Liquid AI muscle un modèle vision-langage compact pour l’exécution locale

Liquid AI a présenté LFM2.5-VL-3B, un modèle vision-langage de 3,1 milliards de paramètres conçu pour tourner en local sur mobile, web et ordinateur. L’éditeur le positionne sur la lecture d’écrans, l’extraction de documents, la détection d’objets et l’appel d’outils à partir d’images ou de texte. L’enjeu est clair : réduire la dépendance au cloud pour des tâches visuelles qui exigent à la fois rapidité et confidentialité.

Un modèle compact pensé pour l’appareil, pas pour la vitrine

Le modèle est décrit comme non reasoning, c’est-à-dire qu’il répond directement sans passer par une chaîne de raisonnement longue. Ce choix permet de limiter la latence. Liquid AI indique aussi qu’il tient dans environ 3 Go de mémoire et qu’il atteint 228 tokens par seconde sur un Apple M5 Max. Sur smartphone, la société annonce 20 tokens par seconde sur un Galaxy S26 Ultra [à vérifier].

Cette approche le place dans une catégorie très pratique pour les usages embarqués : agents d’interface, tests automatisés de GUI, OCR de factures, comparaison de plusieurs images ou lecture de menus hors ligne. Le modèle vise aussi les secteurs de l’électronique grand public, de l’automobile, de la robotique, de la santé, de la finance et du commerce en ligne. Bref, tout ce qui préfère éviter de faire voyager une capture d’écran jusqu’à un serveur distant.

Des résultats solides face à des modèles plus gros

Sur 28 benchmarks vision évalués par Liquid AI, LFM2.5-VL-3B affiche une moyenne de 69,4. Le score est identique à celui d’InternVL-3.5-4B et se situe 0,7 point derrière Qwen3.5-4B, deux modèles annoncés à 4,7 milliards de paramètres. Pour un modèle plus petit, l’écart reste serré.

Les gains sont particulièrement nets sur l’interaction avec les écrans et la compréhension de scènes. Sur ScreenSpot-v2, la moyenne atteint 80,7, avec 78,7 sur desktop, 81,2 sur mobile et 82,2 sur web. En reconnaissance visuelle et en repérage d’objets, la progression est encore plus visible : RefCOCO-avg grimpe à 87,9 en precision@1, contre 57,1 dans la version précédente. La ligne VL gagne donc en précision, pas seulement en compacité.

Une licence permissive, mais pas sans limite

La distribution suit la LFM Open License v1.0, basée sur Apache-2.0 avec une restriction : l’usage commercial reste gratuit tant qu’une entreprise ne dépasse pas 10 millions de dollars de revenus annuels. Au-delà, il faut négocier une licence commerciale avec Liquid AI. Les usages en recherche, en éducation et dans le non lucratif ne sont pas plafonnés. Ce cadre peut compter pour les startups comme pour les éditeurs d’outils d’automatisation, qui devront regarder la facture avant de regarder les benchmarks.

Le modèle est livré en quatre formats — natif, GGUF, ONNX et MLX — avec une compatibilité annoncée dès le lancement pour llama.cpp, MLX, vLLM, SGLang et ONNX. Liquid AI dit aussi avoir entraîné le modèle avec environ 34 000 milliards de tokens, doublé le vocabulaire à 128K et utilisé un encodeur vision SigLIP2 NaFlex. Cette dernière brique gère les images en résolution native en les découpant en patches de 512 × 512, plus une miniature globale pour garder la vue d’ensemble.

Ce que cette sortie change pour le marché

En pratique, LFM2.5-VL-3B illustre un mouvement plus large : faire descendre les modèles multimodaux là où les données sont produites, sur l’appareil lui-même. Pour les entreprises, le gain est double. Les coûts d’inférence peuvent baisser, et certaines données sensibles restent sur site. Reste la question du maintien à terme, car la performance locale dépendra toujours des appareils réellement déployés, pas des slides de présentation.

Liquid AI ajoute ainsi une brique crédible à la course au vision-langage compact, avec une proposition lisible pour les développeurs qui veulent de la vitesse, de la portabilité et une licence encore exploitable à petite échelle. Le marché, lui, observera surtout si ces modèles légers tiennent leurs promesses hors des bancs de test.