Le petit modèle IA sur appareil de Liquid AI révolutionne l’économie des agents IA
Liquid AI vient de publier LFM2.5-2.6B, un modèle de 2,7 milliards de paramètres capable de planifier, d’appeler des outils et d’exécuter des tâches multi-étapes directement sur un smartphone, un ordinateur portable, un PC ou un robot — sans recourir au cloud. Le modèle propose une fenêtre contextuelle de 131 072 jetons, un vocabulaire de 128 000 jetons et des poids ouverts sous licence lfm1.0, tous disponibles dès aujourd’hui sur Hugging Face en formats GGUF, MLX et ONNX.
Du smartphone au parc informatique en un seul téléchargement
Le déploiement couvre toutes les strates de la pile technologique. Les développeurs solo peuvent le tester sur leurs ordinateurs existants — le modèle génère environ 220 jetons par seconde sur un M5 Max avec moins de 2,5 Go de RAM. Les équipes de taille intermédiaire peuvent l’héberger en local sur un seul Nvidia H100 SXM5, traitant environ 1,3 milliard de jetons par jour. Les entreprises et les OEM peuvent pousser les mêmes poids vers des flottes via GGUF et ONNX, tout en gardant les requêtes isolées. Liquid AI exclut explicitement les tâches de programmation agentique et les requêtes gourmandes en connaissances, se concentrant sur les flux de travail agentiques, l’utilisation d’outils, l’extraction de données, le RAG et l’analyse de longs contextes.
Une recette d’entraînement transformée en couteau suisse
L’architecture combine 22 blocs de convolution à double porte avec 8 couches d’attention à requêtes groupées, le tout sur 30 couches au total. L’entraînement préliminaire a utilisé environ 34 000 milliards de jetons ; l’équipe a doublé le vocabulaire à 128 K en étendant le tokenizer existant plutôt qu’en le recréant, puis a ajouté une phase d’entraînement intermédiaire dédiée pour porter le contexte à 128 K. L’affinage post-entraînement se déroule en quatre étapes : deux tours de fine-tuning supervisé, un apprentissage par renforcement avec des experts du domaine, une distillation multi-domaines et un apprentissage par renforcement agentique au sein d’environnements réels comme Hermes Agent et OpenClaw.
Les benchmarks comparant LFM2.5-2.6B à gemma-4-E2B-it (5,1 Md), gemma-4-E4B-it (8 Md), Qwen3.5-4B (4,7 Md) et Qwen3.5-9B (9,7 Md) montrent que le modèle mène la plupart des tests de suivi d’instructions et d’utilisation d’outils, n’étant devancé que par Qwen3.5-9B sur le BFCLv4.
Page du modèle LFM2.5-2.6B • Poids de base sur Hugging Face • Poids GGUF
Pourquoi c’est important
Source : MarkTechPost. Synthèse éditoriale assistée par IA — TechnoExpress.