L’écosystème de l’intelligence artificielle continue sa progression à un rythme soutenu.
Liquid AI lance LFM2.5-2.6B : un système agentique embarqué doté d’un contexte de 128 000, d’une fonctionnalité d’appel d’outils et de poids ouverts
Liquid AI a lancé LFM2.5-2.6B, un système agentique fonctionnant entièrement sur l’appareil. Il planifie, fait appel à des outils et effectue des tâches en plusieurs étapes sur les téléphones, les ordinateurs portables, les PC et les robots. Ce modèle compte au total 2,69 milliards de paramètres, dispose d’une fenêtre de contexte de 131 072 tokens et d’un vocabulaire de 128 000 tokens. Le pré-entraînement a utilisé environ 34 000 milliards de tokens. Deux points de contrôle ont été fournis : LFM2.5-2.6B-Base pour le fin-tuning, et LFM2.5-2.6B post-trained pour les charges de travail de type « agentic ». L’inférence restant locale, les données ne quittent jamais l’appareil et le coût marginal de chaque exécution est proche de zéro. Liquid AI affiche des scores en matière d’utilisation d’outils et de suivi d’instructions comparables à ceux de modèles près de quatre fois plus volumineux.
La réponse est oui. Les deux checkpoints sont accessibles au public sur Hugging Face sous licence lfm1.0. Les poids sont fournis aux formats natif, GGUF, MLX et ONNX, et sont pris en charge dès le premier jour par llama.cpp, vLLM, SGLang et LM Studio.
À ce sujet, le modèle LFM2.5-2.6B compte au total 2,69 milliards de paramètres répartis sur 30 couches. La structure se compose de 22 blocs de convolution courts à double porte et de 8 blocs d’attention à requêtes groupées. La taille du vocabulaire est de 128 000 et la longueur du contexte est de 131 072 tokens. Le pré-entraînement a utilisé environ 34 000 milliards de tokens.
À ce sujet, liquid AI a doublé la taille de son vocabulaire pour le porter à 128 000 éléments en étendant le tokeniseur existant plutôt qu’en procédant à un réentraînement complet. Une phase intermédiaire dédiée au cours de l’entraînement permet d’étendre le contexte à 128 000 éléments. Le modèle prend en charge 16 langues et traite exclusivement du texte.
Le point de contrôle de base devient un agent en passant par quatre étapes.
Liquid AI a comparé LFM2.5-2.6B à gemma-4-E2B-it (5,1B), gemma-4-E4B-it (8B), Qwen3.5-4B (4,7B) et Qwen3.5-9B (9,7B).
Il arrive en tête de tous les benchmarks portant sur l’exécution d’instructions et de presque tous ceux portant sur l’utilisation d’outils, ne se faisant devancer par Qwen3.5-9B que sur le benchmark BFCLv4. C’est dans le domaine du codage que les modèles plus volumineux conservent un avantage : LiveCodeBenchv6 affiche un score de 59,41 contre 69,86 pour Qwen3.5-9B.
Cette actualité s’inscrit dans une dynamique plus large qui mérite d’être suivie.
Pour aller plus loin :
- Microsoft open source un générateur de tests de code : un agent de tests unitaires polyglotte qui atteint un taux d’exécution des tâches de 92,1 %, contre 78,9 % pour Copilot en version standard
- Évaluations de cybersécurité réalisées par des tiers portant sur les modèles d’OpenAI
- RAG « pixel-native » : guide pratique de l’indexation visuelle des documents
Reportage initial : MarkTechPost : MarkTechPost