Liquid AI décline LFM3 en six modèles ouverts de 2 milliards de paramètres pour l’edge
Le 27 octobre 2026, Liquid AI publie LFM3, une famille de six modèles à poids ouverts d’environ 2 milliards de paramètres — texte, vision, audio, omni et décision — issus d’un même socle. Le pari est clair : faire tourner du multimodal sur un téléphone, un Raspberry Pi ou un Jetson, sans cloud.
27 octobre 2026. Liquid AI publie LFM3, une nouvelle génération de Liquid Foundation Models à poids ouverts. Six modèles d’environ 2 milliards de paramètres — texte, vision, audio, omni et décision — partent tous d’un même socle, LFM3-1.7B-Base. 27 octobre 2026. Les poids sont disponibles sur Hugging Face, le playground Liquid AI et son API, sous LFM Open License v1.0. Pourquoi c’est important : un laboratoire frontal pousse la logique « un modèle, plusieurs modalités » jusqu’au bout — et vise explicitement l’exécution sur appareil, là où les gros modèles ne vont pas.
Un seul socle, six spécialités
La famille se déploie autour d’un tronc commun. LFM3-1.7B prend du texte et renvoie du texte, avec 1,73 milliard de paramètres, une fenêtre de contexte de 256 000 jetons, un vocabulaire de 128 000 jetons et le support de 16 langues. Autour de lui, trois déclinaisons multimodales : LFM3-VL-2B (texte, image et vidéo en entrée, texte en sortie), LFM3-Audio-2B (texte ou audio vers texte ou parole) et LFM3-Omni-2B, le premier modèle « omni » de la maison, qui accepte texte, image, vidéo et audio et répond en texte et en parole. Deux modèles de décision, d1-2B et d1-omni-2B, sont spécialisés depuis les branches vision et omni : ils renvoient des réponses calibrées — une liste de questions traitées en une seule passe avec des probabilités — plutôt qu’un texte généré.
Les partenaires de lancement disent le positionnement. On trouve des fondeurs et des écosystèmes embarqués — Ambarella, AMD, Arm, Intel via OpenVINO, NVIDIA, Qualcomm via AI Hub et GenieX — aux côtés d’OpenRouter et Vercel. Mercedes-Benz et Shopify ont participé aux tests de pré-lancement. Le message est limpide : ce modèle est pensé pour être déployé près de l’utilisateur, pas dans un datacenter.
Une architecture tri-hybride calibrée pour le silicium embarqué
Le socle LFM3-1.7B-Base compte 24 couches : 13 convolutions courtes à porte (noyau de taille 7, contre 3 dans LFM2), 5 couches d’attention à fenêtre glissante (fenêtre de 256 jetons) et 6 couches d’attention globale. Trois choix structurent ce backbone : une attention à porte par tête, où une sigmoïde met à l’échelle la sortie de chaque tête et peut supprimer les valeurs aberrantes qui dégradent la quantification ; un RoPE partiel, où seules les hautes fréquences de chaque tête sont tournées dans les couches globales ; et une norme « sandwich » qui normalise l’entrée et la sortie de chaque bloc.
Ce design vient d’une recherche d’architecture « hardware-in-the-loop » étendue à 14 combinaisons de matériels : des téléphones (Samsung Galaxy S26 Ultra, OnePlus 15), un Raspberry Pi 5, des portables (Apple M4 Max, AMD Ryzen AI), des CPU cloud Arm et x86, des GPU et le NPU Qualcomm Hexagon. C’est là le point qui distingue Liquid AI de la plupart des labos : l’architecture est optimisée sur le silicium cible, pas seulement sur un cluster d’entraînement.
L’entraînement suit la même logique. Le socle a été pré-entraîné sur 22 000 milliards de jetons, dont les 3 500 derniers milliards en « mid-training » sur des données curées, avec une part accrue de traces agentiques et d’appels d’outils qui a étendu la fenêtre à 256 000 jetons. Le post-entraînement se déroule en quatre étapes : fine-tuning supervisé sur 1 750 milliards de jetons, apprentissage par renforcement mixte, distillation on-policy multi-domaines depuis six professeurs spécialisés, puis RL agentique dans de vrais harnais d’agents.
Ce que valent les chiffres — et ce qu’il faut en retenir
Les performances publiées sont, comme toujours, fournies par le vendeur. Elles méritent la même lecture qu’une fiche constructeur : elles donnent un ordre de grandeur, pas un verdict.
