LFM3 de Liquid AI unifie texte, vision, audio et décisions

Liquid AI a présenté LFM3 le 27 octobre 2026, une nouvelle génération de modèles ouverts pensée pour la spécialisation plutôt que pour le grand fourre-tout habituel. La famille rassemble texte, vision, audio, omni et décision sur une même base, avec des modèles autour de 2 milliards de paramètres, afin de s’exécuter sur un seul GPU et, selon la société, directement là où tourne l’application. Le sujet compte pour les éditeurs de modèles comme pour les intégrateurs : LFM3 cherche à réduire l’écart entre capacité, latence et déploiement local.

Une base commune, six variantes spécialisées

Chaque modèle LFM3 dérive de LFM3-1.7B-Base, un socle textuel présenté comme le point de départ de toute la gamme. Liquid AI décline ensuite LFM3-1.7B pour le texte, LFM3-VL-2B pour le texte, l’image et la vidéo, LFM3-Audio-2B pour le texte et l’audio, LFM3-Omni-2B pour les entrées visuelles et sonores, puis d1-2B et d1-omni-2B pour des réponses calibrées plutôt que du texte généré. L’idée est simple : ne plus obliger un seul modèle à tout faire, ce qui évite parfois d’obtenir une réponse élégante mais à côté de la plaque.

La première brique, LFM3-1.7B, est annoncée avec 1,73 milliard de paramètres, une fenêtre de contexte de 256 000 jetons, un vocabulaire de 128 000 jetons et la prise en charge de 16 langues, selon la fiche modèle citée dans les sources. Liquid AI indique aussi que les modèles de base et post-entraînés sont disponibles en open weight sur Hugging Face, dans le Liquid AI Playground et via l’API de l’entreprise.

Un nouveau socle technique pour gagner en capacité par paramètre

Le cœur de LFM3 repose sur une architecture tri-hybride : 13 couches de convolutions courtes, 5 couches d’attention à fenêtre glissante et 6 couches d’attention globale. Les convolutions passent à une taille de noyau de 7, contre 3 sur LFM2. À cela s’ajoutent une attention à porte par tête, un RoPE partiel et une normalisation dite sandwich. Le RoPE, ou rotary positional embedding, est un mécanisme de positionnement des tokens ; ici, Liquid AI le module pour mieux gérer le contexte long et les déploiements sur matériel contraint.

Cette architecture vient d’une recherche conçue avec une boucle matériel en environnement réel, étendue à 14 combinaisons de terminaux et de backends, des smartphones au Raspberry Pi 5, en passant par des laptops, des CPU cloud, des GPU et le Qualcomm Hexagon NPU. La société affirme que LFM3-1.7B surpasse LFM2.5-2.6B avec 35 % de paramètres en moins, tout en se montrant environ 25 % plus rapide avec 8K tokens en contexte. À 4 bits de précision, le modèle texte tiendrait dans environ 1 Go de mémoire.

Vision, audio et vidéo : le pari du tout-en-un sans tout alourdir

La branche vision, LFM3-VL-2B, accepte désormais la vidéo en entrée. Liquid AI dit qu’elle progresse sur 62 benchmarks visuels, avec une moyenne qui passe de 57,6 à 71,4 face à LFM2.5-VL-3B, tout en restant sous les 2 milliards de paramètres. L’entreprise met aussi en avant un encodeur vision interne de 164 millions de paramètres, censé consommer trois fois moins de calcul que SigLIP2 dans les modèles LFM VL précédents, et 2,2 fois moins de FLOPs que l’encodeur vision de Qwen3.5-2B selon ses mesures.

Côté audio, LFM3-Audio-2B supporte 18 langues et revendique une meilleure synthèse vocale que son prédécesseur, avec un score UTMOSv2 de 3,83 contre 3,22 pour LFM2.5-Audio-1.5B. Son encodeur audio fully causal permettrait un time to first token jusqu’à 50 ms, ce qui aide à commencer à répondre pendant que la personne parle encore. LiquidCodec, le nouveau tokenizer audio, génère la parole à environ 87 fois la vitesse réelle sur un seul thread CPU sur Apple M4 Max. Pour un modèle de labo, l’addition reste raisonnable ; pour un produit, c’est souvent ce détail qui fait sortir un prototype du tiroir.

Les modèles de décision changent de logique

Avec d1-2B et d1-omni-2B, Liquid AI ne cherche plus à produire une réponse longue, mais une décision structurée. Les modèles reçoivent une situation — ticket support, facture, écran d’application, photo ou note vocale — puis répondent à plusieurs questions en un seul passage, avec une probabilité calibrée pour chaque réponse. Ils peuvent aussi pointer des objets, lire des valeurs dans des documents, estimer un nombre avec une plage, ou sélectionner toutes les options qui s’appliquent.

Selon les sources, d1-2B remplace d1-3B avec un tiers de paramètres en moins et obtient 75,5 contre 64,0 sur ImajevBench. L’intérêt de ce format est clair pour les usages métiers : on n’attend pas un texte bien tourné, mais une sortie exploitable par une application, un ticket ou une chaîne d’automatisation.

Ce que Liquid AI cherche à vendre, au fond

Le lancement de LFM3 raconte une stratégie assez nette : proposer des modèles plus petits, plus faciles à adapter et moins dépendants du cloud lourd. Liquid AI dit que chaque modèle peut être affiné sur un seul GPU, avec des notebooks pour le texte, la vision, l’audio et l’omni, du SFT au GRPO en passant par le DPO et le continued pre-training. L’entreprise revendique aussi un écosystème de partenaires de lancement, dont Ambarella, AMD, Arm, Intel via OpenVINO, NVIDIA, OpenRouter, Qualcomm via Qualcomm AI Hub et GenieX, et Vercel, tandis que Mercedes-Benz et Shopify ont participé aux tests en amont selon la publication.

Pour les équipes produit, l’enjeu est moins le nombre de benchmarks que la combinaison entre spécialisation, coût d’exécution et souveraineté opérationnelle. Si les chiffres de Liquid AI se confirment en dehors du papier, LFM3 peut intéresser des usages embarqués, du support client aux systèmes embarqués en robotique, en passant par des agents locaux. Reste le point de vigilance classique : les performances annoncées varient selon les tâches, les matériels et les contextes d’évaluation, donc [à vérifier] sur vos propres données avant de ranger le GPU au grenier.