Модель Liquid AI d1-omni-600M стала пакетом Ollama 17 октября 2026 года в 22:32 UTC. Эта метка времени — не догадка: реестр Ollama добавляет заголовок ollama-push-time к каждому манифесту, а четыре тега, скрывающиеся за именем d1-omni, были приняты тем вечером в промежутке с 22:31:25 до 22:32:13, примерно за четыре часа до написания этой статьи. Сама модель не нова — Liquid AI выпустила модель со свободной историей весов Liquid AI d1-omni-600M вместе с Liquid AI d1-3B 5 октября 2026 года и анонсировала обе в своей публикации «Open d1» 7 октября, но до прошлого вечера единственными способами запустить версию с поддержкой аудио на собственном «железе» были среда transformers с параметром trust_remote_code=True или самостоятельно скомпилированная сборка llama.cpp. Теперь же доступна команда ollama pull d1-omni. Никто не делал об этом официальных заявлений: ни в блоге Liquid AI, ни в блоге Ollama.
Упаковка модели — вот в чем главная новость, и здесь стоит точно указать, какие именно ее части задокументированы. В последних записях блога Liquid AI упоминаются d1-ultra от 15 октября и LFM2.5-24B-A2B от 13 октября, но ни в одной из них нет упоминания Ollama; собственная страница развертывания Ollama у этой лаборатории по-прежнему учит запускать репозитории GGUF напрямую с Hugging Face с помощью команды ollama run hf.co/LiquidAI/... и ни разу не упоминает модель d1. Блог Ollama хранит такое же молчание — его последние записи посвящены Reflection's Beam от 16 октября и интеграции с Fly.io от 13 октября. Вместо этого существуют запись в реестре, четыре тега, проверяемый дайджест и страница в библиотеке, которая все еще редактировалась в момент написания этой статьи: ранняя копия этой страницы возвращала текст «No readme», а копия сорок минут спустя выдала полноценное описание, составленное Liquid AI, с таблицей бенчмарков и разделом лицензии. Если вам нужно датированное, проверяемое событие за последние семь дней, то это именно тот самый заголовок.
Что на самом деле принял реестр
Четыре тега ссылаются на два образа, и это первое, что нужно понять перед загрузкой. d1-omni:latest, d1-omni:600m и d1-omni:600m-q8_0 представляют собой один и тот же манифест (дайджест 1ba59f63e836), в то время как d1-omni:600m-bf16 — это второй манифест с дайджестом c1e95fce6627. Тег F16 отсутствует, хотя в собственном репозитории GGUF производителя публикуется ветка F16.
• Слои весов (сборка Q8_0) — ветка размером 407 МБ из файла d1-omni-600M-Q8_0.gguf плюс проектор размером 442 МБ из файла mmproj-d1-omni-600M-BF16.gguf, а также файл лицензии размером 10,5 КБ и файл параметров размером 18 байт, что в сумме составляет 849 659 968 байт.
• Заявленный размер — 850 МБ для тега по умолчанию и 1,2 ГБ для 600m-bf16, как указано на странице библиотеки.
• Минимальные требования к среде выполнения — требует: 0.40.4 в блоке конфигурации, в котором также указаны model_family: lfm2, model_type: 380.73M и тип файла Q8_0.
• Контекст — файл параметров фиксирует num_ctx на значении 16 384.
• Лицензия — встроенный текст представляет собой лицензию LFM Open License v1.0, где в качестве лицензиара указана компания Liquid AI, Inc., что соответствует идентификатору lfm1.0 на карточке модели.
Этот проектор заслуживает отдельного внимания, поскольку он больше самой модели, к которой прикреплен. Прямое чтение метаданных GGUF из дайджеста реестра показывает наличие clip.has_vision_encoder = True и clip.has_audio_encoder = True в одном и том же файле: 197 тензоров зрения в 12 блоках с эмбеддингами шириной 768 и входными данными 256 пикселей, а также 641 аудио-тензор в 17 блоках с эмбеддингами шириной 512 и 128 мел-фильтрами. Это башня SigLIP2 и энкодер FastConformer, которые поставляются вместе в мультимодальном пакете, именно поэтому ветка с 381 млн параметров поставляется в комплекте с приложением весом 442 МБ. Аудиовозможности физически присутствуют в скачиваемом пакете; вопрос о том, сможет ли эндпоинт до них добраться, возникает позже.
Модель имеет 587M параметров, а отметка 125K преувеличивает реальность
На странице Ollama для каждого тега рекламируется «контекстное окно на 125K». Собственный параметр num_ctx пакета равен 16 384, и карточка модели Liquid AI утверждает то же самое словами: 16 384 токена, охватывающие позиции текста, изображений и аудио вместе, причем состояние и текст вопроса сокращаются до 896 токенов при наличии изображений. Цифра 125K имеет под собой основание — базовый GGUF содержит параметр lfm2.context_length = 128000 — но это верхний предел архитектуры, а не то окно, которое вы получаете на практике, и это число с наибольшей вероятностью введет в заблуждение того, кто подбирает замену для классификатора с длинным контекстом. Считайте 16 384 рабочим значением, а 896 текстовых токенов — рабочим значением при наличии изображения в состоянии.