LFM3-1.7B surpasserait son prédécesseur LFM2.5-2.6B avec 35 % de paramètres en moins, et égalerait LFM2-1.2B par paramètre sur les prompts courts tout en tournant environ 25 % plus vite à 8 000 jetons de contexte. À 4 bits, le modèle texte tient dans environ 1 Go de mémoire. Sur WebArena-Verified, il passe de 3,02 (LFM2.5-2.6B) à 38,42 — les gains les plus marqués portent sur les tâches agentiques, même si la fiche modèle précise que ce format n’est pas recommandé pour le codage agentique ni le raisonnement multi-étapes complexe.
La branche vision est la plus spectaculaire. LFM3-VL-2B est le premier modèle de vision Liquid à accepter la vidéo, et Liquid AI annonce une moyenne de 71,4 sur 62 benchmarks de vision, contre 57,6 pour LFM2.5-VL-3B, avec 1,9 milliard de paramètres contre 3,1 — soit un niveau comparable à Gemma 4 12B, un modèle six fois plus gros. Un nouvel encodeur visuel maison de 164 millions de paramètres consomme 3× moins de calcul que SigLIP2 et égalerait la précision de l’encodeur de Qwen3.5-2B avec 2,2× moins de FLOPs.
L’audio et l’omni suivent la même trajectoire. LFM3-Audio-2B supporte 18 langues, affiche un UTMOSv2 de 3,83 contre 3,22, un time-to-first-token aussi bas que 50 ms, et un tokenizer LiquidCodec qui génère la parole environ 87× plus vite que le temps réel sur un seul cœur CPU d’un M4 Max. LFM3-Omni-2B (2,2 milliards) battrait des modèles jusqu’à 10,7 milliards de paramètres — dont Qwen2.5-Omni-7B — sur Daily-Omni, WorldSense et AV-SpeakerBench. Le modèle de décision d1-2B remplace d1-3B avec un tiers de paramètres en moins et passe de 64,0 à 75,5 sur ImajevBench.
# Servir LFM3-1.7B en local avec llama.cpp (quantification 4 bits ≈ 1 Go)
llama-server -m LFM3-1.7B-Q4_K_M.gguf --ctx-size 32768 --port 8080Le fine-tuning sur un seul GPU, et la robotique en embuscade
Liquid AI insiste sur un point pratique : chaque modèle se fine-tune sur un seul GPU, avec des notebooks couvrant SFT, DPO, GRPO et le pré-entraînement continu. L’exemple maison est parlant : LFM3-VL-2B fine-tuné sur environ 3 000 photos publiques de pales d’éoliennes, en quelques heures sur un A100, fait passer la classification des défauts à 67 % et le F1 de détection de 0,003 à 0,11. C’est modeste en absolu, mais c’est le genre de tâche industrielle que les grands modèles ne justifient pas économiquement.
La robotique est le prolongement logique. Trois modèles — orchestration, navigation, manipulation — sont dérivés de LFM3-VL-2B. Le modèle de manipulation vision-langage-action, entraîné sur 15 incarnations, atteint 96,2 % de succès moyen sur les quatre suites LIBERO et 45,7 % sur RoboCasa-GR1, en générant des action chunks en moins de 50 ms sur un Jetson AGX Orin en TensorRT FP16. Enfin, côté débit, LFM3-1.7B produirait 3,6 milliards de jetons par jour sur un seul NVIDIA B300 à 1 024 requêtes concurrentes. Les checkpoints existent en BF16, FP8, NVFP4, GGUF, MLX et ONNX, avec support natif de llama.cpp, MLX et vLLM.
Verdict
Si vous voulez de l’IA multimodale sur appareil — assistant local, perception robotique, tri de documents en périphérie — testez LFM3 maintenant : c’est l’un des rares socles qui couvre texte, vision, audio et décision dans un format de 2 milliards de paramètres qui tient dans 1 Go en 4 bits et se fine-tune sur un seul GPU. Si vous visez du raisonnement complexe ou du codage agentique, passez votre chemin : la fiche modèle elle-même déconseille ce format pour ces usages, et un modèle de cette taille a un plafond dur que les benchmarks vendeur ne contournent pas. Dans tous les cas, mesurez sur vos propres données avant de croire les courbes : les chiffres Liquid AI sont des ordres de grandeur, pas des verdicts — le seul test qui compte est celui de votre charge sur votre matériel. Le signal durable de LFM3 n’est pas un benchmark de plus, c’est que la frontière « gros modèle au cloud, petit modèle sur l’edge » est en train de s’effacer par le bas.