描述
d1-2B 是由 LiquidAI 开发的高效决策模型，托管在 Hugging Face 上。基于 LFM3-VL-2B 架构，该模型旨在处理并根据多模态输入（包括文本、图片和视频）做出决策。d1-2B 的一个关键特性是能够在单次前向传递中返回校准答案，消除了生成令牌的需要，从而提高了速度和效率。
阅读更多
该模型在开放的 d1 模型中表现出色，在一百多个决策基准测试中平均领先。尽管其规模小于 d1-3B，但它通常表现更佳，展示了其优化设计。除了传统的分类任务外，d1-2B 还提供高级功能，如提取特定文本、数字和日期及其范围，精确定位图像中的物体，以及在定义区间内估算数量。
性能是一个显著优势，d1-2B 在 NVIDIA H100 上的决策时间为 5.7 毫秒，在 AMD MI325X 上为 3.8 毫秒。即使在一次调用中对单一状态提出多个问题，这种快速处理也得以保持。LFM3 系列包括 d1-2B，具有基础、文本、视觉、音频、全能和决策模型。虽然 d1-2B 处理文本、图片和视频，但其兄弟模型 d1-Omni-2B 扩展了音频处理能力。
d1-2B 拥有 19.2 亿个参数，LFM3 骨干架构由 24 层组成（13 层门控短卷积、5 层滑动窗口注意力、6 层全局注意力），支持 128K 令牌的上下文长度和 128,000 令牌的词汇量。它接受状态（文本或 JSON）、图片或视频作为输入，以及任意数量的命名问题，生成带有概率的类型化答案，而无需生成令牌。它支持多种语言，包括英语、阿拉伯语、中文、法语、德语、意大利语、日语、韩语、葡萄牙语、西班牙语、越南语、泰语、印尼语、印地语、俄语和波兰语。
d1-2B 多才多艺，适用于需要决策的各种管道步骤，如路由和分流、内容审核、意图和主题分类、文档数据提取、评估和重新排序以及视觉检查。特别指出的是，它不是一个聊天模型。虽然在知识密集型问题上有效，但在超过 64K 令牌的状态下，可靠性可能会下降。对于计数和评分的估算是可靠的，但对于自由数量的估算则不然。该模型在 Transformers 中运行，使用自己的代码，无需采样参数。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署云端
- 平台网页版
d1-2B亮点
多模态决策模型（文本、图片、视频）
20 亿参数
单次前向传递以获得校准答案
无令牌生成
最佳决策基准测试性能
文本、数字和日期提取
图片中的物体定位
带区间的数量估算
毫秒级决策速度（例如，在 AMD MI325X 上为 3.8 毫秒）
LFM3 骨干架构
128K 令牌上下文长度
128,000 令牌词汇量
多语言支持（15 种以上语言）
设计用于路由、分流、审核、提取
在 Transformers 中运行，使用自定义模型代码
d1-2B入门
访问模型页面：导航到 Hugging Face 上的 LiquidAI/d1-2B 模型页面。
浏览文件：查看提供的模型详细信息、架构和规格。
配置推理：利用 Transformers 库设置模型进行推理。
准备输入：提供状态（文本或 JSON）、图片或视频，以及命名问题。
执行调用：使用 `system_one` 进行单次请求，或使用 `system_one_batch` 进行批量请求。
解释输出：接收带有概率的类型化答案，无需生成令牌。
d1-2B的使用案例
- 路由和分流
- 审核和保护措施
- 意图分类
- 主题分类
- 文档提取
- 评估和重新排序
- 视觉检查
- 多模态决策
