「d1-Omni-2B-GGUF」マルチモーダル意思決定モデル:必要VRAM 4GB〜・配布ファイル一覧

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | LiquidAI/d1-Omni-2B-GGUF |
| まとめページ | d1-Omni のまとめ(記事1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 | 2026-10-28 |
| ライセンス | lfm1.0 |
| 配布形式 | GGUF |
| 出典の種類 | 公開元の一次情報(公式HFリポジトリでGGUF公開を確認) |
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、および音声の情報を入力として受け取り、特定のタスクに対する意思決定を行うためのモデル「d1-Omni-2B」のGGUF形式のモデルを公開しました。このモデルは、従来の生成モデルのようにトークンを逐次生成するのではなく、1回のフォワードパスでキャリブレーションされた回答を直接出力する「意思決定モデル(Decision Model)」として設計されています。
スペック
- アーキテクチャ: LFM3 backbone, 24 layers (13 gated short convolutions, 5 sliding-window attention, 6 global attention)
- パラメータ数: 2.17B
- 入力: テキストまたはJSON形式の状態、画像、ビデオ、音声クリップ、および書面または音声による質問
- 出力: 確率を伴う型付きの回答(トークンや音声の生成は行いません)
- 対応言語: 日本語、英語、アラビア語、中国語、フランス語、ドイツ語、イタリア語、韓国語、ポルトガル語、スペイン語、ベトナム語、タイ語、インドネシア語、ヒンディー語、ロシア語、ポーランド語
- ライセンス: LFM Open License v1.0
性能・品質
元モデルであるd1-Omni-2Bの性能に関するベンチマーク結果は以下の通りです。
→ 横にスクロールできます
| Benchmark | d1-Omni 2B | d1-omni 600M | d1 2B | d1 3B |
|---|---|---|---|---|
| Decision Index public suite (v0.3) | 49.0 | 18.3 | 51.1 | 49.0 |
| DecisionBench (Hanno Labs) v1 | 76.4 | 58.7 | 77.1 | 73.1 |
| Decision Bench (decisionbench.ai) v4 | 84.7 | 57.9 | 85.2 | 83.6 |
| Fast Decisions | 56.8 | – | 58.8 | 59.3 |
| JevBench v1.4.1 | 75.3 | 58.0 | 77.9 | 76.2 |
| ImajevBench v2.0-lite | 72.3 | 21.7 | 75.5 | 64.0 |
| WorkflowEvals | 77.1 | 48.8 | 81.6 | 74.4 |
| Typed Decisions | 63.1 | 57.5 | 61.3 | 65.0 |
| Our board (over a hundred public and private benchmarks) | 61.8 | – | 63.2 | 58.8 |
→ 横にスクロールできます
| Benchmark | d1-Omni 2B | d1-omni 600M | d1 2B | d1 3B |
|---|---|---|---|---|
| AI2D | 71.5 | 37.1 | 76.7 | 79.9 |
| BLINK | 63.5 | 37.7 | 66.2 | 59.2 |
| CountQA | 45.4 | 26.8 | 51.4 | 42.6 |
| CV-Bench | 84.0 | 40.8 | 86.1 | 82.1 |
| ERQA | 42.5 | 27.3 | 45.8 | 39.8 |
| HallusionBench | 67.5 | 52.6 | 72.1 | 65.3 |
| MMBench | 85.2 | 54.2 | 87.9 | 84.9 |
| MME | 83.9 | 61.0 | 85.4 | 82.1 |
| MMMU-Pro | 24.1 | 11.9 | 26.4 | 18.5 |
| MMRB2 | 52.6 | 48.3 | 54.2 | 49.5 |
| MMStar | 61.3 | 31.9 | 67.5 | 59.9 |
| MMVP | 81.3 | 54.0 | 82.7 | 77.0 |
| NaturalBench | 80.0 | 58.8 | 81.5 | 79.8 |
| POPE | 89.9 | 82.7 | 88.7 | 88.6 |
| V* | 76.4 | 35.6 | 76.4 | 73.8 |
| VisualPuzzles | 26.9 | 26.2 | 29.9 | 29.5 |
| VisualWebBench | 88.6 | 14.9 | 96.2 | 71.4 |
| VL-RewardBench | 68.8 | 48.1 | 69.3 | 65.0 |
| Average | 67.7 | 42.8 | 70.2 | 65.4 |
