô hình giỏi với những phát ngôn ngắn, có thể định tuyến bằng các ngôn ngữ chính và yếu hơn nhiều với bất cứ điều gì đòi hỏi phải duy trì một trạng thái lời nói dài. Việc phân loại ban đầu ở tổng đài chăm sóc khách hàng thì phù hợp. Một cuộc họp được ghi âm dài bốn mươi phút thì không.

Bảng điểm là của nhà cung cấp, và chỉ mục đã thay đổi phiên bản

Mọi con số hiệu năng trên mô hình này đều là của chính Liquid AI. Thẻ mô hình nói rõ về phương pháp: cả bốn mô hình d1 đều được chấm điểm trên cùng các hạng mục với cùng cách tính điểm, nên một số số liệu khác một chút so với các thẻ riêng lẻ mà chúng xuất phát. Thẻ không nói rằng bất kỳ bên thứ ba nào đã tái lập bất kỳ phần nào trong đó, và không có đánh giá độc lập nào về d1-Omni-2B tính đến thời điểm viết bài.

• Bộ đánh giá công khai Decision Index, v0.3 — 49,0 cho d1-Omni-2B, so với 51,1 cho d1-2B, 49,0 cho d1-3B và 18,3 cho d1-omni-600M.

• DecisionBench (Hanno Labs) v1 — 76,4, so với 77,1, 73,1 và 58,7 tương ứng.

• decisionbench.ai v4 — 84.7, so với 85.2, 83.6 và 57.9.

• ImajevBench v2.0-lite — 72.3, so với 75.5, 64.0 và 21.7.

• Bảng điểm của chính nhà cung cấp gồm hơn một trăm bài kiểm tra chuẩn — 61,8, so với 63,2, 58,8 và không có điểm cho 600M.

• Trung bình Vision trên 18 bộ đánh giá hình ảnh — 67.7, so với 70.2, 65.4 và 42.8.

Có một cái bẫy nằm ngay ở giữa vấn đề này. Bài đăng ngày 7 tháng 10 báo cáo d1-omni-600M đạt 15.95 trên Decision Index v0.2.1. Thẻ mới báo cáo nó đạt 18.3 trên v0.3. Đó là những bộ đánh giá khác nhau và mức chênh lệch không phải là mức tăng năng lực; đừng lấy cái này trừ cái kia. Phép so sánh công bằng duy nhất là phép so sánh mà thẻ thực sự đã thực hiện, với cả bốn mô hình được chấm lại trên cùng các mục.

Quy luật còn lại sau lần chấm điểm lại là d1-Omni-2B nằm ngay dưới d1-2B ở gần như mọi thứ và vượt thế hệ trước với khoảng cách lớn. Liquid AI mô tả nó là đánh bại d1-3B trên bảng quyết định của mình và trên 16 trong số 18 bài kiểm chuẩn hình ảnh với 70% tham số, điều này đúng với bảng như được in và cũng là so sánh với một mô hình mà dòng mô hình này hiện đã thay thế.

Những gì kho lưu trữ không trả lời

Năm câu hỏi vẫn còn bỏ ngỏ, và không câu nào trong số đó được trả lời bằng việc đọc các trọng số.

• Truy cập qua dịch vụ lưu trữ và giá. Bài đăng LFM3 cho biết các mô hình gốc và mô hình đã qua huấn luyện sau đều có sẵn trên Hugging Face, Playground và Liquid AI API. Tuy nhiên, bảng tài liệu về các mô hình quyết định lại liệt kê d1-Omni-2B là trọng số mở và dành các hàng chỉ dành cho dịch vụ lưu trữ của mình cho d1.1 và d1-ultra, đồng thời trang mô hình trên Hugging Face nêu rằng "mô hình này không được triển khai bởi bất kỳ Nhà cung cấp Suy luận nào." Không có giá mỗi lần gọi cho checkpoint này được công bố ở bất kỳ đâu mà bài viết này có thể tìm thấy, vì vậy hãy coi việc truy cập qua dịch vụ lưu trữ là khả thi nhưng chưa được xác nhận.

• Dữ liệu huấn luyện. Thẻ này không cung cấp kho ngữ liệu, không nêu thành phần, cũng không mô tả tập dữ liệu. Nó đề cập đến việc kiểm thử trên các clip và giọng nói “mà không có dòng huấn luyện nào chứa”, điều này ngụ ý rằng một tập huấn luyện tồn tại và không nói gì về nội dung bên trong tập đó.

