Вчера Hugging Face объявила о запуске серии открытых мультимодальных моделей d1, специально спроектированных для работы на периферийных устройствах. По словам авторов блога компании, d1‑модели способны выполнять сложные задачи распознавания изображений, текста и аудио в реальном времени, используя лишь десятки мегабайт памяти и несколько гигафлопс вычислительной мощности. Это первый случай, когда открытая модель, объединяющая три модальности, предлагается в виде полностью готового пакета весов, оптимизированных под смартфоны, микроконтроллеры и небольшие серверы у края сети.

До появления d1 большинство мультимодальных систем требовали облачной инфраструктуры: крупные GPU‑кластеры, быстрые каналы связи и постоянный доступ к серверам. Даже такие инициативы, как AI Edge Gallery от Google, позволявшие запускать Gemini локально, ограничивались отдельными моделями, а их интеграция в пользовательские приложения оставалась сложной задачей. В то же время в апреле 2026 года компания Tproger сообщила о том, что модель Gemma 4 уже работает офлайн на iPhone, а в июне Mobile‑review.com описал приложение AI Edge Eloquent, преобразующее речь в текст без отправки данных в облако. Эти примеры показывали, что отдельные решения могут быть перенесены на устройство, но они оставались фрагментарными и часто закрытыми.

Серия d1 меняет эту картину. По данным блога Hugging Face от 7 октября, модель d1‑Decision принимает решения без генерации токенов, что экономит вычислительные ресурсы и устраняет необходимость в длительных цепочках декодирования. Авторы подчеркивают, что d1‑Decision способна обрабатывать запросы за 30‑40 миллисекунд на типичном ARM‑процессоре, в то время как аналогичные облачные сервисы часто требуют более 200 миллисекунд из‑за сетевых задержек. Кроме того, открытый характер весов позволяет исследователям и разработчикам адаптировать модель под свои задачи, не полагаясь на лицензированные решения.

Новые возможности d1 вписываются в более широкий тренд «edge‑AI». В июле Хабр сообщил о выходе NVIDIA Cosmos 3 Edge – компактной модели мира, предназначенной для роботов и автономных систем, а в феврале Xpert.Digital продемонстрировал, как Google AI Edge Gallery уже позволяет пользователям запускать автономный ИИ прямо на смартфоне. Все эти проекты демонстрируют, что индустрия стремится перенести вычислительные нагрузки ближе к источнику данных, снижая зависимость от облака, экономя энергию и повышая конфиденциальность.

Почему же d1 имеет особое значение? Прежде всего, открытость модели устраняет барьер входа для стартапов и академических групп, которые ранее вынуждены были платить за коммерческие лицензии или тратить месяцы на собственную оптимизацию. Кроме того, возможность локального выполнения сложных мультимодальных задач открывает путь к новым сценариям: от умных камер наблюдения, способных одновременно распознавать лица, текст и звуки, до персональных ассистентов, которые могут обрабатывать запросы без отправки личных данных в сеть. В условиях растущих требований к защите данных и кибербезопасности такие решения становятся не просто удобными, а практически необходимыми.

Синергия d1 с уже существующими инструментами, такими как AI Edge Gallery, позволяет разработчикам собрать целый стек от модели до пользовательского интерфейса без необходимости писать низкоуровневый код. Как отмечает статья Runet.news от 1 октября, Liquid AI уже представила первую модель, принимающую решения без генерации токенов, и d1 выглядит как естественное продолжение этой идеи, только в открытом виде. В итоге, открытые мультимодальные модели от Hugging Face могут стать тем фундаментом, на котором построятся новые поколения автономных систем, способных работать в условиях ограниченной связности, экономя как время, так и ресурсы.