Liquid AI lance la troisième génération de ses modèles de base Liquid, LFM3 : six modèles de la classe 2B partagent le socle LFM3-1.7B-Base et couvrent respectivement le texte, la vision (avec prise en charge de l'entrée vidéo pour la première fois), la parole, le multimodal complet et la sortie « décision ». Les poids sont disponibles sur Hugging Face, avec une mise en avant de l'exécution locale sur des appareils tels que les smartphones et les ordinateurs portables, ainsi que du réglage fin sur une seule carte graphique.
Confiance : élevée (80) · Date de l'événement 2026-10-27
Raisons
- Selon la communication officielle, la nouvelle architecture à trois mélanges (convolutions courtes à porte + attention à fenêtre glissante + attention globale) permet à LFM3-1.7B de surpasser LFM2.5-2.6B avec 35% paramètres en moins. La plus grande amélioration concerne les tâches agentiques : le score WebArena-Verified atteint 38.42 (contre 3.02 pour la génération précédente). Le modèle texte, quantifié sur 4 bits, pèse environ 1 Go, avec une fenêtre de contexte de 256K et un pré-entraînement sur 22 billions de tokens.
- LFM3-VL-2B voit sa moyenne sur 62 benchmarks de vision passer de 57.6 (LFM2.5-VL-3B) à 71.4. La communication officielle indique une performance comparable à celle de Gemma 4 12B ; le calcul de l'encodeur visuel maison représente un tiers de celui de SigLIP2.
- LFM3-Omni-2B est le premier modèle multimodal complet de Liquid. Il peut voir, entendre et répondre par la parole, remplaçant ainsi la chaîne séquentielle reconnaissance vocale + modèle vision-langage + LLM + synthèse vocale. L'encodeur audio est entièrement causal ; selon la communication officielle, le délai jusqu'au premier token est aussi rapide que 50 millisecondes.
- d1-2B et d1-omni-2B ne génèrent pas de texte. Ils répondent à plusieurs questions en une seule passe avant pour une entrée donnée, fournissant pour chacune une probabilité calibrée. Ces modèles sont destinés à des jugements structurés tels que la classification de tickets ou l'extraction de champs sur des factures.
Utilisation
- Les modèles sont disponibles dans l'organisation LiquidAI sur Hugging Face (collection LFM3, incluant LFM3-1.7B-Base pour un post-entraînement autonome). Ils peuvent être chargés via transformers (nécessitant trust_remote_code) ; les fiches des modèles listent également d'autres moteurs d'inférence tels que llama.cpp.
- Selon la communication officielle, chaque modèle peut être ajusté finement sur un seul GPU. LFM3-1.7B a fait l'objet d'un post-entraînement pour des frameworks agentiques tels que Hermes Agent, Pi et OpenClaw.
Risques
- La licence est la LFM Open License v1.0, et non Apache ou MIT : les entreprises ayant un chiffre d'affaires annuel de 1,000 millions de dollars ou plus ne sont pas couvertes pour une utilisation commerciale.
- Les scores de benchmark sont tous publiés par Liquid lui-même, sans reproduction par des tiers ; nous n'avons pas examiné les sorties réelles du modèle.