Liquid AI a anunțat pe 7 octombrie 2026 două modele deschise din familia d1: d1-3B și d1-omni-600M, varianta a doua marcată ca experimentală. Nu sunt modele generative, ci modele de decizie care răspund într-o singură trecere, ceea ce le face potrivite pentru inferență la marginea rețelei.

Ce a lansat Liquid AI, concret

Comunicatul publicat pe blogul Liquid AI și preluat de Hugging Face descrie două modele deschise, ambele cu greutăți publice, disponibile pentru descărcare. d1-3B este antrenat pornind de la LFM2.5-VL-3B, un model vizual-lingvistic de tip decoder-only care acceptă text și imagini. d1-omni-600M pornește de la LFM2.5-Encoder-350M, un encoder bidirecțional, și adaugă encodere de viziune și audio, acceptând fie text plus imagine, fie text plus audio. A doua variantă este încă în stadiu timpuriu de cercetare și în dezvoltare.

Diferența față de un model generativ clasic este structurală. Un model de decizie nu produce tokeni unul câte unul, ci răspunde direct într-o singură trecere prin rețea. Pentru cineva care construiește pipeline-uri de clasificare, rutare sau triaj, asta schimbă fundamental costul și latența, pentru că nu mai plătești generare de text acolo unde ai nevoie doar de o etichetă sau de un scor.

Pe Decision Index 0.2.1, d1-3B obține 48,57, peste orice model de 4B și 9B inclus în comparație și peste Decider 35B-A3B, care are 47,11. Cifra e interesantă nu prin magnitudine, ci prin raportul parametri-calitate. Un model de 3B care depășește unul de 35B pe un benchmark de decizie indică faptul că arhitectura și antrenamentul țintit contează mai mult decât scara brută, cel puțin pe această sarcină specifică.

Latența, argumentul real pentru edge

Cifrele de viteză sunt partea cea mai concretă a anunțului și singurele care pot fi verificate independent de benchmark-uri contestabile. Liquid AI raportează, în colaborare cu NVIDIA, că d1-3B răspunde la o întrebare în 16 ms pe Jetson AGX Thor, 26 ms pe Jetson AGX Orin 64 GB și 50 ms pe Jetson Orin Nano. Pe GPU desktop, modelul coboară sub 10 ms pe RTX 4090 și pe AMD MI325X.

Un detaliu mai puțin vizibil în titluri, dar important operațional: trei întrebări rulează în aproximativ 1,3x timpul unei singure întrebări. Pe AGX Thor, asta înseamnă de la 16 ms la 20 ms. Adică poți pune mai multe întrebări pe același text de intrare fără să plătești liniar. Mai mult, exemplul din documentație arată exact asta: mai multe întrebări denumite, grupate într-un dicționar, evaluate într-o singură trecere peste același text sau aceeași imagine.

Pentru context de marketing, imaginează-ți un flux de triaj al tichetelor de suport: clasifici dacă clientul cere rambursare, către ce echipă merge și cât de urgentă este, toate trei din același text, într-o singură inferență, la 20 ms. Nu e science fiction, este exact API-ul documentat în anunț, cu cod de instalare și exemple funcționale.

Pe partea de imagini, d1-3B procesează o imagine de 384px în mai puțin de 18 ms pe GPU și în jur de 35 ms pe Thor. Procesarea unui state de 3,4K tokeni urcă la 102 ms pe RTX 4090 și 220 ms pe Thor, cifre care contează dacă vrei să rulezi clasificări pe documente mai lungi, nu doar pe o frază.

Ce arată benchmark-urile și ce ascund

Cei de la Liquid AI au testat cele două modele pe șapte seturi publice de date, acoperind înțelegere de text, detecție de toxicitate, clasificare de intenție, întrebări medicale și înțelegere cross-lingvistică. d1-3B obține o medie de 82,9, cea mai mare din tabel și peste Decider 4B. d1-omni-600M ajunge la 78,4, depășind Decider 2B care are 77,1, cu un sfert din parametri.

