Liquid AI a dévoilé LFM3, une famille de six petits modèles multimodaux bâtis sur une base commune. Ils sont pensés pour tourner directement sur un téléphone ou un ordinateur portable, sans passer par un serveur.
Ce que Liquid AI annonce avec LFM3
Les 26 et 27 octobre, Liquid AI a présenté la nouvelle génération de ses Liquid Foundation Models, appelée LFM3. L'entreprise range cette série sous l'étiquette « specialized intelligence », autrement dit des modèles taillés pour un usage précis plutôt que pour tout faire à la fois.
La différence avec la génération précédente, LFM2, se joue dans la construction. LFM3 est multimodal dès le départ. Le texte, l'image et le son ne vivent pas dans des modèles séparés : ils partagent une même base. La première vague couvre la classe des 2 milliards de paramètres, un format assez léger pour tenir sur un téléphone ou un ordinateur portable.
Six modèles composent cette première vague. Tous descendent d'un seul modèle socle, baptisé LFM3-1.7B-Base. L'idée est simple : plutôt que d'appeler un gros modèle généraliste, on choisit un petit modèle adapté à la tâche, on l'ajuste et on le fait tourner sur l'appareil.
Six modèles nés d'une même base
Quatre des six modèles couvrent les entrées. Il y en a un pour le texte, un pour l'image, un pour le son et un quatrième, dit omni, qui traite plusieurs entrées à la fois. Les deux derniers sont des modèles de décision. Ils ne partent pas de zéro, mais dérivent du modèle visuel et du modèle omni.
Modèle | Entrée ou rôle |
|---|---|
LFM3 Text | texte écrit |
LFM3 Vision | images et scènes |
LFM3 Audio | son et parole |
LFM3 Omni | texte, image et son ensemble |
LFM3 Decision (Vision) | décisions à partir d'images |
LFM3 Decision (Omni) | décisions à partir de plusieurs entrées |
La logique reste la même d'un bout à l'autre. Plutôt qu'un modèle unique pour tous les cas, Liquid AI mise sur plusieurs variantes spécialisées issues d'une même origine. Une application de photo puisera dans le modèle visuel, un assistant vocal dans le modèle audio. Une petite machine qui doit seulement trancher utilisera un modèle de décision.
Tous ont été entraînés ensemble. Cette base commune doit permettre de reporter un ajustement d'un modèle sur ses voisins. Reste à voir si cela tient en pratique.
Une architecture à trois types de couches
À l'intérieur, Liquid AI a revu la copie. Chaque modèle compte 24 couches, réparties en trois familles. Treize couches sont des convolutions courtes à porte, des filtres locaux qui repèrent des motifs proches dans le texte ou l'image. Le noyau de ces filtres passe de 3 à 7 par rapport à LFM2, ce qui élargit un peu le voisinage observé.
Cinq couches utilisent une attention à fenêtre glissante, limitée à 256 tokens. Cette attention ne remonte que sur une courte portion de l'entrée, ce qui économise du calcul sur les longues séquences. Les six dernières couches emploient une attention globale, qui prend en compte tout le contexte déjà vu.
D'autres briques complètent l'ensemble : une attention à porte par tête, un RoPE partiel pour la position et une normalisation placée avant et après les blocs. Liquid AI a aussi repris le vocabulaire du plus gros LFM2.5-8B-A1B. Ses 128 000 entrées sont pensées pour les écritures non latines, le chinois ou l'arabe par exemple.
Le pré-entraînement a porté sur 22 000 milliards de tokens. Les 3 500 derniers milliards relèvent d'une phase intermédiaire, avec des données de meilleure qualité. On y trouve davantage de traces d'agents et d'appels à des outils, ces exemples où un modèle planifie ses étapes et se sert de logiciels. C'est là que le contexte est passé à 256 000 tokens.
Pensé pour tourner sur l'appareil
LFM3 ne vise pas les grands centres de données, mais le matériel proche de l'utilisateur. Pour le vérifier, Liquid AI a élargi la recherche d'architecture à de nombreux appareils. Avec LFM2, le banc d'essai se limitait à un téléphone et un ordinateur portable. Pour LFM3, il couvre 14 associations d'appareils et de moteurs d'exécution.
