LiquidAI/d1-omni-600M 模型
面向文本、图像和语音的单次前向决策模型。
为什么重要
为需要低生成开销的多模态分类和路由管线提供可用模型。
阅读原文huggingface.co
AI 解读（根据原文生成）
LiquidAI/d1-omni-600M 是基于 LFM2.5-Encoder-350M 构建的 600M 级决策模型，用于给定文本或 JSON 状态、图像或语音片段，以及一组命名问题后，直接从选项分布读取类型化答案，不生成文本也不解析输出。它支持视觉-语言、音频-语言单次前向，并适用于路由、审核、意图分类、重排、Agent guardrails 等场景。模型在 Hugging Face 可获取。
要点（AI 据原文整理，数字均已与原文核对）
- 它以 zero output tokens 返回类型化答案：每个答案直接从模型对选项的分布中读取，不生成也不解析。
- 支持文本和最长 30 s 语音在单次前向中处理。
- 结构包括 381M shared trunk and decision head、94M vision encoder 和 112M audio encoder。
- Context length 为 16,384 tokens；带图像时，state 和 question text 按训练设置截断到 896 tokens。
- Vocabulary size 为 65,536。
