Qu’est-ce que LFM3 ?
LFM3 est la troisième génération de petits modèles de Liquid AI, sortie le 27 octobre 2026. Elle compte six modèles d'environ 2 milliards de paramètres, tous dérivés du même checkpoint LFM3-1.7B-Base : LFM3-1.7B pour le texte, LFM3-VL-2B pour les images et la vidéo, LFM3-Audio-2B pour la parole en entrée et en sortie, LFM3-Omni-2B, qui voit, écoute et parle dans un seul modèle, et deux modèles de décision, d1-2B et d1-Omni-2B. La base elle-même est aussi publiée. Chaque modèle utilise le même backbone à 24 couches (13 convolutions courtes à portes, 5 couches d'attention à fenêtre glissante et 6 couches d'attention globale) pré-entraîné sur 22 billions de tokens.
Le modèle de texte a 1,73 milliard de paramètres, un contexte de 256K tokens et le raisonnement activé par défaut, et a été post-entraîné dans des harnais d'agent comme Hermes Agent, Pi et OpenClaw. LFM3-VL-2B (1,92B) ajoute un nouvel encodeur de vision, lit la vidéo à 2 images par seconde et a un contexte de 128K. LFM3-Audio-2B (2B) et LFM3-Omni-2B (2,17B) répondent en texte, en parole 24 kHz ou les deux, avec un contexte de 32K ; Omni ne raisonne pas.
Les deux modèles de décision n'écrivent pas de texte du tout. d1-2B, bâti sur LFM3-VL-2B, et d1-Omni-2B, bâti sur LFM3-Omni-2B et ajoutant l'audio, renvoient des réponses typées avec des probabilités en une passe avant, le type de modèle que ce site classe dans sa catégorie décision. Tous les poids sont sous la LFM Open License v1.0, qui interdit l'usage commercial aux organisations avec 10 millions de dollars ou plus de revenus annuels.
LFM3 vaut-il le coup ?
LFM3 est la famille de petits modèles la plus complète que Liquid ait livrée, et sur ses propres tests le modèle de texte frappe bien au-dessus de 2B. La fiche de Liquid place LFM3-1.7B à 45,60 sur LiveClaw contre 35,77 pour Qwen3.5-9B, 41,29 sur AutomationBench contre 15,10, et 71,39 sur BFCL V4 contre 62,83, pour une moyenne non pondérée de 49,37 sur tout son tableau contre 47,24 pour Qwen3.5-9B et 39,19 pour MiniCPM5-2B. Liquid a exécuté chaque modèle lui-même dans vLLM, et VentureBeat note que les benchmarks sont les résultats rapportés par Liquid sans validation indépendante ; Artificial Analysis ne l'avait pas noté au moment de notre vérification.
Le plafond se situe là où la taille mord d'habitude. Qwen3.5-9B mène SWE-bench Verified à 51,20 contre 43,40, GPQA Diamond à 80,40 contre 63,37 et RULER à 128K tokens à 87,11 contre 65,56, et la propre fiche de Liquid déconseille le code agentique et le raisonnement complexe en plusieurs étapes. Une ligne de connaissance mérite un examen plus attentif : sur AA-Omniscience, le modèle a raison seulement 7,07 % du temps mais évite d'halluciner 92,93 % du temps, contre 13,64 % pour Qwen3.5-4B. Il décline le plus souvent plutôt qu'il n'invente, ce qui rend la récupération presque obligatoire.
Les modèles de décision sont la moitié moins évidente du lancement. d1-2B prend les mêmes questions de choix, de score et oui/non que Jev et ajoute l'extraction de texte, de nombres et de dates, des boîtes autour des objets et des estimations avec un intervalle. Liquid rapporte 77,9 sur JevBench v1.4.1 et 5,7 ms par décision sur un H100, devant son propre d1-3B plus ancien, bien qu'il ne compare d1-2B qu'avec d'autres modèles d1. Le modèle de décision d1 hébergé coûte 0,02 $ par million de tokens en entrée, et VentureBeat avertit que le nom hébergé pourrait ne pas être le même modèle que le téléchargement.
