Liquid AI가 2026년 10월 7일 오픈 가중치 의사결정 모델 d1-3B와 실험용 d1-omni-600M을 공개했습니다. 회사에 따르면 d1-3B는 매개변수 10B 미만 모델 중 Decision Index 0.2.1에서 가장 높은 48.57점을 받았으며, 공개된 모든 4B·9B 모델과 47.11점을 기록한 Decider 35B-A3B를 앞섰습니다. d1-3B는 텍스트와 이미지를 입력받고, d1-omni-600M은 텍스트와 이미지 또는 텍스트와 오디오를 입력받습니다.

두 모델은 Liquid Foundation Models를 기반으로 하며, 토큰을 생성하는 대신 한 번의 순방향 계산으로 결정을 내립니다. d1-3B는 디코더만 사용하는 LFM2.5-VL-3B 기반 모델입니다. d1-omni-600M은 양방향 인코더 LFM2.5-Encoder-350M에 시각·오디오 인코더를 추가했으며, Liquid AI는 개발 중인 초기 연구용 공개 모델이라고 밝혔습니다.

독해, 유해성 감지, 의도 분류, 의학 질문 응답, 다국어 이해 등을 포함한 공개 데이터셋 7개에서 d1-3B의 평균 점수는 82.9로 Decider 4B의 81.1을 넘었습니다. d1-omni-600M은 78.4점을 받아 매개변수가 4분의 1인 Decider 2B의 77.1보다 높았습니다. d1-3B, Decider 2B, Decider 4B, Decider 35B-A3B 순으로 보고된 점수는 SQuAD 2.0이 83.3, 67.7, 76.0이며 표에는 d1-3B 점수가 없었습니다. Civil Comments는 95.8, 93.3, 93.6, 92.8, MASSIVE 의도 분류는 86.1, 86.9, 81.1, 88.3, PubMedQA는 61.3, 68.3, 65.7, 63.3이었습니다. BoolQ는 77.7, 86.3, 87.3, 89.0, XNLI는 74.7, 85.6, 85.0, 88.6, PAWS-X는 79.5, 76.4, 59.5, 69.8이었습니다. Liquid AI는 d1-3B가 기반 모델의 시각 기능을 유지하고 d1-omni-600M이 세 가지 입력 형태를 처리한다고 밝혔지만, 시각·오디오 벤치마크 점수는 공개하지 않았습니다.

Liquid AI는 NVIDIA와 함께 엣지 기기에서 d1-3B를 측정했습니다. 질문 1개에 대한 응답 시간은 Jetson AGX Thor 16ms, Jetson AGX Orin 64GB 26ms, Jetson Orin Nano 50ms였고 Apple M5 Pro는 30ms였습니다. 질문 3개 처리 시간은 같은 순서로 20ms, 35ms, 73ms, 41ms였습니다. 3.4K 토큰 상태 처리에는 220ms, 560ms, 1,640ms, 640ms가 걸렸고, 384px 이미지 처리에는 35ms, 83ms, 202ms, 62ms가 걸렸습니다. 상태 64개를 묶어 처리한 처리량은 초당 262개, 110개, 38개, 78개였습니다. NVIDIA RTX 4090과 AMD MI325X에서는 질문 1개 응답 시간이 각각 8ms와 9ms, 질문 3개 처리 시간이 21ms와 14ms, 3.4K 토큰 상태 처리 시간이 102ms와 44ms, 이미지 처리 시간이 17ms와 18ms였으며 처리량은 초당 475개와 1,106개였습니다. 이번 공개에는 d1-omni-600M의 속도 측정 결과가 포함되지 않았습니다.

Liquid AI는 두 모델을 다중 입력을 활용한 빠른 구조적 의사결정용으로 제시했습니다. d1-3B는 해당 크기에서 의사결정 품질을, d1-omni-600M은 작은 모델 크기를 내세웁니다. 두 모델은 오픈 가중치로 Hugging Face에서 제공되며, 사용하려면 transformers>=5.14가 필요하고 trust_remote_code=True 설정으로 불러와야 합니다. 회사는 System One Arcade의 Hugging Face Space에서 시연을 볼 수 있다고 안내했습니다.

