d1-3B
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade6.4/10
Pesos no Hugging Face sob a LFM Open License v1.0 (uso comercial limitado a US$ 10 milhões de receita, não é licença OSI), com README de noul/choice/score. GGUF e llama.cpp no dia do anúncio. Sem API hospedada nem SLA para este checkpoint.
- Capability7.3/10
Noul, choice e score numa passada, zero tokens de saída. O card diz calibrado e não publica ECE. A tabela de latência e o Decision Index 48,57 são rodadas da própria Liquid, fora do board oficial.
- Adoção5/100
Cerca de 5,3 mil downloads e 189 curtidas em três dias, repo GGUF, Space de arcade no HF e um demo de Snake de terceiro (~1,9 mil curtidas). Sem caso de produção.
Vendor claims
- Decision Index v0.2.1, split público, 48,57, à frente de todo modelo abaixo de 10B e no nível do Decider 35B-A3B em 47,11[Claim do fornecedor — não verificado independentemente]
- 8 ms por pergunta numa RTX 4090, 16 ms no Jetson AGX Thor, 26 ms no Jetson AGX Orin, 50 ms no Jetson Orin Nano, 30 ms num Apple M5 Pro[Claim do fornecedor — não verificado independentemente]
- Média 82,9 em sete benchmarks de texto, à frente do Decider 4B em 81,1; visão 74,1 contra 73,9 do LFM2.5-VL-3B em 11 benchmarks de imagem[Claim do fornecedor — não verificado independentemente]
O d1-3B é o modelo de decisão de pesos abertos da Liquid AI, com 3,12 bilhões de parâmetros, anunciado em 7 de outubro de 2026. O treino parte do LFM2.5-VL-3B (VLM decoder-only; o blog diz que a base foi uma média do LFM2.5-2.6B com o backbone de texto do VL). Não é a API hospedada do d1. Aquele checkpoint continua sem publicação, e estes cards não dizem que os pesos são os mesmos.
Você manda um estado (texto, JSON, imagens, ou só imagens) e perguntas nomeadas. system_one() devolve respostas tipadas numa passada. usage.output_tokens é 0. O load pede transformers>=5.14 e trust_remote_code=True. O contexto é de 32.768 tokens. O encoder de visão é o SigLIP2 NaFlex, cerca de 400M dos 3,12B.
Licença. O Hugging Face marca
license: other, nomelfm1.0. O arquivo é a LFM Open License v1.0. O uso comercial fica limitado quando a receita anual chega a US$ 10 milhões. Não é Apache-2.0.
Specs
| Atributo | Valor |
|---|---|
| Checkpoint | LiquidAI/d1-3B (card em 5/10/2026; blog em 7/10) |
| Também | d1-3B-GGUF, d1-3B-w8a8 |
| Parâmetros | 3,12B (card) |
| Tipos | noul, choice (opções nomeadas), score (2 a 10 níveis ordenados; a resposta é o nível esperado) |
| Modalidades | Texto e imagem |
| Servir | system_one / system_one_batch no processo. O blog diz llama.cpp desde o primeiro dia, inclusive NVFP4 |
| Preço | Download grátis. Sem endpoint hospedado da Liquid para este id |
Números para ler com cuidado
Tudo isto é da Liquid. Nenhum número é uma linha que conferimos no Space oficial do Decision Index (o board público que usamos por último é o snapshot de 28/09/2026, anterior a este checkpoint).
- Decision Index v0.2.1, split público: 48,57. O blog diz que fica à frente de todo modelo abaixo de 10B e no nível do Decider 35B-A3B (47,11). UnverifiedClaim.
- Sete benchmarks de texto, média 82,9, contra Decider 4B 81,1 e Decider 2B 77,1 (SQuAD 2.0, Civil Comments, MASSIVE, PubMedQA, BoolQ, XNLI, PAWS-X). UnverifiedClaim.
- Latência, uma pergunta, um request por vez: 8 ms na RTX 4090, 9 ms na MI325X, 30 ms no Apple M5 Pro, 16 / 26 / 50 ms no Jetson AGX Thor, AGX Orin 64 GB e Orin Nano. Três perguntas na 4090 levam 21 ms. UnverifiedClaim. A faixa 8–50 ms do frontmatter é essa tabela de uma pergunta, não uma medida deste site.
- Visão: o blog não reporta o split privado de visão do Decision Index v0.3. Diz que o d1-3B faz 74,1 em 11 benchmarks públicos de imagem, contra 73,9 do backbone LFM2.5-VL-3B. UnverifiedClaim.
Um terceiro, @atomic_chat_hq (7/10/2026, 17:28 BRT), rodou o d1-3B localmente numa RTX 3090 dentro de um demo de Snake: 8 ms por chamada, 82 movimentos por segundo, 86 maçãs, contra a Decisions API da OpenAI a 345 ms e 3 maçãs. Os 8 ms batem com o número da 4090 da Liquid e foram medidos noutra GPU. A contagem de maçãs compara uma passada local com uma API na rede. UnverifiedClaim, e não é benchmark de qualidade.
Quando cabe / quando não cabe
Cabe quando você precisa de: um modelo de decisão multimodal local com os mesmos tipos de pergunta do Jev, latência de borda, ou um checkpoint para fine-tune.
Não cabe quando você precisa de: um substituto do d1 hospedado ou de /v1/systemone em HTTP (o caminho documentado é model.system_one em Python), uma licença OSI, ou um número de acurácia de um placar que este site conferiu.
Por que está no catálogo
A Liquid treinou pesos de decisão em cima do VLM dela e publicou. A interface devolve uma probabilidade por opção (noul, choice, score) sem gerar texto. É o mesmo teste que o d1 hospedado passou, com a ressalva de licença acima. O irmão d1-omni-600M é o checkpoint experimental menor (texto e imagem, ou texto e áudio).