Остальные метаданные подтверждают карточку модели, а не маркетинговые заявления. Базовая модель состоит из 18 блоков, эмбеддингов шириной 1 024 и словаря на 65 536 элементов, и она не является декодером: lfm2.attention.causal имеет значение False. Количество голов внимания (KV head) по слоям выглядит так: 0, 0, 8, 0, 0, 8, …, что означает, что большинство этих блоков вообще не являются блоками внимания — в этом сказывается происхождение двунаправленного энкодера. Голова принятия решений состоит из двух блоков (lfm2.decision.block_count = 2), и константы калибровки, которые разработчик хранит в config.json, также находятся в этом GGUF — вопросы с выбором ответа имеют температуру 1,7465 при двух вариантах, 1,3999 при трех-пяти, 1,1751 при шести-десяти и 1,3725 при одиннадцати и более; для формата «да/нет» значение составляет 1,6663; для вопросов с оценкой — 1,7301 при трех-пяти уровнях и 1,0 при шести-десяти. Вот вся архитектура в одном месте: фиксированный набор именованных ответов, оцениваемых за один проход, откалиброванных под форму конкретного вопроса, с output_tokens: 0 на выходе.
Это не чат-модель, и она не пишет текст. Liquid AI приводит список из пятнадцати языков, данные для обучения аудио представлены только на английском языке (запросы между говорящим и ассистентом), а длительность клипов ограничена 30 секундами. Карточка также предостерегает от использования bfloat16 на графических процессорах: по собственным тестам разработчика, это меняло лучший ответ на 0,8% текстовых строк и 1,7% аудиострок, тогда как float16 везде совпадал с float32.
Аудио присутствует в весах и отсутствует в документированном API
Это расхождение стоит знать до того, как вы зарегистрируете баг. Файл readme на странице библиотеки, написанный Liquid AI, описывает работу с аудио путем помещения аудиофайла WAV в кодировке base64 внутрь массива images запроса /v1/systemone. Файл readme репозитория GGUF того же чекпоинта от этого же производителя описывает это иначе: массив files передает data:audio/wav;base64,… на сервер llama.cpp. А справочник по эндпоинтам, публикуемый Ollama, не документирует ни то, ни другое: его схема запроса содержит state, images, questions и keep_alive, описывает images как «Требуется модель со зрением, такая как Clef», и вообще не содержит поля аудио или files. Собственное руководство Ollama по моделям принятия решений, тем временем, упоминает Nimble, Tev1, Clef и Clef Flash в качестве моделей принятия решений и лишь говорит, что модели Clef также могут оценивать изображения.
Таким образом, честная позиция в отношении аудио в Ollama на сегодняшний день такова: энкодер физически присутствует в бинарном файле, в readme производителя указано, что он работает через изображения, а опубликованная схема его не поддерживает. Ввод изображений для той же модели находится на более надежной основе — зрение является документированной возможностью System One, и d1-omni появляется в категории моделей зрения Ollama. Рядом с этим пробелом существуют еще два небольших упущения в документации: справочник эндпоинтов позволяет указывать до 255 ключей вариантов в вопросе с выбором ответа, в то время как руководство по принятию решений говорит о диапазоне от 2 до 26, а минимальные требования к среде выполнения пакета (0.40.4) выше, чем 0.35.0, указанные в документации эндпоинта.
Внесено в категорию «зрение», а не «принятие решений»
Поиск моделей в Ollama относит модели принятия решений в отдельную категорию. Она содержит девять позиций — nimble-v3, pplx-decider, kev, tev1, nimble, clef-flash, clef, laya и strands-decider, — и среди них нет ни d1, ни d1-omni. Страница d1-omni помечена тегами vision и 600m и действительно присутствует в списке систем компьютерного зрения, поэтому читатель, ищущий «модель принятия решений», самую новую из них не найдет. Это скорее проблема обнаруживаемости, чем возможностей, но она имеет значение, если вы планировали сравнить семейства моделей принятия решений в собственном каталоге Ollama и пришли к выводу, что этой не существует.
Это также означает, что d1-omni — первая модель принятия решений в библиотеке Ollama, которая вообще способна принимать речь: аудиокодер входит в комплект поставки, и ни одна другая модель из этого списка из девяти позиций им не оснащена. Будет ли эндпоинт принимать ваши файлы WAV — это открытый вопрос из предыдущего раздела, и это именно то, что с наибольшей вероятностью изменится к тому моменту, когда вы это прочитаете.
Цифры и те, кто их предоставил
Все показатели точности, указанные для Liquid AI d1-omni-600M, принадлежат Liquid AI, и на данный момент не существует ни одной независимой оценки какой-либо модели d1, которую нам удалось бы найти: нет строчки в таблицах лидеров, нет сторонних тегов запуска, нет опубликованных опровержений оценок производителя. Производитель сам оценил оба чекпоинта d1 с помощью официального инструмента Decision Index scorer, вместо того чтобы отправлять их в общедоступную таблицу лидеров, о чем и заявляет на карточке; каждая конкурирующая строка в его таблице взята из таблицы лидеров v0.2.1, что означает, что сравнение представляет собой оценку самой компании, соседствующую с внешними оценками.
