Liquid AIのオープンd1モデル、エッジハードウェアでマルチモーダルAI推論を実現

Liquid AIは、クラウドサーバーにデータを送信することなく、スマートフォン・ノートPC・組み込みチップなどのエッジハードウェア上で直接マルチモーダル推論を実行できるオープンウェイトのd1デシジョンモデルを公開した。より高速でプライベートなローカル推論をワークフローに求めるクリエイターにとって、これは重要なアーキテクチャ上の転換点だ。

主なポイント

• Liquid AIのオープンd1モデルは、クラウドインフラではなくエッジデプロイメントに特化して設計されたオープンウェイトのマルチモーダルデシジョンモデルだ。
• テキスト・画像・構造化データなど複数の入力タイプを、制約のあるハードウェア上で単一の推論パスで処理する。
• 「オープンウェイト」とは、ウェイトが公開ダウンロード可能であり、APIサブスクリプションなしにローカルで実行・改変・ファインチューニングできることを意味する。
• エッジデプロイメントにより、低レイテンシー・API呼び出しコストゼロ・デバイス外へのデータ送信なしが実現——大量の画像セットをローカルでバッチ処理する際に特に有効だ。
• モデルはHugging Face上でホストされており、すでにHubをモデル管理に活用しているクリエイターがすぐにアクセスできる。

d1アーキテクチャが実際に異なる点

ほとんどのマルチモーダルモデルはデータセンターGPU向けに設計され、API経由でアクセスされる。Liquid AIのd1モデルは異なる優先事項を中心に構築されている——メモリとコンピュートに厳しい制約のあるハードウェア上で、入力の知覚・推論・出力生成という完全なデシジョンループを実行することだ。Hugging Faceのブログ記事によれば、d1ファミリーは標準的なトランスフォーマーバックボーンではなく、Liquid Neural Networksから派生したLiquid AI独自のアーキテクチャを採用しており、それが小さなメモリフットプリントを実現する要因の一つとなっている。

実用上の意味はこうだ——ローカルのComfyUIまたはAutomatic1111環境を運用しているクリエイターは、原則として、外部APIへのアクセスやクラウドレイテンシーを発生させることなく、画像のルーティングやキャプション生成の判断を行うワークフローノードにd1モデルを組み込むことができる。

コスト計算を変えるオープンウェイトという詳細

ここで重要なのは「オープンウェイト」という点だ。ウェイトを一度ダウンロードすれば、自分のハードウェアで実行でき、推論ごとの料金は一切かからない。数百枚の画像をバッチ処理するクリエイター——キャプション生成、コンテンツタイプ別の出力ルーティング、自動品質チェックなど——にとって、API呼び出しコストの排除は積み重なると大きな差になる。これを、他所で一般化しているサブスクリプション制のモデルアクセスと比較してみよう。Googleは最近、無料のGeminiユーザーを最軽量のFlash Liteティアに制限した。詳細はGoogleの無料プラン変更に関するレポートで取り上げている。

ファインチューニングも選択肢に入る。ウェイトがオープンであるため、建築ビジュアライゼーション・キャラクターシート生成・商品写真撮影など特定のニッチで活動するクリエイターは、ドメイン固有のデータでd1モデルをファインチューニングし、そのユースケースに特化したルーティングやキャプション生成の精度を高めることができる。

実際のローカルパイプラインにおける位置づけ

キャラクターアートのクリエイターが200枚の画像をバッチ生成し、アップスケーリング前に品質ティア別に自動仕分けする必要があるケースを考えてみよう。現状では、手動レビューか、各画像に対するビジョンモデルへのAPI呼び出しのどちらかが一般的だ。ローカルで動作するd1モデルなら、生成を行っている同じマシン上でその分類ステップを処理できる——ネットワーク経由のアクセスなし、画像ごとのコストなし、スタジオ外へのデータ送信なしで。

セットアップはまだプラグアンドプレイではない。Hugging Faceからウェイトを取得し、Liquid AIが指定するメモリ要件をハードウェアが満たしているか確認し、モデルをパイプラインに手動で組み込む必要がある。すでにHubからモデルを取得して推論スクリプトを実行することに慣れているなら、ハードルは低い。ローカルモデルのデプロイメントが初めてであれば、Charmlooopのガイドでオープンウェイトモデルをローカルで動かすための基礎を解説している。

現時点での課題

d1のリリースはまだ初期段階だ。Appleのオンデバイスモデル、QualcommのエッジAIスタック、MicrosoftのPhiシリーズなど、同等のエッジモデルとのベンチマーク比較数値はまだ広く公開されていない。Liquid AIのアーキテクチャは、長年にわたりコミュニティのツールが蓄積されてきたトランスフォーマーベースのモデルと比べ、クリエイティブパイプラインでの実績も少ない。ComfyUIやAutomatic1111の広いコミュニティが標準化されたノードを構築するまでには、ある程度の統合上の摩擦が生じることを覚悟しておこう。

とはいえ、エッジハードウェア向けに最適化されたオープンウェイトのマルチモーダルモデルはまだ希少であり、d1ファミリーは実質的な空白を埋めている——特に、テキスト以上のものを処理できるローカル実行可能なオプションを待ち望んでいたクリエイターにとって。コミュニティのツールが追いつく間に、自分自身の画像生成ワークフローで何が利用できるか探ってみよう。