d1-Omni-2Bは、すべてのベンチマークにおいてd1-omni-600Mを上回るスコアを記録しています。また、パラメータ数が70%であるにもかかわらず、d1-3Bを「Our board」および18個の画像ベンチマークのうち16個において上回る結果を示しています。一方で、音声入力を持たないd1-2Bは、ほとんどの項目において依然としてd1-Omni-2Bを上回る性能を維持しています。
得意なこと・想定用途
d1-Omni-2Bは、音声、画像、テキストを組み合わせた高度な意思決定タスクに特化しています。具体的には、電話の着信や音声メッセージのルーティング、音響イベントの検知といった、音声の内容に依存する判断業務に適しています。また、画像内のオブジェクトの特定や数量の推定、文書からのテキスト・数値・日付の抽出といった、マルチモーダルな情報処理も可能です。
音声入力に関しては、音声クリップや音声による質問をテキストや画像と同じパスで処理できるのが特徴です。音声による質問の精度は、未学習のタスクにおいて書面による質問のスコアから0.5ポイント以内の差に収まると報告されています。ただし、非常に長い音声の記述については、ラテン文字以外の言語において精度が大幅に低下する可能性があるとされています。音声入力を用いない、テキストや画像のみの判断であれば、より高い精度とキャリブレーション性能を持つd1-2Bの使用が推奨されています。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 2.2B(元モデル LiquidAI/d1-Omni-2B の値)
| 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 | 3.2GB | 3.9GB |
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。 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
公開元の配布形式は GGUF です。
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。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。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。
配布ファイル
LiquidAI/d1-Omni-2B-GGUF で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。
| ファイル | サイズ |
|---|---|
d1-Omni-2B-BF16.gguf |
3.47GB |
d1-Omni-2B-F16.gguf |
3.47GB |
d1-Omni-2B-Q8_0.gguf |
1.85GB |
mmproj-d1-Omni-2B-BF16.gguf |
610MB |
mmproj-d1-Omni-2B-F16.gguf |
610MB |
mmproj-d1-Omni-2B-Q8_0.gguf |
326MB |
入手方法
d1-Omni-2B-GGUFは、GGUF形式で配布されています。利用には llama.cpp が必要ですが、d1-Omni-2Bへの対応は、現在 ggml-org/llama.cpp#31275 プルリクエストの統合待ちの状態です。そのため、現時点では当該プルリクエストから llama.cpp をビルドして使用する必要があります。
llama-server を使用して、以下のようなコマンドでサーバーを起動できます。
llama-server -hf LiquidAI/d1-Omni-2B-GGUF:Q8_0 -b 8192 -ub 8192
質問を /v1/systemone エンドポイントに送信することで、テキスト、JSON、画像、音声クリップ、および音声による質問に対して回答を得ることができます。なお、現時点では、多肢選択("multiple": true)、抽出、推定、およびバウンディングボックスの出力には対応していません。
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) |
|---|---|---|---|---|
| 2026-11-08 | ggml-org | GGUF | ggml-org/d1-Omni-2B-GGUF | BF16 3.9GB(4GB VRAMで動作) |
各リポジトリの量子化とファイルサイズ:
- ggml-org/d1-Omni-2B-GGUF の量子化: Q8_0 1.7GB / BF16 3.2GB
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
- 「LFM3-Audio-2B-GGUF」音声・テキスト対応の音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧
- 「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〜
- 「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〜
- 「LFM3-Omni-2B-MLX-4bit」マルチモーダルモデル:必要VRAM 4GB〜
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 → d1-Omni 系統のまとめ(記事1本・変換版1件)
- 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
- 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
- 同じ用途の他のモデルを探す → 音声のモデル一覧

