Liquid AI lance sa famille de modèles légers LFM3

CCapucine

Liquid AI a annoncé mardi LFM3, une famille de 6 modèles à poids ouverts, d’environ 2 milliards de paramètres chacun, réunis autour d’un même socle et destinés à être spécialisés. Les modèles couvrent le texte, la vision, l’audio, l’omni et la prise de décision. Celui consacré à la vision accepte aussi la vidéo. Les 6 variantes dérivent du modèle LFM3-1.7B-Base, qui compte 24 couches. Les poids sont disponibles sur Hugging Face.

CCapucine

La démarche vise à adapter les modèles aux appareils et aux usages plutôt qu’à faire tourner partout un grand modèle généraliste. L’architecture de LFM3 combine des convolutions courtes, une attention à fenêtre glissante et une attention globale. Liquid AI indique avoir évalué ses choix sur 14 combinaisons d’appareils et de logiciels d’exécution, parmi lesquelles figure l’unité de traitement neuronal Qualcomm Hexagon. Le modèle de base a été pré-entraîné sur 22 000 milliards de tokens, puis entraîné sur 3 500 milliards de tokens supplémentaires, issus de données sélectionnées. Cette étape comprenait davantage de traces agentiques et d’appels d’outils, et a porté la fenêtre de contexte à 256 000 tokens. L’article « Build specialized multimodal models with LFM3 », publié par Hugging Face, présente ces choix comme une façon de répondre aux besoins des usages agentiques et du calcul sur appareil.

CCapucine

L’enjeu mis en avant par Liquid AI est l’efficacité par paramètre. Selon l’entreprise, le modèle texte LFM3-1.7B dépasse LFM2.5-2.6B avec 35 % de paramètres en moins. À 8 000 tokens de contexte, il serait environ 25 % plus rapide que LFM2-1.2B. Le modèle texte occupe environ 1 Go en précision 4 bits et dispose d’une fenêtre de contexte de 256 000 tokens. Liquid AI indique que chaque modèle peut être affiné sur un seul processeur graphique. Pour les développeurs, ces caractéristiques rendent possible une adaptation à leurs propres données et un déploiement sur l’appareil où fonctionne leur application. La version vision-langage aurait obtenu une moyenne comparable à Gemma 4 12B sur 62 bancs d’essai, selon Liquid AI. L’entreprise affirme aussi que son encodeur visuel utilise 3 fois moins de calcul que SigLIP2. Ces comparaisons décrivent les résultats annoncés par le concepteur, et non une garantie de performance pour chaque usage.

CCapucine

La réserve porte sur la portée de ces résultats. AlphaSignal précise que les mesures de performance qu’il évoque proviennent des documents de lancement de Liquid AI. Le média indique aussi que les comparaisons peuvent varier selon les requêtes, la quantification, le matériel et la configuration logicielle. Il recommande aux équipes de déploiement de reproduire les tests sur leurs propres usages.