Liquid AI Rilis d1, Model Mungil yang Mikir Tanpa Cloud

Bayangin chatbot customer service yang harus milih tim mana yang nangani tiket, ngukur urgensi, sekaligus baca foto bukti kerusakan — semuanya dalam hitungan milidetik, tanpa nunggu server di benua lain. Liquid AI baru rilis model yang dirancang persis buat itu.

Apa yang baru

• Dua model keputusan baru: d1-3B dan d1-omni-600M adalah model open-source yang jawab lewat satu forward pass — bukan ngetik token satu-satu kayak ChatGPT, jadi jawabannya langsung jadi, bukan diketik huruf demi huruf.
• Skor tertinggi di kelasnya: d1-3B mencetak 48.57 di Decision Index 0.2.1, ngalahin semua model 4B dan 9B, bahkan Decider 35B-A3B yang parameternya jauh lebih besar.
• Dukung banyak format input: d1-3B baca teks dan gambar, sementara d1-omni-600M bisa pasangan teks+gambar atau teks+audio.
• Ngebut di perangkat kecil: d1-3B jawab satu pertanyaan dalam 16ms di Jetson AGX Thor, 26ms di Jetson AGX Orin, dan 50ms di Jetson Orin Nano — semuanya di bawah setengah detik.
• Gampang dipasang: tinggal install lewat pip dengan transformers versi 5.14 ke atas, model-nya langsung bisa diunduh dari Hugging Face buat inference lokal tanpa API eksternal.

Cara kerjanya

d1-3B dibangun dari LFM2.5-VL-3B, model vision-language Liquid AI yang sifatnya decoder-only. d1-omni-600M lahir dari arsitektur berbeda, LFM2.5-Encoder-350M, yang ditambah encoder vision dan audio biar bisa baca tiga jenis input sekaligus. Bedanya sama model generatif biasa: d1 gak nulis jawaban kata per kata, dia langsung "putuskan" begitu lihat masukannya — mirip wasit yang langsung angkat kartu kuning saat lihat pelanggaran, bukan nulis laporan panjang dulu baru kasih keputusan.

Di tujuh benchmark publik — mulai dari deteksi toksisitas sampai tanya-jawab medis — d1-3B mencetak rata-rata 82.9, ngungguli Decider 4B yang jumlah parameternya sama. Developer tinggal kasih daftar pertanyaan terstruktur (tipe pilihan, skor, atau ya/tidak) lewat beberapa baris Python, dan dapet keputusan dalam satu panggilan tanpa nunggu token-by-token.

Kenapa ini penting

Buat tim yang bangun chatbot customer service, moderasi komentar, atau klasifikasi tiket support, latensi di bawah 50ms itu beda kelas — user gak ngerasa nunggu, dan kalian gak perlu antre kirim request ke cloud tiap ada pertanyaan baru. Ini jalan sejalan sama tren model yang bisa jalan penuh di perangkat sendiri, cuma sekarang bukan buat memori coding agent, tapi buat ambil keputusan langsung di edge device.

Yang bikin relevan buat konteks Indonesia: aplikasi medical QA, deteksi intent WhatsApp bot, atau moderasi komentar yang nyimpan data pasien atau pengguna gak perlu lagi kirim data ke server luar negeri. Semua proses jalan di device sendiri, jadi lebih aman dari sisi privasi dan gak kena biaya API per-request.

Buat tim kecil atau solo developer dengan budget API ketat, ini juga berarti biaya operasional lebih predictable — sekali investasi hardware edge, gak ada lagi tagihan bulanan yang naik-turun ngikutin jumlah request.

Buat kalian

• Yang harus peduli: kalian yang bangun aplikasi real-time kayak moderasi konten, deteksi intent chatbot, atau sistem tiket support yang butuh jawaban instan dan data sensitif gak boleh keluar device.
• Yang boleh santai: kalau kerjaan kalian sebatas generate teks panjang — nulis artikel, caption, draft email — d1 bukan buat itu, ini model keputusan, bukan model generatif.
• Langkah kecil pertama: coba dulu demo-nya di System One Arcade Hugging Face Space sebelum install lokal, biar kalian ngerasain cara kerja decision model ini sebelum commit ke infrastruktur edge.

Yang lebih penting dari angka benchmark di atas: keputusan instan makin jadi kategori sendiri di luar "model yang nulis panjang", dan kemampuan milih tool yang pas buat tugas spesifik — bukan asal pakai model paling besar — adalah skill yang gw latih bareng murid-murid di kelas gw.

Sumber primer: blog resmi Liquid AI (huggingface.co/blog/LiquidAI/open-d1).