d1-omni-600Mが公開。テキストや画像から即座に判断を下す。
この記事のポイント
- テキストJSON画像音声の質問に答える
- 1回のフォワードパスで生成トークンなし
- 600MパラメータGGUF形式で公開
数字で見る
この記事に出てくる数字
| モデルサイズ | 600M |
|---|
どこで使えるか
テキストや画像から即座に判断が欲しい人向け。1回のフォワードパスで推論が完了する Hugging Faceで公開済み 画像と数千トークンの状態に対応、ライセンスはother
スポンサーリンク
解説
かみくだいて説明します
LiquidAIが10月7日にHugging Faceで公開したd1-omni-600Mは、テキストやJSON、画像、音声といったデータを状態として読み込み、決まった形式の質問に一つの処理で答える判断モデルです。従来のAIのように答えを一つずつ生成するのではなく、即座に正解を返す仕組みになっています。
なるほど、答えを一つずつ作らないんですか? 技術者が見ている現場では、この仕組みはすでに実用段階にあるんですか、それともまだ実験の段階ですか?
d1-omni-600Mは状態を一度見て答えを出す仕組みで、文章を順に紡ぐ従来のモデルとは生成の仕方が違う。
丸写しみたいに即座に出すんですね。音声や画像を扱う場合、一度に両方入れられるんですか?
一度のリクエストでは画像か音声のどちらか一方しか送れません。音声を扱う場合は30秒以内のデータに限られます。状態が画像や音声だけの場合は、それ以外のデータ項目を空欄にしても問題ありません。
片方ずつしか送れないんですね。使う側が困るのは、このモデルを動かすのに特別な環境が要るんですか。
llama.cppというツールで動かす場合、バッチサイズを4096に設定すれば画像や数千トークンのテキストに対応できます。長いデータを使う場合は16384まで上げます。質問は/v1/systemoneという専用のアドレスに送ります。
4096と16384の切り替えで対応範囲が変わるんですね。JSONやテキストをそのまま状態に組み込めるのは確かに便利そうです。
状態として読み込むため、質問の形式が決まっていればテキストやJSONをそのまま状態に組み込めます。データを別の形式に変換する手間が省けます。
処理が速くなるのは確かに大きいですね。では、研究している人から見ると、従来のモデルと比べてどこが特に新しいんですか。
従来のモデルは質問に対して文章を生成していましたが、このモデルは生成をせず決まった形式で即座に返します。これまでは複雑な推論が必要な場面では時間がかかっていましたが、処理速度が大幅に短縮されます。
最後に、このモデルの今後の展開について、まだ分からない点はありますか。
公開されているのはモデルカードで、llama.cppでの使い方や画像・音声の扱い、リクエストの組み方が記されています。
出典
この記事のもとになった情報
- Hugging Face:LiquidAI/d1-omni-600M-GGUF
- 公開日:2026-10-07
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。