「d1-omni-600M」マルチモーダル決定モデル:必要VRAM 4GB〜・GGUF版あり

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | LiquidAI/d1-omni-600M |
| まとめページ | LFM2.5 のまとめ(記事11本) |
| 公開元のまとめ | Liquid AI のモデルとライセンスのまとめ |
| 公開日 | 2026-10-06 |
| ライセンス | lfm1.0 |
| 配布形式 | safetensors |
| 論文 | arXiv:2511.23404 |
| 出典の種類 | 公開元の一次情報(公式HFリポジトリの出典で裏付け可能) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
LiquidAIは、テキスト・画像・音声の入力を受け取り、生成プロセスを経ずに即座に「判断(意思決定)」を下すマルチモーダル決定モデル「d1-omni-600M」を公開しました。本モデルは「LFM2.5-Encoder-350M」をベースに構築された587Mパラメータの軽量モデルで、エッジデバイスでの動作を想定して設計されています。
論文「LFM2 Technical Report」によれば、本モデルは従来のLLMのようにテキストを生成して解析するのではなく、モデルの分布から直接回答を読み取る「ゼロ出力トークン」方式を採用しています。これにより、画像や音声を含む状態に対して、単一のフォワードパスで複数の質問に回答することが可能です。
スペック
- 総パラメータ数: 587M(共有トランクおよび決定ヘッド 381M、ビジョンエンコーダー 94M、オーディオエンコーダー 112M)
- ビジョンエンコーダー: SigLIP2 vision tower
- オーディオエンコーダー: 17層 FastConformer
- コンテキスト長: 16,384トークン(テキスト、画像、音声の合計位置)
- 語彙サイズ: 65,536
性能
公開元による「Decision Index 0.2.1」のスコアは以下の通りです。比較対象には、より大規模な12Bクラスや3Bクラスのモデルが含まれています。
→ 横にスクロールできます
| Model | Size | Decision Index | Knowledge | Language | Retrieval | Tools | Arts |
|---|---|---|---|---|---|---|---|
| Winnow-12B | 12B | 50.02 | 33.8 | 56.0 | 54.0 | 71.0 | 30.0 |
| d1-3B | 3B | 48.57 | 23.8 | 56.4 | 52.8 | 74.5 | 36.3 |
| Decider 35B-A3B | 36B | 47.11 | 31.8 | 55.5 | 54.7 | 56.5 | 32.6 |
| JPT-9B | 9.7B | 46.89 | 31.7 | 56.7 | 44.6 | 67.0 | 28.6 |
| Decision 1.0 Lux | 9.7B | 43.49 | 30.9 | 48.0 | 50.0 | 57.2 | 26.4 |
| JPT-4B | 4.7B | 43.04 | 28.7 | 52.5 | 45.0 | 57.2 | 25.8 |
| Jet v6.2 | 4.7B | 42.60 | 28.7 | 43.9 | 48.2 | 62.9 | 27.0 |
| Decider 4B | 4.7B | 40.70 | 25.7 | 46.0 | 44.7 | 58.6 | 25.0 |
| Winnow-E4B | 8.0B | 39.89 | 22.3 | 45.1 | 43.8 | 62.5 | 22.8 |
| Decider 2B | 2.3B | 28.97 | 14.9 | 32.6 | 37.3 | 42.4 | 14.6 |
| d1-omni-600M | 587M | 15.95 | 8.3 | 12.9 | 35.0 | 15.1 | 6.8 |
この表から、d1-omni-600Mは587Mという極めて小規模なサイズでありながら、特定の分野で健闘していることが分かります。総合スコア(Decision Index)は上位モデルに及びませんが、「Retrieval」項目では35.0を記録しており、2.3BクラスのDecider 2B(37.3)に近い性能を示しています。一方で、「Knowledge」や「Arts」といった広範な知識を問う分野では、パラメータ数の少なさが影響し、上位モデルと大きな開きがあります。
次に、既存のベンチマークを判断タスクとして評価した結果です。
→ 横にスクロールできます
| Benchmark | d1-omni-600M | d1-3B | Decider 4B | Decider 2B |
|---|---|---|---|---|
| SQuAD 2.0 | 74.0 | 85.3 | 76.0 | 67.7 |
| Civil Comments | 95.8 | 93.0 | 92.8 | 93.6 |
| MASSIVE intent | 86.1 | 87.3 | 88.3 | 81.1 |
| PubMedQA | 61.3 | 66.0 | 63.3 | 65.7 |
| BoolQ | 77.7 | 86.7 | 89.0 | 87.3 |
| XNLI | 74.7 | 85.0 | 88.6 | 85.0 |
| PAWS-X | 79.5 | 76.9 | 69.8 | 59.5 |
| Mean | 78.4 | 82.9 | 81.1 | 77.1 |
