Małe modele wchodzą do centrum stosu agentowego, d1 dodaje obraz, a Beam publikuje otwarte wagi

Liquid AI przedstawiła d1 5 października i nazwała go pierwszym modelem decyzyjnym firmy oraz pierwszym, który rozciąga podejmowanie decyzji na obrazy. Model nie generuje tokenów. Czyta wejście w jednym przebiegu i zwraca prawdopodobieństwo dla każdej możliwej odpowiedzi, podaje blog firmy. Decyzja na tekście zajmuje od 200 do 300 milisekund.

Na tym polega propozycja: zastąpić wolne i drogie wywołanie modelu językowego szybkim klasyfikatorem, gdy odpowiedź jest wyborem ze zbioru. Liquid twierdzi, że d1 dorównuje GPT-6.1 Sol albo go przewyższa w czterech z sześciu testowanych zastosowań, od filtrowania zgłoszeń do pomocy technicznej po kontrolę płytek drukowanych, i kosztuje od 19 do 200 razy mniej niż GPT-6.1 Sol i Claude Opus 5.5. Firma podaje też, że d1 odpowiada szybciej w każdym zadaniu. Te porównania pochodzą z własnych testów Liquid i nikt ich niezależnie nie sprawdził.

Termin nie jest przypadkowy. W całym stosie widać w tym tygodniu ten sam ruch: mały, wyspecjalizowany model trafia tam, gdzie ogólny jest zbyt wolny albo zbyt drogi w użyciu.

Co właściwie daje model decyzyjny

Liquid opisuje trzy kształty odpowiedzi: pytanie tak lub nie z prawdopodobieństwem między 0 a 1, wybór spośród etykiet z prawdopodobieństwem dla każdej z nich oraz ocenę na skali. Jedno zapytanie może zadać kilka pytań o ten sam stan, co zmniejsza liczbę tokenów wejściowych, za które system płaci. W kontroli wizualnej d1 sortował dobre i wadliwe części z dokładnością od 85 do 97 procent na czterech liniach produkcyjnych: płytkach drukowanych, świecach, nerkowcach i gumie do żucia, z publicznego zbioru VisA.

Ciekawszy szczegół jest taki, że model nigdy nie był trenowany na tych zadaniach. Liquid przypisuje to generalizacji: model rozumie zadanie z krótkiego opisu słownego. W grach dodanie ekranu podniosło wynik d1 w Tetrisie z 70 do 81 usuniętych linii, a w Wordle odczytał planszę ze zrzutu ekranu i rozwiązał 12 z 12 gier, średnio w 3,8 próby. W Quick, Draw! rozpoznał 5,2 z 6 rysunków, przy 0,6 dla losowego strzału.

Jedno zastosowanie jest wymierzone w agentów kodujących. Przy kompakcji kontekstu d1 czyta każdy wynik narzędzia w sesji agenta i decyduje, czy go zachować, przyciąć czy wyrzucić. Liquid twierdzi, że usuwa w ten sposób 52 procent tokenów, zachowując wszystkie wyniki potrzebne do zadania. To wąska, powtarzalna decyzja, którą ogólny model podejmowałby inaczej w pełnej cenie.

Duży model, który konkuruje kosztem tokenu

Tego samego dnia Reflection opublikowała szczegóły Beam, swojego pierwszego modelu z otwartymi wagami. Beam to rzadki model mieszanki ekspertów o 501 000 000 000 parametrów łącznie i 23 000 000 000 aktywnych. Reflection podaje, że pretrenowała Beam na 23 800 000 000 000 tokenów i przeprowadziła fazę uczenia ze wzmocnieniem o wysokim nakładzie obliczeń, która wygenerowała ponad 100 000 000 przebiegów na 10 500 procesorach graficznych NVIDIA GB300 w ciągu czterech tygodni.

Wag jeszcze nie ma. Reflection podaje, że Beam jest w końcowej fazie testów bezpieczeństwa i ewaluacji, a wagi, raport techniczny, kartę modelu i artefakty dla deweloperów obiecuje w tym miesiącu. Wczesny dostęp jest przez zapisy. Wszystkie liczby w ogłoszeniu są więc liczbami samej firmy.

