1.9B模型盯上餐厅摄像头：零token生成，笔记本就能跑

一个1.9B参数的模型，在笔记本上盯着餐厅摄像头，实时告诉服务员哪桌该收拾了。没有云，没有token生成。这是 Roman Khrupa 用 Liquid AI 的 d1-2B 模型做的周末项目。

注意一个细节：它生成零token。这意味着它不是那种你问一句它答一句的语言模型。它直接输出结构化的判断——哪张桌子需要清理。没有文本生成，没有自回归解码。模型看画面，给出动作建议，完事。

这跟当下大模型拼参数、拼上下文长度的叙事有点不一样。一个1.9B的模型，干一件具体的事，跑在本地，不租GPU，不调API。成本低到可以忽略，隐私也不用担心——视频流根本不出设备。

Liquid AI 这家公司来自 MIT，做的是所谓“液态神经网络”。d1-2B 是他们的一个视觉模型。Roman 在周末把它接上摄像头，写了个简单的界面，就变成了一个能用的工具。没有训练，没有微调，直接推理。

有人可能会说这不过是个demo。但仔细想，餐厅摄像头本来就在那，服务员手机也能收通知。缺的不是硬件，是把视觉信号翻译成行动指令的那一层。以前这层要么靠人盯着监控，要么靠云端大模型，延迟高、成本高、隐私风险大。现在一个不到2B的模型就能在边缘设备上干这事。

当然，它只能告诉你哪桌该收了。至于怎么收、先收哪桌、客人还在不在，那是另一回事。但这就是小模型的逻辑：不追求通用，只解决一个具体问题。而且解决得足够便宜，便宜到可以随处部署。

视频里能看到，模型框出了需要清理的桌子，界面简单直接。没有花哨的聊天框，没有“你好，我是AI助手”。它就是个眼睛，加一个判断。

项目地址在 Roman 的推文里。如果你有开发背景，可以看看 d1-2B 的文档。如果你没有，记住这个趋势就行：模型正在变小，变专，变便宜。那些靠API调用费活着的大模型公司，可能得想想下一个故事怎么讲。