待验证50% 置信事实精确时间
d1-omni-600M模型约5.87亿参数，基于小型双向编码器，增加视觉和音频编码器，支持文本加图像或文本加最长30秒音频，Liquid称其为早期研究版本。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/13
首次发现
有效期至：2027/1/11
来源
涉及实体
相关事实
待验证d1-omni-600M 包含 381M 共享主干加决策头、94M SigLIP2 视觉编码器（来自 LFM2.5-VL-450M）和 112M 17 层 FastConformer 音频编码器。71% 相似待验证运行 70B 参数量的大语言模型通常需要 40GB 以上显存（以 4-bit 量化为前提），视频生成模型在高分辨率下也需 20GB 以上显存71% 相似待验证EmbeddingGemma 2 的 740M 参数分为文本部分 270M（主干 130M、嵌入层 140M）、视觉编码器 170M、音频编码器 300M，三类编码器可按需加载69% 相似待验证该 26.2M 模型采用 8 层 encoder-only Transformer，d_model 384，6 个注意力头，FFN 维度 1536，最大 160 token，使用自研 16k 字节级 BPE 分词器和 15,000 个编辑标签。68% 相似待验证在ComfyUI的MiniMax H3默认i2v工作流中，断开加载图像节点、将宽高设为32、设定时长即可实现快速音频生成67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1013593API
curl https://kongchang.com/api/v1/knowledge/claims/1013593MCP
get_claim(id=1013593)