Liquid AI a lancé LFM2.5-350M: modèle efficace de 350M paramètres avec RL à l'échelle

Le 31 mars 2026, Liquid AI a publié LFM2.5-350M — un modèle de langage compact avec 350 millions de paramètres, entraîné de manière supplémentaire sur un corpus de données étendu et un grand volume d'apprentissage par renforcement. Comme l'a rapporté MarkTechPost, cette version défie la règle établie dans l'IA générative concernant les lois d'échelle — la notion que plus de paramètres signifie presque toujours plus d'"intelligence" dans un modèle.

Pourquoi défier les lois d'échelle

Au cours des dernières années, l'industrie des grands modèles de langage s'est développée principalement selon un scénario : pour obtenir un modèle plus capable, vous devez augmenter le nombre de paramètres, le volume de données d'entraînement et les ressources informatiques. Cette logique — les soi-disant lois d'échelle — est devenue la base d'une course entre les principaux laboratoires pour créer des modèles phares de plus en plus grands. Le problème est que les modèles avec des centaines de milliards de paramètres sont coûteux à entraîner et à exploiter : ils sont difficiles à exécuter localement, sur des appareils disposant de ressources limitées, ou où la latence de réponse faible est importante.

Liquid AI positionne LFM2.5-350M non pas comme une tentative de concurrencer les modèles phares en termes de taille absolue, mais comme une étude de cas technique sur la "densité d'intelligence" — c'est-à-dire la quantité de capacités utiles qui peuvent être compactées dans un modèle de taille de paramètre fixe et relativement petit si l'investissement ne va pas à l'échelle mais à la qualité et au volume de l'entraînement ultérieur.

Ce qui a changé dans l'entraînement du modèle

Les principaux leviers techniques par lesquels Liquid AI atteint une augmentation des capacités du modèle sans augmenter le nombre de paramètres sont le pré-entraînement supplémentaire et l'apprentissage par renforcement à grande échelle. Le volume de données de pré-entraînement a augmenté près de trois fois : de 10 billions à 28 billions de tokens. Une telle augmentation du corpus d'entraînement avec une taille de modèle inchangée est un pari direct que un modèle de capacité fixe peut être "réentraîné" plus densément, extrayant d'un volume de texte plus important plus de modèles utiles qu'il n'était possible auparavant avec moins de données.

Paramètres clés de la version :

• Nom du modèle — LFM2.5-350M
• Taille — 350 millions de paramètres
• Volume de données de pré-entraînement — augmenté de 10 billions à 28 billions de tokens
• Étape supplémentaire — apprentissage par renforcement à grande échelle
• Positionnement — une étude de cas technique sur la "densité d'intelligence" plutôt qu'une tentative de battre un record de taille

Le nom du modèle lui-même — LFM2.5-350M — fixe immédiatement sa caractéristique clé : 350 millions de paramètres sont plusieurs ordres de grandeur plus petits que les modèles phares modernes avec des dizaines et des centaines de milliards de paramètres. Ce contraste est précisément ce qui rend la version techniquement intéressante : Liquid AI n'essaie pas de cacher la taille modeste du modèle, mais la met en avant dans le nom comme point de départ pour l'expérience — combien de capacités peuvent être extraites d'un nombre fixe petit de paramètres grâce à un entraînement plus prolongé et de meilleure qualité.

Le deuxième levier est l'apprentissage par renforcement à grande échelle appliqué au-dessus du pré-entraînement étendu. Si le pré-entraînement sature principalement un modèle avec une large connaissance de la langue et du monde, la phase RL est typiquement utilisée pour orienter le comportement du modèle vers des réponses plus utiles, précises et gérables — cette phase ces dernières années est devenue le moyen clé d'améliorer la qualité du modèle sans augmenter sa taille.

Pourquoi les modèles compacts sont de nouveau au centre de l'attention

La sortie de LFM2.5-350M s'inscrit dans une tendance plus large de 2026 : parallèlement à la course pour les plus grands modèles phares, il existe une course distincte pour les modèles compacts maximalement capables qui peuvent s'exécuter sur des téléphones, des ordinateurs portables, des appareils embarqués et dans des environnements aux ressources informatiques limitées — sans appeler les API cloud. Pour les développeurs, cela signifie des coûts d'inférence plus faibles, un fonctionnement hors ligne et une latence de réponse plus faible, ce qui est critique pour les applications en temps réel.

Si l'approche de Liquid AI est confirmée dans la pratique — c'est-à-dire si un modèle de 350 millions de paramètres démontre réellement des capacités auparavant disponibles uniquement pour les modèles beaucoup plus grands — cela deviendra un argument que les progrès futurs en IA ne nécessitent pas nécessairement une croissance infinie du nombre de paramètres mais peuvent être réalisés grâce à un entraînement de meilleure qualité et plus prolongé des architectures existantes.