Liquid AI دو مدل تصمیم‌گیر چندوجهی با وزن باز منتشر کرد: d1-3B و d1-omni-600M. تفاوت اصلی این مدل‌ها با LLMهای زایا در نحوه‌ی خروجی است — نه متن تولید می‌کنند، نه توکن خروجی دارند. در یک پاس، برای هر پرسش نام‌گذاری‌شده، احتمال گزینه‌های مجاز را برمی‌گردانند.

سه نوع پرسش و یک محدودیت مهم#

مدل‌های d1 سه نوع پرسش را پشتیبانی می‌کنند:

  • noul: پرسش بله/خیر، خروجی P(yes).
  • choice: انتخاب یک برچسب از گزینه‌های نام‌دار، با توزیع احتمال کامل.
  • score: موقعیت وزن‌دار روی مقیاس مرتب ۲ تا ۱۰ سطحی.

چند پرسش می‌توانند روی یک وضعیت مشترک در یک فراخوان پاسخ بگیرند. هر پاسخ مقدار output_tokens: 0 گزارش می‌کند. هیچ‌کدام از دو مدل، مدل چت نیستند.

مشخصات فنی#

d1-3B با ۳.۱۲ میلیارد پارامتر از LFM2.5-VL-3B ساخته شده، از انکودر بینایی SigLIP2 NaFlex با ۴۰۰ میلیون پارامتر استفاده می‌کند و context آن ۳۲,۷۶۸ توکن است. d1-omni-600M با ۵۸۷ میلیون پارامتر از LFM2.5-Encoder-350M شروع می‌شود، یک انکودر صوتی ۱۷ لایه‌ی FastConformer دارد، context آن ۱۶,۳۸۴ توکن است و فایل صوتی حداکثر ۳۰ ثانیه می‌تواند باشد. یک درخواست یا تصویر دارد یا صدا — نه هر دو. d1-omni-600M یک نسخه‌ی پژوهشی اولیه است و تأخیر انتشاریافته‌ای ندارد.

عملکرد و تأخیر#

d1-3B روی Decision Index v0.2.1 امتیاز ۴۸.۵۷ گرفته؛ بالاتر از Decider 35B-A3B (۴۷.۱۱) و تنها Winnow-12B با ۵۰.۰۲ بالاتر است. در هفت معیار متنی عمومی میانگین ۸۲.۹ و در یازده معیار تصویری میانگین ۷۴.۱ ثبت کرده. تأخیر اندازه‌گیری‌شده روی RTX 4090 برای یک پرسش ۸ میلی‌ثانیه است (با model.compile mode reduce-overhead؛ بدون آن ۱۶ میلی‌ثانیه). روی Jetson AGX Thor هر پرسش ۱۶ میلی‌ثانیه و سه پرسش روی یک وضعیت ۲۰ میلی‌ثانیه.

در دسترس بودن#

هر دو checkpoint روی Hugging Face قرار دارند، از طریق Transformers بارگذاری می‌شوند و day-one llama.cpp support دارند. d1-3B به transformers>=5.14 و d1-omni-600M به transformers>=5.15 نیاز دارد. مجوز LFM Open v1.0 استفاده تجاری رایگان تا سقف ۱۰ میلیون دلار درآمد سالانه را مجاز می‌شمارد.

این خبر برای کسی که ایجنت می‌سازد یعنی چه#

اگر در حال حاضر از یک LLM کوچک برای روتینگ، مدیریشن یا intent classification استفاده می‌کنید و هزینه‌ی parse کردن خروجی متنی آزارتان می‌دهد، d1-3B جایگزین مستقیمی است — نه برای جایگزینی مدل زایا در هر کاربرد، بلکه دقیقاً برای همان لایه‌ی تصمیم‌گیری که قبلاً با regex و JSON parsing مدیریت می‌کردید. اما d1-omni-600M را فعلاً جدی نگیرید؛ تأخیر منتشرنشده و آموزش صوتی فقط روی درخواست‌های انگلیسیِ speaker-to-assistant، آن را در حد یک نمونه‌ی اولیه نگه داشته. همچنین توجه کنید که اعداد Decision Index توسط خود Liquid AI اجرا شده‌اند، نه از طریق leaderboard submission — یعنی مقایسه‌ی مستقیم با Decider و Winnow از نظر روش ارزیابی یکسان نیست.

منبع: MarkTechPost