LFM3 : Liquid AI publie six petits modèles ouverts de 2 milliards de paramètres, du texte à l'audio, pour tourner sur l'appareil

Liquid AI, qui conçoit des modèles compacts destinés à tourner sur l’appareil, a lancé ce mardi 27 octobre LFM3, sa troisième génération de Liquid Foundation Models. L’annonce officielle est tombée sur X à 18 h 07, heure de Paris, accompagnée d’un long billet de blog. Les poids sont téléchargeables dès aujourd’hui sur Hugging Face, et les modèles sont aussi proposés dans le Playground et l’API de l’entreprise.

Le pari va à rebours de la course aux très grands modèles : LFM3 réunit six modèles d’environ 2 milliards de paramètres, chacun spécialisé, pensés pour tourner directement sur un téléphone, un portable ou une carte embarquée, sans passer par le cloud.

Une famille, six usages

Tous les modèles sont dérivés du même socle, LFM3-1.7B-Base, lui aussi publié pour ceux qui veulent l’entraîner à leur façon :

• LFM3-1.7B : le modèle texte, avec une fenêtre de contexte de 256 000 tokens, post-entraîné pour piloter des agents (outils, navigation web, tâches bureautiques) ;
• LFM3-VL-2B : vision et langage, qui accepte pour la première fois de la vidéo en entrée chez Liquid AI ;
• LFM3-Audio-2B : conversation vocale, transcription, synthèse et traduction dans 18 langues, avec appels d’outils ;
• LFM3-Omni-2B (2,2 milliards de paramètres) : le premier modèle « omni » de la maison, qui combine image, son et texte ;
• d1-2B et d1-Omni-2B : des modèles de décision qui, au lieu de rédiger une réponse, répondent en une seule passe à une liste de questions (oui/non, choix, extraction de champs, localisation d’objets), chacune avec une probabilité.

Ce qui change sous le capot

Liquid AI garde sa recette hybride, mais l’enrichit. Sur les 24 couches du modèle texte, 13 sont des convolutions courtes, 5 utilisent une attention à fenêtre glissante de 256 tokens et 6 une attention globale. L’objectif affiché est de rester rapide sur de longs contextes : selon l’éditeur, un contexte complet de 128 000 tokens n’occupe que 1,6 Go de cache mémoire, contre 4,3 Go pour Qwen3.5-4B. Le pré-entraînement porte sur 22 000 milliards de tokens, avec davantage de code, de mathématiques et de traces d’agents que la génération précédente.

L’architecture a été optimisée sur 14 combinaisons de matériel, des smartphones Samsung et OnePlus au Raspberry Pi 5, en passant par les puces Apple, AMD, Qualcomm et des GPU. Le modèle texte tient dans environ 1 Go en 4 bits, et chaque modèle peut être affiné sur un seul GPU. Côté outils, llama.cpp, MLX et vLLM sont pris en charge dès le lancement, avec des partenaires comme AMD, Qualcomm, NVIDIA, Arm, OpenRouter et Vercel.

Des scores flatteurs, à vérifier

Les chiffres publiés sont ceux de Liquid AI, sans mesure indépendante pour l’instant. Sur son propre tableau, LFM3-1.7B obtient une moyenne de 49,37, devant Qwen3.5-9B (47,24), un modèle plus de cinq fois plus gros. L’écart est net sur les tâches d’agents en navigateur (38,42 contre 28,94 sur WebArena-Verified).

Le tableau montre aussi ses limites, et l’éditeur le reconnaît : sur le code agentique (43,40 contre 51,20 sur SWE-bench Verified) et les connaissances (63,37 contre 80,40 sur GPQA Diamond), les plus gros modèles gardent l’avantage. Pour la vision, LFM3-VL-2B afficherait une moyenne de 71,4 sur 62 tests, au niveau de Gemma 4 12B (71,7), un modèle six fois plus grand.

Le point à ne pas rater : la licence

Liquid AI parle de modèles « ouverts », mais il s’agit de poids téléchargeables sous LFM Open License v1.0, pas d’une licence libre comme Apache 2.0 ou MIT. Le texte, consultable sur Hugging Face, réserve l’usage commercial aux entités dont le chiffre d’affaires annuel est inférieur à 10 millions de dollars. Au-delà, il faut passer par un accord avec Liquid AI. Pour un développeur indépendant ou une start-up, c’est sans conséquence immédiate ; pour une grande entreprise, c’est un point bloquant à vérifier avant tout déploiement.