600Mパラメータの意思決定モデル d1-omni-600M、生成なしで選択肢から回答を得る話

モデル

600Mパラメータの意思決定モデル d1-omni-600M、生成なしで選択肢から回答を得る話

スポンサーリンク

d1-omni-600Mが公開。選択肢から回答を得て、生成トークンはゼロ。

この記事のポイント

  • テキスト画像音声の判断用
  • 生成なしで分布から直接回答
  • float32学習float16で高速化

数字で見る

この記事に出てくる数字

パラメータ数 600M
ベースモデル 350M

どこで使えるか

Hugging Faceで公開済み float16推奨、bfloat16は精度劣化

スポンサーリンク

解説

かみくだいて説明します

LiquidAIが2026-10-06、パラメータ数が600Mの判断モデル、d1-omni-600Mを公開しました。文章や画像、音声の状態で質問を出すと、選択肢の中から答えを直接読み取って返します。生成も解析も使わない仕組みです。
確かに、文章を生成しないんですか?
はい、生成は行いません。選択肢の分布から最も確率の高い答えをそのまま返すので、トークンを一つも出力しません。天気予報の確率から「晴れ」を指さすようなイメージで、自分で文字を紡ぐ作業はしません。
そうか!では、音声の処理はどう対応しているんですか?
音声は16 kHzのモノラルで、最大30秒に切られたデータです。音声の学習は英語話者とアシスタントのやり取りで行っています。
なるほど、英語限定なんですね。では、画像と音声を同時に渡すことはできるんですか?
できません。画像か音声のどちらか一方だけを状態として渡す仕様で、両方同時に指定するとエラーになります。
確かに。では、開発者が実際に組み込むとき、計算精度はどれくらい気にする必要があるんですか?
学習はfloat32で行っていますが、GPUではfloat16でも答えが変わらず、処理が速くなります。ただしbfloat16は避けてください。テキストの0.8%、音声の1.7%で上位の答えが変わる確認結果が出ています。
なるほど、bfloat16は使えないんですね。では、このモデルの質問の書き方は決まっているんですか?
はい、Decision Indexという形式に従います。型、指示、基準の三つの要素をセットで渡す仕組みで、音声の選択肢はoption_000のように説明で名前を付けて、yesかnoはそのままの文字列で出します。
確かに!では、このモデルはチャット用途には向いていないんですか?
向いていません。文章を書く機能は搭載していないので、チャットや自由なテキスト生成には使えません。ルーティングや分類、審査のような判断作業に特化しています。
なるほど。最後に、このモデルの今後の展開はどのように見えていますか?
モデルの今後の展開については、要旨に具体的なスケジュールや次のモデルの仕様、開発者の次の課題についての言及はありません。

出典

この記事のもとになった情報

※ 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。

スポンサーリンク

-モデル