LiquidAI 发布 d1-2B——面向文本、图像和视频的决策模型

2026 年 10 月 24 日，HuggingFace 上发布了模型 LiquidAI/d1-2B，任务类型为 image-text-to-text。这是一个决策模型，基于 LFM3-VL-2B 构建：它不生成 token，而是在一次前向传播中返回带概率的校准答案——提取文本、数字和日期，在图片中定位对象，并以区间形式估计数值。据作者描述，在 NVIDIA H100 上每次决策耗时 5.7 毫秒，在 AMD MI325X 上为 3.8 毫秒。

这意味着什么

模型包含 19 亿参数，最大的权重文件为 3.6 GB，格式为 safetensors。通过 transformers 运行。平台上已有五个 GGUF 和 MLX 量化版本，最小的可用版本为 Q4_K_M，体积 1 GB。 许可证为 LFM Open License v1.0：可以使用、修改和分发该模型，包括商业用途，只要年营收不超过 1000 万美元。对非营利组织不适用该门槛。分发时需附上许可证、注明修改内容并保留署名声明。 对于在自己的硬件上运行，1 GB 的量化版本看起来即使对消费级 GPU 也可用，而 3.6 GB 的完整权重可以放入中端显卡的显存。上下文为 128K token，词表为 128 000 token，语言包括俄语、英语、阿拉伯语、中文、法语、德语、意大利语、日语、韩语和葡萄牙语。 该模型面向分类和结构化答案提取任务，而非文本生成，因此不宜将其与普通的 text-to-video 或聊天模型直接比较。可以在 CPU3D 动态中关注用于本地运行的新工具。