LiquidAI выпустила d1-2B — модель решений для текста, картинок и видео

На HuggingFace 24 октября 2026 года опубликована модель LiquidAI/d1-2B с задачей image-text-to-text. Это decision-модель, построенная на базе LFM3-VL-2B: она не генерирует токены, а за один прямой проход возвращает калиброванные ответы с вероятностями — извлекает текст, числа и даты, находит объекты на картинках и оценивает величины интервалом. Автор заявляет 5.7 мс на решение на NVIDIA H100 и 3.8 мс на AMD MI325X.

Что это значит

Модель содержит 1.9 млрд параметров, самый большой файл весов — 3.6 ГБ в формате safetensors. Запускается через transformers. На площадке уже есть пять квантованных сборок в GGUF и MLX, самая маленькая рабочая — Q4_K_M объёмом 1 ГБ. Лицензия — LFM Open License v1.0: использовать, изменять и распространять модель можно, в том числе коммерчески, пока годовая выручка не превышает 10 миллионов долларов США. Для некоммерческих организаций порог не применяется. При распространении нужно приложить лицензию, отметить изменения и сохранить уведомления об авторстве. Для локального запуска на своём железе квантованная сборка на 1 ГБ выглядит доступной даже для потребительских GPU, а полные веса на 3.6 ГБ поместятся в видеопамять видеокарт среднего уровня. Контекст — 128K токенов, словарь — 128 000 токенов, языки включают русский, английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский и португальский. Модель ориентирована на задачи классификации и извлечения структурированных ответов, а не на генерацию текста, поэтому сравнивать её с обычными text-to-video или чат-моделями напрямую не стоит. Следить за новыми инструментами для локального запуска можно в ленте новостей CPU3D.