Liquid AI lance LFM3, sa nouvelle famille de modèles multimodaux de classe 2B

L'aube d'une nouvelle ère pour l'IA locale

Le 27 octobre 2026 marque un tournant historique dans le paysage de l'intelligence artificielle. Liquid AI vient de dévoiler LFM3, une nouvelle génération de Liquid Foundation Models qui repousse les limites de ce qu'un modèle de petite taille peut accomplir. Contrairement à la tendance actuelle qui consiste à augmenter massivement le nombre de paramètres, Liquid AI mise sur une efficacité architecturale sans précédent pour offrir des capacités multimodales de pointe directement sur l'appareil (on-device).

Cette sortie n'est pas une simple mise à jour incrémentale. L'introduction de la famille LFM3, basée sur une architecture tri-hybride et entraînée sur 22 billions de tokens, représente une rupture technologique. En ciblant la classe des 2B paramètres, Liquid AI permet aux développeurs de déployer des agents intelligents, capables de voir, d'entendre et de décider, sur des infrastructures matérielles extrêmement limitées, tout en conservant une performance de niveau cloud.

• Première génération de Liquid Foundation Models en classe 2B
• Architecture tri-hybride innovante
• Pré-entraînement massif sur 22T tokens
• Modèles open-weights sous licence LFM 1.0

Architecture tri-hybride et polyvalence multimodale

Le cœur de LFM3 repose sur un backbone textuel de 1,7 milliard de paramètres, conçu via une recherche d'architecture 'hardware-in-the-loop'. Cette méthode optimise le modèle non seulement pour la tâche logique, mais aussi pour son exécution sur une vaste gamme de processeurs. L'innovation majeure réside dans la capacité de Liquid AI à décliner ce backbone unique en six instances distinctes, partageant une base commune pour maximiser l'efficacité des poids.

La famille se décompose en modèles spécialisés : texte, vision, audio, omni et modèles de décision. Cette approche permet une modularité totale. Par exemple, le modèle LFM3-1.7B (text) offre une fenêtre de contexte massive de 256K tokens, tout en occupant seulement environ 1 Go de mémoire en précision 4-bit, ce qui le rend idéal pour des applications de RAG (Retrieval-Augmented Generation) sur mobile.

• 6 instances basées sur un backbone partagé
• Fenêtre de contexte de 256K (version texte)
• Optimisation pour 14 classes de processeurs (GPU, CPU, NPU)
• Fine-tuning possible sur un seul GPU

Performances et benchmarks : l'efficacité contre la force brute

Les résultats de benchmark de LFM3 sont stupéfiants. Le modèle LFM3-1.7B surpasse son prédécesseur LFM2.5-2.6B malgré une réduction de 35 % de ses paramètres. Sur la frontière de Pareto de l'intelligence sur appareil (device-intelligence), LFM3 se classe numéro 1 mondial. En vision, le LFM3-VL-2B surpasse de 7,4 points tous ses concurrents de taille similaire. Plus impressionnant encore, il égale les performances de Gemma 4 12B (soit 6 fois sa taille) et se rapproche de GPT-5.6 Luna.