Liquid AIのd1-3Bが首位

Liquid AIはこの2つのモデルを自社のLiquid Foundation Models上に構築したが、ひとつ工夫がある。トークンを生成する生成モデルと違い、意思決定モデルは1回のフォワードパスで回答する。この設計がエッジ速度の数値を可能にしている。d1-3Bはデコーダのみの視覚言語モデルLFM2.5-VL-3Bから、実験版のd1-omni-600Mは双方向エンコーダLFM2.5-Encoder-350Mから訓練され、後者は視覚と音声のエンコーダを加えて3モダリティを扱う。2つのバックボーンは用途の違いを示す。d1-3Bは品質が問われるテキストと画像の意思決定向け、d1-omni-600Mはフットプリントが制約となる場面向けだ。

ベンチマーク結果は、読解、有害性検出、意図分類、医療QA、言語横断理解をカバーする7つの公開データセットの平均スコアでd1-3Bが首位に立つことを示す。同社は視覚・音声のベンチマークを報告しておらず、Decision Index v0.3には非公開の視覚スプリットしか含まれず、音声の意思決定ベンチマークは現時点で未解決の問題だと注記している。この欠落は、マルチモーダルの主張を競合と直接比較したい人にとって重要な意味を持つ。

NVIDIAと共同でGeForce RTX 4090、Jetson AGX Thor、Jetson AGX Orin 64 GB、Jetson Orin Nanoを用いた速度検証では、d1-3Bは測定した全端末で1問を50ms未満で回答する。これが実製品での勝利につながるかは、各チーム固有の意思決定タスクでの性能と、d1-omni-600Mが初期研究版からいつ脱するかにかかっていそうだ。