こちらの評価では、d1-omni-600Mが一部の項目で上位モデルを凌駕する結果を残しています。特に「Civil Comments」では95.8、「PAWS-X」では79.5を記録し、3Bクラスのd1-3Bや4BクラスのDecider 4Bを上回る最高値を達成しています。平均スコア(Mean)でも78.4を記録しており、サイズが約4倍のDecider 2B(77.1)を上回る効率の良さを見せています。ただし、「BoolQ」や「XNLI」では上位モデルと10ポイント以上の差があり、タスクの性質によって優劣がはっきりと分かれています。
得意なこと・想定用途
d1-omni-600Mは、入力されたデータに対して「生成」ではなく「判断」を下すことに特化したモデルです。モデルカードに記載された capability_tags には decision、classification、vision、audio が含まれており、マルチモーダルな情報を即座に分類する能力に長けています。
具体的な得意分野として、以下の用途が推奨されています。
– ルーティングとトリアージ: 顧客からの問い合わせ内容を判断し、適切な担当部署(請求、技術サポート、不正対策など)へ振り分けることができます。
– コンテンツモデレーション: テキストや画像がポリシーに違反していないかを判定します。
– 音声コマンドの解析: 最大30秒までの音声クリップから、話者の意図やトピックを抽出します。音声機能は、英語の話者とアシスタントの間のやり取りでトレーニングされています。
– 視覚的検査: 画像内に特定のオブジェクトがいくつ存在するか、あるいは異常があるかを確認します。
– エージェントのガードレール: AIエージェントの行動が安全圏内にあるかを監視・判定します。
本モデルの最大の特徴は、回答を生成するプロセスを一切介さない「ゼロ出力トークン」方式です。質問に対して「はい/いいえ(noul)」、「選択肢(choice)」、「スコア(score)」といった型を定義することで、モデルの内部的な確率分布から直接答えを読み取ります。これにより、生成AIで課題となる「出力形式のパース失敗」が発生せず、極めて高速かつ決定論的な動作が期待できます。
対応言語は、日本語を含む15言語(英語、ドイツ語、スペイン語、フランス語、イタリア語、オランダ語、ポーランド語、ポルトガル語、アラビア語、ヒンディー語、ロシア語、トルコ語、ベトナム語、中国語)をサポートしています。ただし、本モデルは「チャットモデル」ではないため、自由な対話や文章作成には利用できない点に注意が必要です。
類似モデルとの違い
当サイトで以前に取り上げた 「LFM2.5-350M-Diffusion-Exp」ブロック拡散型の軽量言語モデル:必要VRAM 4GB〜 は、同じLFM2.5アーキテクチャをベースにしていますが、その性質は対照的です。Diffusion-Expはテキスト生成を並列化して高速化することを目指した「生成モデル」の実験版でしたが、今回のd1-omni-600Mは生成を完全に排除した「決定モデル」です。
また、Diffusion-Expが主にテキストを対象としていたのに対し、d1-omni-600Mはビジョンエンコーダー(SigLIP2)とオーディオエンコーダー(FastConformer)を統合しており、画像や音声を直接入力して判断を下せるマルチモーダル性を備えている点が大きな違いです。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 587M
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| 4GB(ノートPCの内蔵GPU・スマートフォンなど) | BF16 | 0.7GB | 0.9GB |
推論エンジンの対応状況(各プロジェクトのソースにあるモデル登録表とアーキテクチャ名を当サイトが機械的に照合。2026-11-17 時点): llama.cpp: 登録あり、vLLM: 未登録、MLX (mlx-lm): 未登録。「未登録」はその時点の登録表に名前が無いという意味で、動かないことの断定ではありません。
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 ファイルサイズは変換版 LiquidAI/d1-omni-600M-GGUF の配布ファイルの実測値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
Ollama・LM Studio・llama.cpp で動かせます(変換版を利用)。
公開元の配布は safetensors ですが、LiquidAI/d1-omni-600M-GGUF が GGUF版を公開しているため、そちらを使えば手元で動きます。
ライセンス lfm1.0(条件付きで商用利用可): LiquidAI の LFM Open License v1.0 です。商用利用は可能ですが、年間売上が1,000万ドル以上の法人による商用利用は許諾の対象外です(第5条)。再配布時はライセンス文と変更点の告知が必要です。
配布形式・当サイトが見つけた変換版・各推論エンジンの登録表を突き合わせた判定です。「確認できていない」は当サイトが見つけていないという意味で、存在しないことの断定ではありません。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
同クラスの既報モデル
当サイトが最近取り上げた、パラメータ数 〜4B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。
→ 横にスクロールできます
| モデル | パラメータ数 | 最小のVRAM階層 | ライセンス | 記事 |
|---|---|---|---|---|
| LiquidAI/d1-3B | 3.1B | 4GB | lfm1.0 | 「d1-3B」テキストや画像の判定に特化した決定モデル:必要VRAM 4GB〜・GGUF版あり(2026-11-17) |
| baidu/Unlimited-OCR-2 | 3.3B | 8GB | mit | 「Unlimited-OCR-2」超長文ドキュメント解析特化型ビジョン言語モデル:必要VRAM 8GB〜(2026-11-17) |
