Liquid AI 在 LFM3-Omni-2B 上后训练的“判定模型”，是 d1-2B 加上音频输入的版本：给它一段文字或 JSON 状态、图片、视频帧、音频片段和若干具名问题（可以写也可以直接说），一次前向就返回每题的答案和概率，不生成文字；面向来电和语音留言分流、声音事件识别，以及和 d1-2B 相同的文本、图片判定。
上升分 81 · 点赞 81 · 下载量 1083
理由
- 问题类型覆盖是否判断、单选 / 多选、2–10 级打分、从状态里抽文字 / 数字 / 日期（带原文位置）、带 p10–p90 区间的数量估计，以及在图里框出一个或全部物体。
- 官方称在 H100 上每次判定 5.8 ms、AMD MI325X 上 3.7 ms，带 10 秒音频为 12.4 ms / 8.2 ms，Apple M5 Pro 上 21.1 ms。
- 官方音频测试（有效准确率，0 为随机）：真人语音助手指令意图 SLURP 听读 81.7、环境声 ESC-50 84.5、43 种语言辨识 92.5；10 月 29 日已收的 d1-2B 不能听音频，这一版此前各期没有收录。
用法
- pip install "transformers>=5.19" torch torchvision pillow；AutoModel.from_pretrained("LiquidAI/d1-Omni-2B", trust_remote_code=True)，调用 model.system_one(状态, {问题名: {type, instructions, …}}, media=[{"type": "audio", "path": "call.wav"}])；没有采样参数可调。
- 音频用 16 位 PCM WAV（自动重采样到 16 kHz）；口头提问就把 instructions 换成音频片段；批量用 system_one_batch，先 model.compile() 预热（首次编译约一分钟）。
- 缺失的值或框在 found 低于 0.5 时返回 None；判定阈值要用自己业务的数据校准。
风险
- 不是聊天模型，不出转写也不出语音；长段口语准确率掉得多（Belebele 听读 41.8，书面 83.6），非拉丁文字语言更明显；语音不支持印地语、泰语、越南语、印尼语。
- 不需要音频时官方建议用 d1-2B：文本和单框更强、校准更好；本模型公开基准平均 67.7，低于 d1-2B 的 70.2。
- 许可是 LFM Open License v1.0，不是 Apache / MIT；需要 trust_remote_code；所有分数为官方自测。