Liquid AI publie LFM2.5-2.6B, un modèle agentique de 2,69 milliards de paramètres conçu pour fonctionner localement sur téléphone, ordinateur ou matériel edge. Le laboratoire met en avant un modèle ouvert sur Hugging Face, capable de planifier, d’appeler des outils et de traiter des tâches multi-étapes sans dépendre d’une API cloud.
Un petit modèle pensé pour les agents
LFM2.5-2.6B est un modèle texte généraliste, mais sa fiche technique cible explicitement les usages agentiques : extraction de données, RAG, workflows longs, appel d’outils et automatisation locale. Liquid AI annonce une fenêtre de contexte de 128K tokens, environ 34 000 milliards de tokens d’entraînement et une architecture hybride de 30 couches, dont 22 blocs convolutionnels courts à double porte et 8 couches d’attention groupée.
Le point le plus frappant concerne l’inférence. L’entreprise affirme que le modèle reste sous 2,5 Go de mémoire, atteint 220 tokens par seconde sur Apple M5 Max, 113 tokens par seconde sur AMD Ryzen AI Max+ 395 et environ 30 tokens par seconde sur un téléphone. Sur un H100 à forte concurrence, Liquid annonce près de 15 000 tokens de sortie par seconde.
Entraîné dans des harnais d’agents
Liquid AI détaille un pipeline post-entraînement en quatre étapes : fine-tuning supervisé, spécialisation de professeurs, distillation multi-domaines on-policy et apprentissage par renforcement agentique. La partie la plus originale est l’entraînement directement dans des environnements d’agents réels, avec des tâches de recherche, de rédaction, de code, d’analyse de données ou de gestion de documents.
Selon l’entreprise, cette méthode expose le modèle aux outils, aux prompts système et aux schémas d’interaction utilisés par des harnais populaires comme OpenClaw, Hermes Agent ou LangGraph. L’objectif est de réduire l’écart entre un benchmark de langage et le comportement pratique d’un agent qui doit enchaîner plusieurs actions.
La promesse du coût marginal zéro
Liquid AI insiste sur l’économie du local : pas de facturation par token, latence plus faible, données qui restent sur l’appareil, possibilité de lancer beaucoup d’agents en arrière-plan. Pour des entreprises qui hésitent à connecter des documents sensibles à des modèles hébergés, ou pour des produits hors ligne, c’est un argument concret.
Les benchmarks publiés placent LFM2.5-2.6B devant plusieurs modèles plus gros sur l’instruction following et une partie des tests d’outils, tout en restant derrière certains concurrents sur des tâches plus lourdes de code ou de connaissances. Liquid précise d’ailleurs que le modèle n’est pas recommandé pour le codage agentique complexe ni les tâches très dépendantes du savoir encyclopédique.
La prudence reste donc nécessaire : les résultats proviennent du fournisseur et devront être vérifiés par des évaluations indépendantes. Mais le lancement est significatif. Si un modèle sous les 3 milliards de paramètres devient vraiment utile pour des agents locaux, le marché pourrait voir apparaître une nouvelle catégorie d’assistants privés, rapides et déployables sur le matériel déjà présent chez les utilisateurs.
