Liquid AI เปิดตัว d1 โมเดลตัดสินใจแบบ Open Source สำหรับอุปกรณ์ Edge

วันนี้ เราเปิดตัวโมเดลการตัดสินใจแบบ open สองรุ่นใน ตระกูลโมเดลการตัดสินใจ d1 ของเรา ได้แก่ d1-3B และ d1-omni-600M ซึ่งเป็นรุ่นทดลอง

โมเดล d1-3B ถือเป็นโมเดลการตัดสินใจที่ดีที่สุดในกลุ่มที่ต่ำกว่า 10B บน Decision Index 0.2.1 โดยทำคะแนนได้ 48.57 นำหน้าโมเดลขนาด 4B และ 9B รวมถึง Decider 35B-A3B ที่ทำได้ 47.11 นอกจากนี้ยังมาพร้อมความสามารถด้าน Multimodal โดย d1-3B รองรับข้อความและรูปภาพ ส่วน d1-omni-600M รองรับได้ทั้งข้อความ รูปภาพ และเสียง

ในด้านความเร็ว d1-3B สามารถตอบคำถามได้ในเวลาเพียง 16 ms บน NVIDIA Jetson AGX Thor, 26 ms บน Jetson AGX Orin และ 50 ms บน Jetson Orin Nano

วิธีที่เราสร้างโมเดลการตัดสินใจสำหรับอุปกรณ์ปลายทาง (Edge)

โมเดลการตัดสินใจ d1 แบบ open เหล่านี้สร้างขึ้นบน Liquid Foundation Models (LFMs) ของเรา ซึ่งมีความแตกต่างจากโมเดลเชิงสร้างสรรค์ (generative models) ทั่วไปตรงที่โมเดลการตัดสินใจจะไม่สร้าง token แต่จะตอบคำถามผ่านการส่งข้อมูลไปข้างหน้าเพียงครั้งเดียว (single forward pass)

d1-3B และ d1-omni-600M ถูกฝึกฝนจากโครงสร้างหลัก (backbones) สองแบบที่แตกต่างกัน โดย d1-3B พัฒนาจาก LFM2.5-VL-3B ซึ่งเป็น VLM แบบ decoder-only รองรับอินพุตข้อความและรูปภาพ

ส่วน d1-omni-600M พัฒนาจาก LFM2.5-Encoder-350M ซึ่งเป็น bidirectional encoder ที่เพิ่ม vision และ audio encoders เพื่อจัดการข้อมูลได้ครบทั้งสามรูปแบบ ขณะนี้โมเดลนี้ยังอยู่ในช่วงการเปิดตัวเพื่องานวิจัยระยะเริ่มต้นและกำลังอยู่ระหว่างการพัฒนาเพิ่มเติม

ผลลัพธ์การทดสอบมาตรฐาน (Benchmark results)

เราได้ทดสอบ d1-3B และ d1-omni-600M บนชุดข้อมูลสาธารณะ 7 ชุด ครอบคลุมทั้งการอ่านจับใจความ การตรวจจับความเป็นพิษ การจำแนกเจตนา การตอบคำถามทางการแพทย์ และความเข้าใจหลายภาษา โดย d1-3B ทำคะแนนเฉลี่ยได้สูงสุดที่ 82.9 เหนือกว่า Decider 4B ขณะที่ d1-omni-600M ทำได้ 78.4 ซึ่งสูงกว่า Decider 2B (77.1) แม้จะใช้พารามิเตอร์เพียงหนึ่งในสี่เท่านั้น

ผลการทดสอบยืนยันว่า d1-3B ยังคงประสิทธิภาพด้านการมองเห็นของโครงสร้าง LFM2.5-VL-3B ไว้อย่างครบถ้วน ส่วน d1-omni-600M สามารถจัดการข้อมูลได้ทั้งสามรูปแบบ อย่างไรก็ตาม เราไม่ได้รายงานผลการทดสอบด้านการมองเห็นหรือเสียงแยกต่างหาก เนื่องจาก Decision Index v0.3 ปัจจุบันยังมีเพียงชุดข้อมูลภาพส่วนตัวและการทดสอบการตัดสินใจด้วยเสียงที่ยังเป็นโจทย์ท้าทายในระดับสากล

ความเร็ว

จากความร่วมมือกับ NVIDIA เราได้ประเมิน d1-3B บนฮาร์ดแวร์หลากหลายรุ่น ทั้ง NVIDIA GeForce RTX 4090 และตระกูล Jetson โดย d1-3B สามารถประมวลผลบนอุปกรณ์ปลายทาง (Edge inference) และตอบคำถามเดี่ยวได้ในเวลาไม่ถึง 50 ms บนทุกอุปกรณ์ที่ทดสอบ

