2B模型做图像决策，同尺寸通用模型被拉开差距

一张5060 Ti，BF16精度，两个约2B参数的模型，跑三类图像判断。结果先看数据。

测试来自X用户 irony.aditya，Liquid AI官方账号转发。模型是Liquid的d1-2B和d1-Omni-2B，对比Qwen3.5-2B、InternVL3.5-2B。

任务一，扫描文档路由到16种类型之一：d1-2B 88.8%，Qwen3.5-2B 55.0%，InternVL3.5-2B 56.2%。

任务二，标记暴力内容：d1-Omni-2B 97.3%，Qwen 83.6%，InternVL 87.7%。

任务三，识别缺陷零件：d1-2B 70.8%，Qwen 64.6%，InternVL 52.1%。

速度上，d1每题0.13秒，Qwen 0.26秒，InternVL 0.64秒。模型约2B参数，GPU显存占用4GB。测试者在总结里写，d1在每一轮都排第一。

视频演示页面显示四个模型并排处理，每个模型下方有80张图片待处理，任务选项包括Route a document、Inspect a part、Flag violence。

公平性也要说清楚。测试者自己提醒，d1是决策模型，另外两个是通用聊天模型，严格说不是完全同口径。这个提醒重要。它说明数据能说明的是：在固定图像判断任务上，专用小模型有优势，不能直接推导成通用能力更强。

这组结果更值得看的地方在本地部署。4GB显存、2B参数、百毫秒级延迟，意味着不少固定判断任务可以放在本地跑，不必把图片传到云端。但选型前还是要拿自己的数据复测，尤其是类别分布、图像质量和误判成本。通用模型聊天强，不等于判断任务强；专用模型判断准，也不等于能聊天。两者解决不同问题。