Trzeba je czytać uważnie, bo tną w obie strony. Na SWE Bench Pro v2-Hard Reflection podaje dla Beam 77,2 wobec 88,2 dla Kimi K3 i 84,3 dla GLM 5.3. Na Terminal Bench v2.1 podaje 80,1 wobec 88,3 dla Kimi K3 i 88,2 dla GLM 5.3. Na SWE Bench Pro v1 podaje 65,5 wobec 67,7 dla Qwen 3.8 Max. Beam nie prowadzi.

Argument Reflection to wydajność, nie sama zdolność. Firma twierdzi, że Beam osiąga wyniki porównywalne z GLM 5.2, zużywając od 3 do 4 razy mniej obliczeń przy wnioskowaniu, a różnica rośnie wobec modeli z rodziny o 2 000 000 000 000 parametrów i więcej. Na HLE bez narzędzi Beam ma 36,2 wobec 46,9 dla Kimi K3 i 43,6 dla Qwen 3.8 Max; z narzędziami 51,2 wobec 62,5 dla GLM 5.3 i 63,9 dla DeepSeek V4.1 Flash. Reflection mówi wprost, że czołowe otwarte modele, jak Kimi K3, pozostają z przodu pod względem samych możliwości.

Małe modele obok dużych

Najkonkretniejszy dowód tezy o małych modelach przyszedł w tym tygodniu z nieoczekiwanego miejsca: agenta kodującego na GitHubie o nazwie Jeff-Code. Wstawia on model decyzyjny o 800 000 000 parametrów do pętli agenta Pi, narzędzia do kodowania autorstwa Mario Zechnera i współpracowników, i pracuje obok Qwen 3.8 o 27 000 000 000 parametrów.

Wokół każdej tury Qwen Jeff podejmuje dwie decyzje, po około 0,2 sekundy każda. Czy może sam zrobić następny krok, na przykład przeczytać plik, wylistować katalog, przeszukać kod albo uruchomić testy? I czy Qwen musi się w tej turze mocno zastanowić? Pisanie i edycja plików zawsze zostają przy Qwen, a Jeff przekazuje mu ster, kiedy nie jest pewien.

Wyniki z własnej ewaluacji parami są bez efektu i warte przeczytania. Wskaźnik zaliczonych zadań wyniósł 62,4 procent dla Jeff-Code wobec 62,8 procent dla samego Qwen, czyli różnica parami minus 0,2 punktu na 1 242 zadaniach w parach. Średni czas na zadanie spadł do 0,68x, licząc średnią geometryczną ilorazów dla zadań, z przedziałem ufności 95 procent od 0,64 do 0,72. Łączny czas wszystkich zadań spadł mniej, do 0,86x, bo w około 5 procent zadań Jeff-Code działał ponad 30 minut dłużej niż sam Qwen.

Nagłówek głosi 47 procent szybciej, czyli 32 procent mniej czasu, przy tym samym wskaźniku zaliczeń. Szczegół jest ważniejszy niż nagłówek: nie ma wyraźnego przyspieszenia na Terminal-Bench 2.0 (0,96x) ani na SkillsBench (0,91x). Wyłączenie myślenia w każdej turze jest jeszcze szybsze, ale kosztuje 7,6 punktu zaliczeń. Mniej ostrożny Jeff, z progiem 0,7, kosztuje 4,5 punktu. Mały model jest tu warstwą planowania, nie zastępstwem dużego.

Gdzie mały model wciąż się męczy

Drugi projekt na GitHubie, Reika, to narzędzie wiersza poleceń dla agenta kodującego zbudowane najpierw wokół małych modeli lokalnych: od 8 000 000 000 do 35 000 000 000 parametrów, często w kwantyzacji od Q2 do Q4, w oknie kontekstu do 32 000 tokenów. Autor publikuje ustalenia i mówi o ograniczeniach otwarcie. W testach modele z górnej części tego zakresu radziły sobie najpewniej z zadaniami wieloplikowymi, modele o 8 000 000 000 do 9 000 000 000 parametrów dawały radę z prostymi i dobrze określonymi, a poniżej 7 000 000 000 parametrów rzadko dochodziły daleko. Projekt jest przed wersją 1.0 i jego autor zapowiada, że polecenia i zachowanie mogą się jeszcze zmienić.