Împărțirea pe dataset-uri e mai nuanțată decât media. d1-3B pierde pe BoolQ (86,3 față de 89,0 la Decider 4B) și pe XNLI (85,6 față de 88,6). Câștigă însă clar pe SQuAD 2.0 (83,3 față de 76,0), pe PAWS-X (76,4 față de 69,8) și pe PubMedQA (68,3 față de 63,3). Adică nu e un model universal mai bun, ci unul mai potrivit pe anumite tipuri de sarcini. Cine citește doar media de 82,9 ratează exact informația de care are nevoie ca să decidă dacă modelul i se potrivește.

Un al doilea aspect, declarat explicit de autori: nu raportează benchmark-uri de viziune sau audio. Motivul e onest, Decision Index v0.3 include doar un split privat de viziune, iar benchmark-urile de decizie audio sunt încă o problemă deschisă. Prin urmare, afirmația că d1-3B păstrează capabilitățile de viziune ale backbone-ului și că d1-omni-600M gestionează toate trei modalitățile este o verificare internă, nu o dovadă publică reproductibilă. Asta nu înseamnă că nu funcționează, înseamnă că lipsa dovezii nu este dovada absenței. Cine are nevoie de certitudine pe viziune trebuie să testeze pe cazul propriu.

La fel, d1-omni-600M nu are cifre de viteză raportate, tocmai pentru că e versiune experimentală. Orice plan de producție care se bazează pe varianta omni ar trebui să aștepte date suplimentare sau să măsoare singur.

Cum se instalează și ce presupune practic

Pragul tehnic e scăzut. Documentația cere transformers>=5.14, plus torch, torchvision și pillow. Modelele își aduc propriul cod, deci se încarcă cu trust_remote_code=True, ceea ce merită subliniat ca avertisment de securitate: execuți cod de la terți pe mașina ta, așa că verifică sursa și mediul izolat dacă rulezi în producție.

Exemplele din anunț arată trei tipare utile. Primul, mai multe întrebări denumite peste un singur text, cu tipuri diferite: da/nu, alegere dintr-o listă cu criterii, scor pe o scală. Al doilea, o imagine ca întreg state de intrare, cu întrebare de tip alegere. Al treilea, procesare în lot, mai multe cereri împachetate fără padding, ceea ce reduce overhead-ul.

Pentru un antreprenor sau un marketer care nu scrie cod, relevanța nu e în sintaxă, ci în tiparul de utilizare. Un model mic care răspunde la întrebări structurate despre un text sau o imagine, local, în milisecunde, la un cost marginal apropiat de zero, deschide categorii de automatizare care până acum nu aveau sens economic. Nu înlocuiește un LLM bun la redactare sau raționament complex. Înlocuiește apelurile scumpe acolo unde ai nevoie doar de o decizie binară sau de o etichetă.

Ce înseamnă pentru tine

Dacă ești marketer sau antreprenor român, întrebarea corectă nu este dacă modelul e impresionant, ci dacă rezolvă o durere pe care o ai deja.

Gândește-te la triajul mesajelor. Un magazin online cu câteva sute de tichete pe zi poate rula un model local care să decidă, pentru fiecare mesaj, dacă e problemă de facturare, defecțiune tehnică sau suspiciune de fraudă, plus un nivel de urgență. Fără să trimită datele clienților către un API extern. Fără cost per apel. Latența de 20-50 ms înseamnă că răspunsul apare practic instant.

Gândește-te la moderarea conținutului generat de utilizatori: recenzii, comentarii, anunțuri. Detecția de toxicitate e una dintre sarcinile pe care modelul o face bine conform tabelului, 93,3 la d1-3B pe Civil Comments.

