LFM3, trois regards sur une famille de modèles

MMarc

Liquid AI a annoncé mardi LFM3, une famille de six modèles multimodaux d’environ 2 milliards de paramètres, conçus pour être adaptés à différents usages et appareils. Hugging Face met l’accent sur la spécialisation. Les six modèles partent d’un socle commun et couvrent le texte, la vision, l’audio, le multimodal et la prise de décision. Le modèle de vision accepte aussi la vidéo. Selon Hugging Face, chaque modèle peut être affiné sur un seul processeur graphique, puis adapté aux données et aux besoins d’un déploiement. Le modèle texte peut tenir dans environ 1 gigaoctet en précision 4 bits et dispose d’un contexte de 256 000 tokens. Hugging Face détaille aussi l’architecture : convolutions courtes, attention à fenêtre glissante et attention globale. Liquid AI affirme que le modèle texte LFM3-1.7B dépasse son précédent modèle, 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. AlphaSignal présente surtout les contraintes pratiques de déploiement. Le média relève que les modèles sont disponibles à poids ouverts et que Liquid AI vise les téléphones, les ordinateurs portables, les systèmes embarqués et les serveurs. Il souligne aussi les résultats revendiqués pour le modèle de vision : Liquid AI dit qu’il obtient une moyenne comparable à Gemma 4 12B sur 62 évaluations, avec un encodeur visuel qui utiliserait trois fois moins de calcul que SigLIP2. AlphaSignal précise que les comparaisons de performances peuvent varier selon les prompts, la quantification, le matériel et la configuration logicielle. Unite.AI résume davantage la structure du lancement : les six modèles de cette première version dérivent tous du même modèle de base, LFM3-1.7B-Base. Les trois médias décrivent donc une famille commune, déclinée selon les modalités, et insistent sur l’adaptation des modèles. Leurs regards diffèrent dans le détail : Hugging Face décrit l’architecture et l’affinage, AlphaSignal s’attarde sur les usages matériels et les benchmarks, tandis qu’Unite.AI met en avant le socle partagé.