Les poids sont petits : le GGUF de texte 4 bits fait 1,10 GB et le BF16 3,47 GB, et Liquid chiffre le cache KV pour un contexte complet de 128K à 1,6 GB contre 4,3 GB pour Qwen3.5-4B. La licence est la même LFM Open License v1.0 que LFM2.5, avec des droits commerciaux uniquement sous 10 millions de dollars de revenus annuels, tandis que Gemma 4 et Ministral 3 sont livrés sous Apache 2.0. Liquid n'a pas publié de prix d'API sur ses propres pages, si bien que les 0,08 $ et 0,20 $ par million que VentureBeat a lus depuis la console connectée sont les seuls chiffres disponibles.
Là où il fait la différence
Un développeur mobile dans un studio d'applis de 12 personnes
Livrer un assistant vocal hors ligne qui entend une requête et répond à voix haute
LFM3-Omni-2B prend la parole, les images et la vidéo et répond en texte ou en parole 24 kHz, remplaçant des modèles séparés de reconnaissance vocale, de langage et de synthèse vocale. Le GGUF 4 bits fait 1,10 GB plus un projecteur vision et audio Q8 de 0,54 GB ; le contexte de 32K limite les longues sessions, et le studio a besoin d'un accord séparé une fois que le revenu atteint 10 millions de dollars.
Un ingénieur plateforme qui route les tickets pour une entreprise de logiciels de support
Remplacer un appel de classification LLM par une décision locale rapide
d1-2B répond à plusieurs questions nommées sur un ticket en une seule passe et renvoie une probabilité pour chaque option, à 5,7 ms sur un H100 et 1 132 états par seconde en lots, selon les chiffres de Liquid. Le modèle d1 hébergé coûte 0,02 $ par million de tokens en entrée avec sortie gratuite, si bien qu'1 milliard de tokens en entrée par mois fait environ 20 $ ; calibrez les seuils sur vos propres tickets, comme Liquid le conseille.
Un responsable d'ingénierie chez un distributeur avec 200 millions de dollars de revenus
Faire tourner un agent navigateur et outils sur les portables du personnel sans envoyer de données dehors
LFM3-1.7B a été entraîné dans Hermes Agent, Pi et OpenClaw et tient sur un portable à environ 1 GB, mais au-dessus de 10 millions de dollars de revenus la licence ouverte ne couvre pas l'usage commercial. Prévoyez la licence entreprise de Liquid, tarifée selon l'échelle de déploiement via l'équipe commerciale, ou utilisez l'API hébergée au tarif rapporté de 0,08 $ en entrée et 0,20 $ en sortie par million de tokens.
Avant de vous engager
- Mise en route
- Le modèle de texte tourne dans Transformers avec trust_remote_code, vLLM, SGLang, Ollama, LM Studio, MLX et ONNX Runtime ; llama.cpp a besoin d'une version compatible LFM3. Les modèles d1 ont besoin de Transformers 5.19 ou ultérieur avec leur propre code de modèle, et llama.cpp ne prend en charge que leurs questions de choix, de score et oui/non.
- Intégrations
- Les appels d'outils sortent en XML, et le modèle de chat prend en charge le chargement différé d'outils pour les harnais avec une recherche d'outils. Liquid documente les configurations Hermes Agent, OpenClaw et Pi ; les modèles sont sur l'API et le Playground de Liquid, et LFM3 n'était pas sur OpenRouter au moment de notre vérification.
- Données et confidentialité
- L'auto-hébergement garde les données en local. La LFM Open License v1.0 autorise l'usage commercial uniquement sous 10 millions de dollars de revenus annuels, avec une exception pour la recherche à but non lucratif ; la promesse de non-entraînement de Liquid sur sa page tarifaire est indiquée pour les déploiements personnalisés, et les conditions de conservation de l'API n'y sont pas publiées.
- Coût à grande échelle
- Aux tarifs rapportés par VentureBeat, 1 milliard de tokens en entrée et 100 millions en sortie par mois coûtent environ 100 $ sur LFM3-1.7B et 150 $ sur LFM3-VL-2B, avec les tokens audio en supplément à 2 $ en entrée et 10 $ en sortie par million sur Audio et Omni. L'auto-hébergement a besoin de 1,05 à 1,10 GB en 4 bits, 1,85 GB en Q8_0 ou 3,47 GB en BF16 ; Liquid rapporte 3,6 milliards de tokens par jour sur un B300.