• Decision Index 0.2.1 — 15,95 для d1-omni-600M (знания — 8,3, язык — 12,9, извлечение данных — 35,0, инструменты — 15,1, искусство — 6,8) против 48,57 для d1-3B.
• Бенчмарки в качестве решений, среднее по семи — 78,4 для d1-omni-600M против 82,9 для d1-3B, причем модель на 600M опережает на Civil Comments (95,8 против 93,0) и PAWS-X (79,5 против 76,9) и отстает на BoolQ (77,7 против 86,7) и SQuAD 2.0 (74,0 против 85,3).
• Fast Decisions, выборка dev — 76,9, заявлено производителем, строка сравнения не опубликована.
• Скорость — ничего. В карточке прямо указано, что показатели инференса не приводятся, поскольку это ранний исследовательский релиз, находящийся в активной разработке, поэтому любые заявления о задержках, которые вы увидите в другом месте, являются чьими-то собственными измерениями.
• Цифры из примеров на странице Ollama — в готовом примере из файла readme срочные запросы оцениваются в 0,998, а технические — в 0,995. Это иллюстративные результаты одного запроса, опубликованные средой выполнения, и они не являются бенчмарком.
Разрыв между 15,95 и 48,57 — самое полезное, что есть на карточке, поскольку он решает вопрос о покупке словами самого производителя: readme рекомендует использовать d1, когда важна точность в работе с текстом и изображениями, и обращаться к d1-omni, когда важен размер или требуется поддержка аудио. Модель с 587М параметров, набирающая 78,4 балла по семи публичным бенчмаркам, переосмысленным как решения, является правдоподобным пограничным классификатором. Это не уменьшенная версия модели с 3B.
Где OrcaRouter подходит, а где нет
Мы не обслуживаем эту модель. Проверка нашего каталога 18 октября показала 208 идентификаторов моделей, и ни один из них не принадлежит Liquid AI, поэтому ничто здесь не является заявлением о доступности, и у нас нет способа получить ее с нашей стороны. Если вам нужна Liquid AI d1-omni-600M, локальный путь описан выше, а хостинговый путь — это собственный API производителя и любые сторонние платформы, которые ее поддерживают.
Изменение заключается в архитектуре окружающей системы, и именно здесь мы полезны. Модель принятия решений почти никогда не является всем конвейером целиком: тикет, который она классифицирует, кадр, который она отмечает, и стенограмма, которую она направляет, все равно должны быть обработаны, обобщены или эскалированы чем-то, что пишет текст. Эти генеративные вызовы находятся за одним совместимым с OpenAI ключом для более чем 200 хостинговых моделей по прейскурантной цене провайдера, передаваемым с 0% наценкой, поэтому изменение цены поставщика доходит до вас в тот же день, а не с новым контрактом. И поскольку d1-omni-600M поставляется без независимых подтверждений точности и опубликованных данных о задержках, правильный способ использовать ее при реальном трафике — разместить за автоматическим переключением при отказе между провайдерами: пусть она обрабатывает вызовы, в которых уверена, и сохраняет резервный маршрут, когда нет, вместо того чтобы делать 587 миллионов параметров единственной точкой отказа на этапе сортировки. Решение остается локальным, а резервный маршрут — необязательно.
Что изменило бы эту оценку
Четыре вещи, любая из которых превратила бы заметку о пакете в другую статью. Документирование Ollama аудио в схеме запроса System One, что превратило бы трюк readme с WAV-в-изображениях в поддерживаемый ввод и сделало бы эту модель первой моделью принятия решений с поддержкой речи, которую можно запустить одной командой. Признание поддержки со стороны любой из компаний: добавление Liquid AI модели d1-omni на страницу развертывания в документации или добавление ее Ollama в раздел моделей принятия решений вместо компьютерного зрения. Показатель скорости от кого-либо, будь то производитель или нет, поскольку на сегодняшний день его не существует. И независимая строка в Decision Index для любой модели d1, что остается единственным недостающим элементом во всем семействе.
До тех пор решение очевидно. Если вы уже используете Ollama версии 0.40.4 или новее, загрузка выполняется одной командой, размер скачивания составляет 850 МБ, и вы получаете классификатор с 587М параметров, который отвечает на текстовые вопросы за один прямой проход по тексту и изображениям, а если readme не врёт — то и по 30 секундам английской речи. Если ваше состояние велико, помните об окне в 16 384 токена и текстовом бюджете в 896 токенов, а не о значке 125K. И если вам нужны доказательства ее точности до того, как она классифицирует что-либо, видимое клиенту, таких доказательств пока не существует — ни для этой модели, ни для любого из ее аналогов.
Задокументированные сбои ИИ и инцидентные случаи с агентами, стоящие за такими релизами, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, степень серьезности, оценку достоверности и статус оспаривания.