| openbmb/MiniCPM-OCR-1.0-DSpark | 297M | 4GB | apache-2.0 | 「MiniCPM-OCR-1.0-DSpark」OCRの高速化ドラフトモデル:必要VRAM 4GB〜(2026-11-17) |
| openbmb/MiniCPM-OCR-Jev-GPTQ | 2.2B | 4GB | apache-2.0 | MiniCPM-OCR-Jevの量子化版が公開、GPTQとAWQ形式に対応(2026-11-17) |
| LiquidAI/d1-2B-GGUF | 1.9B | 4GB | lfm1.0 | 「d1-2B-GGUF」テキスト・画像・動画対応の意思決定モデル:必要VRAM 4GB〜(2026-11-17) |
入手方法
本モデルはHugging Faceのリポジトリ LiquidAI/d1-omni-600M にて、safetensors形式で公開されています。利用には transformers ライブラリのバージョン 5.15 以上が必要です。
モデルのロードには、カスタムコードの実行を許可する trust_remote_code=True の指定が必須となります。
from transformers import AutoModel
model = AutoModel.from_pretrained("LiquidAI/d1-omni-600M", trust_remote_code=True)
推論時には、model.system_one メソッドを使用して、状態(テキスト、JSON、画像、または音声)と質問のセットを渡します。画像はPIL形式、音声は16kHzモノラルのデータに対応しています。また、複数のリクエストを一度に処理する system_one_batch メソッドも用意されています。
公開元によれば、本モデルはfloat32でトレーニングされていますが、GPU上ではfloat16での実行が推奨されています。bfloat16を使用すると、テキストで0.8%、音声で1.7%の割合でトップ回答が変化する可能性があるため、精度を重視する場合は避けるべきとされています。
派生版・量子化版
→ 横にスクロールできます
| 追記日 | 配布元 | 形式 | リポジトリ | 最小のVRAM階層(量子化・必要メモリの目安) |
|---|---|---|---|---|
| 2026-10-07 | LiquidAI | GGUF | LiquidAI/d1-omni-600M-GGUF | BF16 0.9GB(4GB VRAMで動作) |
| 2026-10-12 | LiquidAI | MLX | LiquidAI/d1-omni-600M-MLX-8bit | MLX 8bit 0.8GB(4GB VRAMで動作) |
| 2026-10-12 | LiquidAI | MLX | LiquidAI/d1-omni-600M-MLX-fp16 | MLX 1.3GB(4GB VRAMで動作) |
| 2026-11-17 | mradermacher | GGUF | mradermacher/d1-omni-600M-GGUF | F16 0.9GB(4GB VRAMで動作) |
各リポジトリの量子化とファイルサイズ:
- LiquidAI/d1-omni-600M-GGUF の量子化: Q8_0 0.4GB / BF16 0.7GB / F16 0.7GB
- LiquidAI/d1-omni-600M-MLX-8bit の量子化: MLX 8bit 0.7GB
- LiquidAI/d1-omni-600M-MLX-fp16 の量子化: MLX 1.1GB
- mradermacher/d1-omni-600M-GGUF の量子化: Q2_K 0.2GB / Q3_K_S 0.2GB / Q3_K_M 0.2GB / Q3_K_L 0.2GB / IQ4_XS 0.2GB / Q4_K_S 0.2GB / Q4_K_M 0.2GB / Q5_K_S 0.3GB / Q5_K_M 0.3GB / Q6_K 0.3GB / Q8_0 0.4GB / F16 0.7GB
このほか、上記以外の投稿者による変換版が 14 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。
この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。
関連記事
- 「LFM2.5-350M-Diffusion-Exp」ブロック拡散型の軽量言語モデル:必要VRAM 4GB〜
- 「LFM2.5-24B-A2B-DSpark-GGUF」投機的デコーディング用のドラフトモデル:必要VRAM 4GB〜
- 「LFM2.5-24B-A2B-DSpark」推測デコード用のドラフトモデル:必要VRAM 4GB〜・GGUF版あり
- 「d1-3B」テキストや画像の判定に特化した決定モデル:必要VRAM 4GB〜・GGUF版あり
次に読むなら
- GPUのVRAMから探す(このモデルは4GBの階層から動きます) → 8GBのGPUで動くほかのモデル
- 同じモデル系統を調べる → LFM2.5 系統のまとめ(記事11本・変換版17件)
- このモデルを動かすエンジンを調べる → llama.cpp / Ollama
- このモデルを入手できる形式を調べる → GGUF形式の解説と対応モデル / MLX形式の解説と対応モデル
- 公開元について調べる → Liquid AI のモデル・ライセンス・記事のまとめ
出典
更新履歴
- 2026-11-17: 変換版を「派生版・量子化版」に追記しました: mradermacher/d1-omni-600M-GGUF
- 2026-11-17: 動作環境の表を LiquidAI/d1-omni-600M-GGUF の実ファイルサイズで更新しました。
- 2026-11-17: タイトルを、記事で分かる内容(必要VRAM・配布ファイル等)を示す形に変更しました。