• Lượng tử hóa. Kho chính phát hành BF16, và Liquid AI công bố ba bản dựng cùng dòng: MLX fp16, MLX 8-bit và một bản xuất ONNX. Không có GGUF từ nhà cung cấp, mặc dù thư viện d1-omni của Ollama có thẻ 2b ở 4.4GB và ngữ cảnh 125K, và kích thước đủ gần với checkpoint BF16 đến mức nó không giống như lượng tử hóa mạnh tay.

• Đánh giá độc lập. Không có. Mọi con số ở trên đều do nhà cung cấp tự chạy, bằng công cụ chấm điểm của chính nhà cung cấp, trên bo mạch của chính nhà cung cấp.

• Liệu nó có thay thế d1-omni-600M hay không. Thẻ đề xuất d1-2B thay vì mô hình này khi không có âm thanh, và đề xuất mô hình này thay vì d1-2B khi có âm thanh. Nó không nói gì về tương lai của checkpoint 587M, và Liquid AI chưa tuyên bố ngừng hỗ trợ nó.

Chạy nó và chi phí phần cứng phải bỏ ra

Đường suy luận là Transformers 5.19 trở lên với trust_remote_code, và lệnh gọi là model.system_one(state, questions, media). Không có tham số lấy mẫu nào cần đặt, vì không có gì được lấy mẫu. Việc biên dịch mất khoảng một phút ở những lần gọi đầu tiên; sau đó card báo 5,8 ms cho một câu hỏi và 7,7 ms cho ba câu trên H100 PCIe, 3,7 ms và 5,6 ms trên AMD MI325X, và 21,1 ms và 28,9 ms trên Apple M5 Pro. Một trạng thái 5K token tốn 52 ms trên H100. Gom lô chính là nơi tạo ra thông lượng: 1.154 trạng thái mỗi giây trên H100 và 1.697 trên MI325X với 64 trạng thái trong một lần gọi.

Với một mô hình thuộc lớp này, những con số đó chính là điểm thuyết phục. Nó không cạnh tranh về chất lượng với một mô hình chat; nó cạnh tranh với chính việc có chạy một mô hình chat hay không. Một lượt forward pass 5.8 ms trả về một xác suất đã hiệu chỉnh là một hạng mục khác với một lệnh gọi sinh văn bản trả về một đoạn văn mà sau đó bạn phải phân tích.

Nơi quyết định kết thúc và phần còn lại của pipeline bắt đầu

Một mô hình như thế này chỉ thực hiện một chặng. Nó biến một ticket, bản ghi cuộc gọi hoặc khung hình camera thành một nhãn và độ tin cậy, rồi phải có thứ gì đó hành động dựa trên nhãn đó — soạn câu trả lời, chuyển cấp vụ việc, gọi API. Không có mô hình Liquid AI nào trong danh mục của OrcaRouter, vì vậy chặng thứ hai đó chính là nơi sản phẩm của chúng tôi thực sự nằm: các mô hình sinh tiêu thụ quyết định sẽ đi qua một khóa tương thích OpenAI bao trùm hơn 200 mô hình, theo giá niêm yết của từng nhà cung cấp được chuyển nguyên với mức cộng thêm 0%, cùng tính năng chuyển đổi dự phòng tự động khi một yêu cầu rơi vào nhà cung cấp đang gặp sự cố nhất thời. Mô hình ra quyết định là phần rẻ, nhanh và mang tính xác định. Đáng để kết nối phần đắt đỏ, không xác định với một thứ có thể thử lại.

Điều gì sẽ giải quyết được nó?

Ba điều sẽ đưa d1-Omni-2B từ “đầy hứa hẹn” thành “có thể đề xuất”, và không điều nào trong số đó cần thêm một bài blog nữa. Điều thứ nhất là một lần chạy độc lập bộ kiểm thử âm thanh trên phần cứng mà nhà cung cấp không kiểm soát — khoảng cách 22.8 so với 42.0 ở hạng mục trạng thái ngắn dạng nói là con số dễ thay đổi nhất khi chạy bằng micrô của người khác. Điều thứ hai là một mức giá được công bố cho truy cập qua dịch vụ hosted, nếu không có nó thì không thể hoàn tất phép tính tự xây dựng so với mua. Điều thứ ba là một so sánh trực tiếp với d1-2B trên cùng các tác vụ có âm thanh, bởi vì khuyến nghị của chính thẻ mô hình — chỉ dùng 2B omni khi đầu vào có âm thanh — là câu hữu ích nhất trong đó, và đó cũng là điều chưa ai kiểm chứng bên ngoài Liquid AI.