Liquid AI가 2026년 10월 7일 오픈 가중치 의사결정 모델 d1-3B와 실험용 d1-omni-600M을 공개했습니다. 회사에 따르면 d1-3B는 매개변수 10B 미만 모델 중 Decision Index 0.2.1에서 가장 높은 48.57점을 받았으며, 공개된 모든 4B·9B 모델과 47.11점을 기록한 Decider 35B-A3B를 앞섰습니다. d1-3B는 텍스트와 이미지를 입력받고, d1-omni-600M은 텍스트와 이미지 또는 텍스트와 오디오를 입력받습니다.

두 모델은 Liquid Foundation Models를 기반으로 하며, 토큰을 생성하는 대신 한 번의 순방향 계산으로 결정을 내립니다. d1-3B는 디코더만 사용하는 LFM2.5-VL-3B 기반 모델입니다. d1-omni-600M은 양방향 인코더 LFM2.5-Encoder-350M에 시각·오디오 인코더를 추가했으며, Liquid AI는 개발 중인 초기 연구용 공개 모델이라고 밝혔습니다.

독해, 유해성 감지, 의도 분류, 의학 질문 응답, 다국어 이해 등을 포함한 공개 데이터셋 7개에서 d1-3B의 평균 점수는 82.9로 Decider 4B의 81.1을 넘었습니다. d1-omni-600M은 78.4점을 받아 매개변수가 4분의 1인 Decider 2B의 77.1보다 높았습니다. d1-3B, Decider 2B, Decider 4B, Decider 35B-A3B 순으로 보고된 점수는 SQuAD 2.0이 83.3, 67.7, 76.0이며 표에는 d1-3B 점수가 없었습니다. Civil Comments는 95.8, 93.3, 93.6, 92.8, MASSIVE 의도 분류는 86.1, 86.9, 81.1, 88.3, PubMedQA는 61.3, 68.3, 65.7, 63.3이었습니다. BoolQ는 77.7, 86.3, 87.3, 89.0, XNLI는 74.7, 85.6, 85.0, 88.6, PAWS-X는 79.5, 76.4, 59.5, 69.8이었습니다. Liquid AI는 d1-3B가 기반 모델의 시각 기능을 유지하고 d1-omni-600M이 세 가지 입력 형태를 처리한다고 밝혔지만, 시각·오디오 벤치마크 점수는 공개하지 않았습니다.

Liquid AI는 NVIDIA와 함께 엣지 기기에서 d1-3B를 측정했습니다. 질문 1개에 대한 응답 시간은 Jetson AGX Thor 16ms, Jetson AGX Orin 64GB 26ms, Jetson Orin Nano 50ms였고 Apple M5 Pro는 30ms였습니다. 질문 3개 처리 시간은 같은 순서로 20ms, 35ms, 73ms, 41ms였습니다. 3.4K 토큰 상태 처리에는 220ms, 560ms, 1,640ms, 640ms가 걸렸고, 384px 이미지 처리에는 35ms, 83ms, 202ms, 62ms가 걸렸습니다. 상태 64개를 묶어 처리한 처리량은 초당 262개, 110개, 38개, 78개였습니다. NVIDIA RTX 4090과 AMD MI325X에서는 질문 1개 응답 시간이 각각 8ms와 9ms, 질문 3개 처리 시간이 21ms와 14ms, 3.4K 토큰 상태 처리 시간이 102ms와 44ms, 이미지 처리 시간이 17ms와 18ms였으며 처리량은 초당 475개와 1,106개였습니다. 이번 공개에는 d1-omni-600M의 속도 측정 결과가 포함되지 않았습니다.

Liquid AI는 두 모델을 다중 입력을 활용한 빠른 구조적 의사결정용으로 제시했습니다. d1-3B는 해당 크기에서 의사결정 품질을, d1-omni-600M은 작은 모델 크기를 내세웁니다. 두 모델은 오픈 가중치로 Hugging Face에서 제공되며, 사용하려면 transformers>=5.14가 필요하고 trust_remote_code=True 설정으로 불러와야 합니다. 회사는 System One Arcade의 Hugging Face Space에서 시연을 볼 수 있다고 안내했습니다.