La liste comprend des téléphones comme le Samsung Galaxy S26 Ultra et le OnePlus 15, un Raspberry Pi 5, des portables équipés d'une puce Apple M4 Max ou d'un AMD Ryzen AI, des processeurs Arm et x86 dans le cloud, ainsi que des cartes graphiques et le NPU Hexagon de Qualcomm. La promesse : un modèle qui fonctionne sur toutes ces machines sans retouche.
Pour un développeur, c'est le cœur de l'annonce. Un modèle logé dans un téléphone n'a pas besoin de réseau et n'envoie rien à un serveur. C'est plus discret pour les données personnelles, et cela marche aussi là où le signal est mauvais.
Ni réseau, ni serveur.
Les performances affichées par Liquid AI
Un rappel s'impose avant les chiffres : tout ce qui suit vient de Liquid AI. Aucun test indépendant ne les a vérifiés à ce jour.
Selon l'entreprise, LFM3-1.7B égale le plus petit LFM2-1.2B sur les courtes requêtes, tout en étant environ 25 % plus rapide sur un contexte de 8 000 tokens. Sur les trois appareils testés, ce serait le modèle le plus rapide du lot, avec une vitesse de génération 1,8 à 2,8 fois supérieure à celle du deuxième. Il consommerait aussi le moins de mémoire vive.
Le point frappant concerne les longs contextes. Pour 128 000 tokens, LFM3-1.7B réclamerait 1,6 Go de cache. Pour comparaison, Liquid AI cite 4,3 Go pour Qwen3.5-4B et 5,6 Go pour MiniCPM5-2B. Sur une seule carte NVIDIA B300, avec SGLang en BF16, jusqu'à 3,6 milliards de tokens par jour passeraient à 1 024 requêtes simultanées.
Après l'entraînement viennent quatre étapes : un ajustement supervisé sur 1 750 milliards de tokens, un apprentissage par renforcement mixte, une distillation à partir de six professeurs spécialisés, puis un renforcement dédié aux tâches d'agent.
Côté bancs d'essai, Liquid AI annonce 71,39 points sur BFCL V4 et 80,36 sur ToolSandbox. Ces deux tests mesurent la capacité d'un modèle à appeler des outils et à suivre des consignes. Sur des tâches longues dans un navigateur ou un logiciel de bureau, mesurées par WebArena-Verified et AutomationBench, LFM3-1.7B devancerait le plus gros Qwen3.5-9B.
Là où ces modèles ont des limites
Ces chiffres parlent, mais ils ne couvrent qu'une partie du terrain. Pour qui LFM3 est-il alors pertinent ? Liquid AI l'écrit elle-même : les gros modèles gardent l'avantage sur le code assisté par agent et sur les questions de culture générale. Un petit modèle gagne sur la vitesse, la mémoire et la proximité de l'utilisateur, pas sur tout.
Qui compte s'en servir pour du code complexe doit garder cette limite en tête. Le modèle brille sur des tâches en plusieurs étapes qui sollicitent des outils extérieurs. Sur de vastes connaissances ou du code lourd, ses paramètres ne suffisent pas.
Une seconde réserve touche la mesure elle-même. Les valeurs de comparaison viennent de la même source que les résultats maison. La façon dont LFM3 se comporte face à Qwen ou MiniCPM dans un test neutre reste à établir.
Comment essayer LFM3
Les poids des modèles de base et des versions entraînées sont disponibles dès maintenant à trois endroits : sur Hugging Face, dans le Liquid Playground et via l'API de Liquid AI.
LFM3 s'adresse donc surtout aux développeurs qui veulent loger un modèle dans un appareil. Pour une maquette, il est possible de le télécharger aujourd'hui et de l'essayer sur un portable ou une carte à petit prix. Savoir si les gains de vitesse et de mémoire tiennent dans un vrai projet demande un test sur pièce.
