Liquid AI a publié LFM3, une famille de petits modèles à poids ouverts conçus pour être affinés sur une seule tâche et exécutés sur l'appareil où cette tâche a lieu. Tous dérivent d'une même base de 1.7B : une équipe peut choisir texte, vision, audio, un modèle omni qui fait les trois ou un modèle de décision, avec le même comportement de fond. Pour les applications mobiles, les équipements d'usine et les robots qui ne peuvent pas compter sur le cloud, c'est l'intérêt principal.
La base a été préentraînée sur 22T tokens, les derniers 3.5T faisant plus de place aux traces d'agents et aux appels d'outils, ce qui a aussi porté la fenêtre de contexte à 256K tokens. Ses 24 couches combinent des convolutions courtes à portes et de l'attention à fenêtre glissante et globale, choisies par une recherche d'architecture avec le matériel dans la boucle sur 14 combinaisons d'appareil et de moteur, du Raspberry Pi 5 au NPU Hexagon de Qualcomm. Selon Liquid AI, le modèle texte de 1.7B bat son propre LFM2.5-2.6B avec 35 % de paramètres en moins et tourne environ 25 % plus vite avec 8K tokens de contexte. Le gain le plus net concerne les tâches d'agent : 38.42 sur WebArena-Verified, contre 3.02 pour l'ancien modèle.
Les autres modèles reposent sur cette base. LFM3-VL-2B, premier modèle de vision de Liquid à accepter la vidéo, fait passer sa moyenne sur 62 tests de vision de 57.6 à 71.4 avec 1.9B paramètres, ce que Liquid AI place au niveau de Gemma 4 12B. LFM3-Audio-2B traite la parole dans 18 langues, et son codec transforme les tokens en voix environ 87 fois plus vite que le temps réel sur un seul fil d'exécution CPU d'un Apple M4 Max. Le modèle de décision d1-2B renvoie des probabilités calibrées en une seule passe et remplace d1-3B. Des notebooks d'affinage couvrent des tâches comme transcrire des tickets de caisse en JSON ou associer des commandes vocales de domotique à des appels de fonctions.
C'est la suite de la ligne que nous avons testée avec LFM2.5-24B-A2B et le minuscule d1-omni-600m : de petits modèles qui échangent l'étendue contre la vitesse sur du matériel bon marché. L'argument n'est pas d'égaler les modèles de pointe, mais d'être assez peu coûteux pour être spécialisés, puisque chaque modèle s'entraîne sur un seul GPU.
La prudence s'impose. Tous les chiffres de performance viennent de Liquid AI, et certaines comparaisons portent sur ses propres anciens modèles. Le billet n'indique pas de licence, et des modèles Liquid antérieurs étaient publiés avec des conditions limitant l'usage commercial au-delà d'un seuil de chiffre d'affaires ; vérifiez donc la fiche de chaque modèle avant tout déploiement. Les résultats en robotique, dont 96.2 % de réussite moyenne sur LIBERO, proviennent d'une adaptation interne distincte et non des modèles publiés.