การตอบ 3 คำถามพร้อมกันใช้เวลาเพียง 1.3 เท่าของการตอบคำถามเดียว โดยบน AGX Thor เวลาเพิ่มขึ้นจาก 16 ms เป็นเพียง 20 ms เท่านั้น

สำหรับการประมวลผลบน GPU นั้น d1-3B ให้ความเร็วที่น่าทึ่ง โดยตอบคำถามได้ในเวลาไม่ถึง 10 ms และประมวลผลรูปภาพขนาด 384px ได้ในเวลาไม่ถึง 18 ms บนทั้งสองแพลตฟอร์มที่ทดสอบ

วิธีใช้โมเดลการตัดสินใจ d1 แบบ open

โมเดลการตัดสินใจ d1 เหมาะสำหรับงานที่ต้องการความเร็วและการตัดสินใจที่มีโครงสร้างชัดเจน รวมถึงงานที่ต้องใช้อินพุตแบบ multimodal โดย d1-3B ให้คุณภาพการตัดสินใจสูงสุดเมื่อเทียบกับโมเดลขนาดเดียวกัน ส่วน d1-omni-600M จะเหมาะอย่างยิ่งสำหรับอุปกรณ์ที่มีพื้นที่จัดเก็บจำกัด

ก่อนเริ่มใช้งาน ตรวจสอบการติดตั้งการอ้างอิง (ต้องการ transformers>=5.14):

pip install "transformers>=5.14" torch torchvision pillow
``` เนื่องจากโมเดลเหล่านี้มาพร้อมกับโค้ดเฉพาะตัว โปรดโหลดโมเดลด้วยคำสั่ง `trust_remote_code=True` ดังตัวอย่างด้านล่าง:
 
```python
import io
import urllib.request
 
import torch
from PIL import Image
from transformers import AutoModel
 
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
model = AutoModel.from_pretrained("LiquidAI/d1-3B", trust_remote_code=True,
                                  dtype=torch.float32 if device == "cpu" else torch.bfloat16).to(device)
 
# Several named questions over one text state, answered in one pass
questions = {
    "refund": {"type": "noul", "instructions": "Is the customer asking for a refund?"},
    "team": {"type": "choice", "instructions": "Which team should handle this?",
             "criteria": {"billing": "Charges, refunds, invoices", "technical": "App or site faults",
                          "fraud": "Suspected unauthorised use"}},
    "urgency": {"type": "score", "instructions": "How urgent is this?",
                "criteria": ["Can wait", "Today", "Blocking the customer now"]},
}
print(model.system_one("I was charged twice this month, please refund one of them.", questions))
 
# An image as the whole state
url = "http://images.cocodataset.org/val2017/000000039769.jpg"  # two cats on a sofa
photo = Image.open(io.BytesIO(urllib.request.urlopen(url).read()))
print(model.system_one(None, {"cats": {"type": "choice", "instructions": "How many cats are there?",
                                       "criteria": {"one": "One", "two": "Two", "more": "Three or more"}}},
                       images=[photo]))
 
# Many requests, packed together with no padding
tickets = ["Where is my parcel? It was due Monday.", "The app crashes when I open settings."]
print(model.system_one_batch([(t, {"team": questions["team"]}) for t in tickets]))

ตัวอย่างข้างต้นเป็นเพียงการใช้งานเบื้องต้นสำหรับ d1-3B สำหรับคำแนะนำของรุ่น d1-omni-600M สามารถดูได้ที่ model card ของ d1-omni-600M

เริ่มต้นกับโมเดลการตัดสินใจ d1 แบบ open

ขณะนี้โมเดลการตัดสินใจทั้งสองรุ่นพร้อมใช้งานแล้วบน Hugging Face ในรูปแบบ open-weight:

• ดาวน์โหลด: d1-3B และ d1-omni-600M บน Hugging Face
• ทดลอง: สามารถรันการสาธิตในพื้นที่ System One Arcade ของเราผ่าน Hugging Face Space

เราตื่นเต้นที่จะได้เห็นนวัตกรรมใหม่ๆ ที่คุณจะสร้างขึ้นจากโมเดลเหล่านี้

การอ้างอิง

หากคุณใช้ผลงานนี้ในงานวิจัยหรือโครงการ โปรดอ้างอิงบล็อกการเปิดตัวอย่างเป็นทางการ:

@article{liquidAI2026opend1,
  author  = {Liquid AI},
  title   = {Open d1: Edge decision models for text, vision, and audio},
  journal = {Liquid AI Blog},
  year    = {2026},
  note    = {www.liquid.ai/blog/open-d1},
}