Liczby dotyczące samego narzędzia są tu najpożyteczniejsze. Jedno przepisanie w środku kontekstu przetworzyło ponownie 8 453 tokeny promptu, czyli 7,9 minuty wstępnego przetwarzania, podczas gdy dopisanie w tej samej sesji kosztowało 25 tokenów i 3,5 sekundy. Sformułowanie promptu opisano jako najsłabszą dźwignię: przy niejasnym zadaniu w Q2 model zbiega albo wchodzi w pętlę mniej więcej 50 na 50, a narzędzie nie zmienia tego wskaźnika, tylko to, ile kosztuje przegrywająca połowa. Wniosek Reiki jest taki, że nie czyni małego modelu mądrzejszym, tylko mniej frustruje praca z nim.

Sprzęt idzie w tę samą stronę. Interfaze 1.1 Lite, opublikowany na Hugging Face 5 października, to model o mieszanej architekturze, który łączy rdzeń rozumujący z wyspecjalizowanymi komponentami do dokumentów, mowy, zakotwiczenia w obrazie i wyjścia strukturalnego. Całość działa na jednym procesorze graficznym o 80 GB, bez zewnętrznych usług. To nie jedna sieć: rdzeń planuje, wywołuje specjalistów i składa odpowiedź z tego, co zwrócą.

Jego testy przypominają, że mały i jednoprocesorowy nie znaczy słaby. Interfaze 1.1 Lite podaje 85,9 na GPQA Diamond wobec 92,4 dla Interfaze, 82,8 dla GPT-5.4-Mini, 89,9 dla Claude-Sonnet-4.6 i 88,5 dla Gemini-3-Flash. Na MMMU-Pro podaje 73,2, przed Interfaze z 71,1. W rozpoznawaniu mowy, mierzonym wskaźnikiem błędów słów na VoxPopuli-Cleaned, podaje 3,01 wobec 2,4 dla Interfaze i 4,0 dla Gemini-3-Flash. Interfaze twierdzi też, że nagranie 95 minut transkrybuje w około 90 sekund.

Dlaczego to ważne dla kupujących

Zmiana w praktyce polega na tym, że zespoły mają teraz trzy osobne dźwignie kosztowe, a sprzedaje się je jako jedną historię. Model decyzyjny może przejąć powtarzalne wywołanie. Mały model może planować pracę wokół dużego albo rozdzielać ją między modele. Duży model z otwartymi wagami, gęsty lub rzadki, można dostroić pod wydajność wnioskowania, a nie pod przewodzenie w testach. Do każdej dźwigni dołączona jest opublikowana liczba i prawie wszystkie te liczby pochodzą od dostawcy.

Niewiadomą jest niezawodność poza pokazem. Ustalenia Reiki pokazują, że mały model bierze wynik narzędzia dosłownie: grep, który zwrócił "0 trafień" dla wywołania, którego nie mógł obsłużyć, sprawił, że model przez pięć rund przeformułowywał poprawny wzorzec. Jeff-Code pokazuje, że przyspieszenia na pojedynczych zadaniach zjada długi ogon zadań trwających znacznie dłużej. Liczby dokładności Liquid pochodzą z niewielkiego zestawu zastosowań i zbiorów danych. Żaden z tych projektów nie opublikował niezależnego audytu.

Jest jeszcze jeden sygnał, na który warto patrzeć. Sean Goedecke przekonywał 5 października, że modele takie jak Jev, które nazywa klasyfikatorami System One, można zastąpić klasyfikatorami zbudowanymi ręcznie i trenowanymi na własnych logach wejść i wyjść. Gdy zespół sprawdzi już decyzję opartą na prompcie, zebranie danych i wytrenowanie konkretnego modelu to dobrze znany problem, pisze. Jeśli ten wzorzec się przyjmie, dzisiejsze modele decyzyjne są stopniem do czegoś tańszego, a presja na ceny działa w jedną stronę.

Na razie trzeba zapamiętać te daty. d1 Liquid jest dostępny od dziś pod console.liquid.ai. Reflection podaje, że wagi Beam pojawią się w tym miesiącu, bez konkretnej daty. Jeff-Code i Reika są publiczne na GitHubie, oba przed wersją 1.0, oba mierzą własne narzędzia. Mały model nie jest już kategorią pokazową, jest pozycją w budżecie.