# d1-2B OptiQ для Mac: локальная сортировка обращений с новыми весами

Источник: https://modelium.tech/zhurnal/d1-2b-optiq-4bit-mlx-local-decisions/

30 октября появилась новая сжатая версия d1-2B для Mac с Apple Silicon: она помогает локально распределять текстовые обращения по категориям и возвращает вероятности ответов. Это отдельная MLX-конверсия существующей модели, а не новая базовая модель. Авторы сравнили её с другой 4-битной версией; Modelium не повторял замеры и не запускал модель.

d1-2B OptiQ для Mac: локальная сортировка обращений с новыми весами

Если обращения клиентов нужно распределять по темам на своём Mac, 30 октября 2026 года появился ещё один вариант модели d1-2B. Он принимает текст обращения и вопросы вроде «нужен ли возврат?» и «кому передать заявку?», затем выдаёт варианты ответов с вероятностями. Это **не отдельная программа поддержки клиентов**, а новые файлы модели для технической интеграции с MLX — программной средой локального запуска на Mac с Apple Silicon. Редакция сверила файлы и документацию, но не запускала модель. [s1](#src-s1) [s2](#src-s2)

## Что именно выпущено?

Сообщество MLX опубликовало `d1-2B-OptiQ-4bit` — конверсию модели Liquid AI `d1-2B`. Веса уже загружены: репозиторий содержит файл модели, отдельный файл зрительного компонента, конфигурацию и индекс файлов. OptiQ хранит одни части модели с точностью 4 бита, более чувствительные — с точностью 8 бит; это способ сократить файлы модели, стараясь сохранить качество ответов. В карточке указан объём около 1,7 ГБ на диске, но **это не минимальное требование к оперативной памяти**. История Hugging Face датирует создание репозитория 30 октября. [s1](#src-s1) [s3](#src-s3)

В тот же день вышел `mlx-optiq` 0.7.9. Разработчик заявляет в журнале изменений поддержку d1 и маршрута `/v1/systemone`, через который программа получает решения по нескольким вопросам за один запрос. Опубликованный пакет действительно содержит реализацию d1 и этого маршрута. Однако это интерфейс для разработчика, не кнопка «разобрать почту» в готовом приложении. Из описанных возможностей пока доступны решения по тексту и структурированным данным; чтение изображений и видео для этого варианта автор ещё не обещает, хотя зрительный файл лежит в репозитории. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5)

## Что показывают проверки авторов?

Авторы конверсии сообщают точность 0,641 для своего варианта и 0,6265 для официальной равномерной 4-битной версии Liquid AI в наборе Typed Decisions. В их описании это 400 тестовых случаев и 2 000 отдельных решений: в каждом случае задавались сразу пять вопросов; тест был текстовым и проводился на Apple M3 Max. В опубликованном файле результатов для новой версии указана та же точность 0,641. Это **замер автора**, а не независимое испытание Modelium; разница в одном тесте не обещает улучшения на ваших письмах или на другом Mac. [s1](#src-s1) [s6](#src-s6)

## Кому это полезно и что проверить?

Пакет имеет смысл прежде всего тем, кто уже строит локальную систему сортировки заявок и умеет подключать MLX-модели к своему приложению. Простой учебный пример задачи: текст «С меня дважды списали оплату» и вопрос «отправить ли в отдел платежей?». Результат нужно проверять по метке нужного отдела и вероятности, затем вручную просматривать ошибочные и неоднозначные обращения: ни одна оценка тестового набора не заменяет проверку на ваших данных. Команда загрузки и формат запроса приведены у автора модели; это инструкция по документации, а не воспроизведённый запуск редакции. [s1](#src-s1)

Файлы весов распространяются по **LFM Open License v1.0**, а не по свободной Apache/MIT-лицензии: коммерческое использование ограничено порогом годовой выручки 10 млн долларов для юридического лица. Лицензия пакета `mlx-optiq` указана как MIT, но она не меняет условия весов и кода, вложенного в модельный репозиторий. При коммерческом внедрении прочитайте полный текст лицензии и оцените применимость к своей организации. [s2](#src-s2) [s7](#src-s7) [s8](#src-s8)

Если вам нужно понять, чем d1 отличается от обычного чат-бота и какие конверсии уже доступны, начните с [предыдущего разбора d1-2B на Mac](/zhurnal/liquid-d1-2b-mlx-mac-8bit-4bit-support-pending/). Нынешняя публикация описывает **новый сторонний пакет**, а не исправляет и не заменяет ту статью.

Проверено по документации и файлам 30 октября 2026 года; запуск и качество на пользовательских обращениях редакция не проверяла.

## Источники

1. [MLX Community — d1-2B-OptiQ-4bit, модельная карточка](https://huggingface.co/mlx-community/d1-2B-OptiQ-4bit/blob/7ce7313f300a9a4836192387a6f0bb983409c1ea/README.md) — получено 2026-10-30
2. [MLX Community — закреплённая LFM Open License v1.0](https://huggingface.co/mlx-community/d1-2B-OptiQ-4bit/blob/7ce7313f300a9a4836192387a6f0bb983409c1ea/LICENSE) — получено 2026-10-30
3. [Hugging Face — API модели и список файлов](https://huggingface.co/api/models/mlx-community/d1-2B-OptiQ-4bit) — получено 2026-10-30
4. [MLX OptiQ — changelog v0.7.9](https://mlx-optiq.com/changelog#v0-7-9) — получено 2026-10-30
5. [PyPI — выпущенный архив mlx-optiq 0.7.9](https://pypi.org/project/mlx-optiq/0.7.9/) — получено 2026-10-30
6. [MLX Community — машинно-читаемые результаты Typed Decisions](https://huggingface.co/mlx-community/d1-2B-OptiQ-4bit/blob/7ce7313f300a9a4836192387a6f0bb983409c1ea/.eval_results/typed-decisions.yaml) — получено 2026-10-30
7. [Liquid AI — LICENSE исходной модели d1-2B](https://huggingface.co/LiquidAI/d1-2B/blob/10e7671d44e4b37700020b1eed3f594c5f2af0b4/LICENSE) — получено 2026-10-30
8. [Liquid AI — действующие условия LFM Open License](https://www.liquid.ai/lfm-license) — получено 2026-10-30