- Limites
- Les modèles LFM3 hébergés indiquent un contexte de 128 000 tokens, la moitié des 256K du modèle de texte ouvert, et les limites d'usage sont partagées entre les clés d'API d'une organisation. Désactiver le raisonnement n'est pas fiable sur les tâches difficiles, Omni ne peut pas raisonner, et d1-2B devient moins fiable au-delà d'environ 64K tokens d'état.
Les points forts
- 45,60 sur LiveClaw contre 35,77 pour Qwen3.5-9B (autodéclaré)
- 1,10 GB en Q4_K_M ; 1,6 GB de cache KV à 128K (Liquid)
- Modèles texte, vision, parole, omni et décision sur un seul backbone
- d1-2B renvoie des réponses typées en 5,7 ms sur un H100 (Liquid)
Les points faibles
- Pas de licence commerciale à 10M$+ de revenus annuels
- Derrière Qwen3.5-9B sur SWE-bench Verified, GPQA et le long contexte
- Prix d'API absents de la page tarifaire propre de Liquid
- Pas encore de benchmark ou de score de classement indépendant
Idéal pour
Les développeurs et entreprises sous 10 millions de dollars de revenus qui construisent des agents sur l'appareil, des fonctions vocales ou des classifieurs rapides devant tourner sur un téléphone, un portable ou un seul GPU.
Alternatives à LFM3
LFM3 : questions fréquentes
- LFM3 vaut-il le coup ?
- Six modèles 2B compétents qui tiennent dans environ un gigaoctet chacun, des agents à la parole aux décisions typées, sous une licence qui s'arrête toujours à 10 millions de dollars de revenus. Nous lui donnons 4.0 sur 5.
- Combien coûte LFM3 ?
- Poids gratuits sous la LFM Open License (usage commercial uniquement sous 10M$ de revenus annuels). API Liquid, telle que rapportée par VentureBeat depuis la console connectée : LFM3-1.7B 0,08 $ en entrée / 0,20 $ en sortie par 1M de tokens ; VL 0,10 $ / 0,50 $ ; Audio et Omni 0,10 $ / 1,00 $ plus les tokens audio. Décisions d1 hébergées à 0,02 $ par 1M en entrée, sortie gratuite.
- Quels sont les inconvénients de LFM3 ?
- Pas de licence commerciale à 10M$+ de revenus annuels; derrière Qwen3.5-9B sur SWE-bench Verified, GPQA et le long contexte; prix d'API absents de la page tarifaire propre de Liquid; pas encore de benchmark ou de score de classement indépendant.
- À qui s’adresse LFM3 ?
- Les développeurs et entreprises sous 10 millions de dollars de revenus qui construisent des agents sur l'appareil, des fonctions vocales ou des classifieurs rapides devant tourner sur un téléphone, un portable ou un seul GPU.
- Combien coûte LFM3 pour une équipe ou en production ?
- Aux tarifs rapportés par VentureBeat, 1 milliard de tokens en entrée et 100 millions en sortie par mois coûtent environ 100 $ sur LFM3-1.7B et 150 $ sur LFM3-VL-2B, avec les tokens audio en supplément à 2 $ en entrée et 10 $ en sortie par million sur Audio et Omni. L'auto-hébergement a besoin de 1,05 à 1,10 GB en 4 bits, 1,85 GB en Q8_0 ou 3,47 GB en BF16 ; Liquid rapporte 3,6 milliards de tokens par jour sur un B300.
- LFM3 est-il sûr pour les données de l’entreprise ?
- L'auto-hébergement garde les données en local. La LFM Open License v1.0 autorise l'usage commercial uniquement sous 10 millions de dollars de revenus annuels, avec une exception pour la recherche à but non lucratif ; la promesse de non-entraînement de Liquid sur sa page tarifaire est indiquée pour les déploiements personnalisés, et les conditions de conservation de l'API n'y sont pas publiées.
- Quelles sont les meilleures alternatives à LFM3 ?
- Les alternatives les plus proches que nous avons testées sont MiniCPM5-2B, Gemma 4, Ministral 3 (3B, 8B and 14B), LFM2.5-24B-A2B et Perplexity Decider (pplx-decider).
Réponses vérifiées le 28 oct. 2026.