Gândește-te la clasificarea imaginilor de produs: dacă un listing are poza corectă, dacă respectă o categorie, dacă lipsește un element. Aici intervine avertismentul de mai sus, nu există benchmark public de viziune, deci testează înainte să te bazezi pe asta.

Pe partea de măsurare, un model local de decizie poate eticheta automat evenimentele din analytics, poate clasifica sursele de trafic după intenție sau poate tria lead-urile înainte să ajungă la vânzări. Toate acestea sunt fluxuri deterministe, nu creative, exact zona unde un model generativ mare este o risipă de resurse.

Ce nu face acest anunț: nu îți spune să renunți la echipe, nu îți promite conversii mai mari și nu îți garantează că modelul se potrivește pe datele tale. Cine traduce o lansare de model în promisiuni de performanță fără test propriu vinde povești.

FAQ

d1-3B poate înlocui un LLM general în fluxurile mele de marketing? Nu pe partea de generare de text. d1-3B nu produce tokeni, ci răspunde într-o singură trecere la întrebări structurate, de tip da/nu, alegere dintr-o listă sau scor. Îl folosești pentru clasificare, rutare și triaj, nu pentru redactare sau raționament în pași multipli.

Modelul rulează local, fără să trimit date către un furnizor? Da, ambele modele sunt open-weight, disponibile pe Hugging Face, și se pot rula pe hardware propriu, de la un Jetson Orin Nano până la GPU desktop. Asta înseamnă că datele rămân la tine. În schimb, îți asumi infrastructura, mentenanța și securitatea mediului.

d1-omni-600M este gata de producție? Nu. Liquid AI îl descrie explicit ca versiune timpurie de cercetare, în dezvoltare, fără cifre de viteză raportate în acest anunț. Poți experimenta cu el, dar nu ar trebui să construiești un flux critic de business pe o variantă experimentală.

Verificări pe care le propunem înainte de adopție

Prima verificare: rulează modelul pe un eșantion din datele tale reale, nu pe benchmark-uri publice. Diferența dintre SQuAD și tichetele clienților tăi este uriașă, iar media de 82,9 nu îți spune nimic despre acuratețea pe cazul tău.

A doua verificare: măsoară latența pe hardware-ul pe care îl ai, nu pe cel din comunicat. Cifrele de 16 ms sunt pe Jetson AGX Thor, un dispozitiv dedicat. Pe un server partajat, cifrele arată altfel.

A treia verificare: stabilește un prag de acuratețe acceptabil înainte de a pune modelul în producție. Un clasificator care greșește 15% din triaje poate fi perfect acceptabil cu un pas de revizuire umană, dar dezastruos dacă rutează automat clienți furioși către coada greșită.

A patra verificare, pe securitate: trust_remote_code=True înseamnă execuție de cod nesupravegheat. Rulează în containere izolate, fără acces la rețea dacă nu e necesar și fără credențiale în mediul de execuție.

O verificare incompletă nu dovedește că modelul nu funcționează. Doar că tu nu știi încă dacă funcționează pentru tine.

###Arcul ALLSoft Agency

AI-ul ajută la analiză, la planificare și la etichetarea automată a datelor, dar decizia rămâne umană. Un media buyer senior citește contextul, decide ce merită automatizat și ce trebuie ținut sub control manual, iar pasul concret îl face echipa din ALLSoft Agency. Dacă vrei să vezi cum integrăm un astfel de model în fluxurile tale de marketing sau de ecommerce, fără hype și fără promisiuni de cifre pe care nu le putem susține, discutăm pe datele tale.

Dacă lucrezi cu instrumente de ecommerce și te interesează ce s-a schimbat în piață recent, avem și o trecere în revistă a noutăților din ecommerce tools octombrie 2026, iar dacă te preocupă măsurarea și sursele citate de motoarele AI, merită citit ghidul despre urmărirea surselor citate de AI cu Semrush.

Sursa anunțului: Liquid AI pe Hugging Face.