Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarHacker News AI→ original

Liquid AI : le petit modèle LFM3 a résolu 64 % des tâches d'agent sur Mac, contre 48 % pour Qwen3.5-2B

Liquid AI a publié les poids de LFM3, une famille de six modèles d'environ 2 milliards de paramètres qui fonctionnent sur téléphone et ordinateur portable sans passer par le cloud. Dans le test de MacPaw, portant sur 65 tâches d'agent quotidiennes dans un macOS réel, le modèle texte LFM3-1.7B (1,7 milliard de paramètres) a résolu 64 % des tâches, contre 48 % pour Qwen3.5-2B, tout en consommant 58 % de tokens en moins. Pour les agents locaux, il est donc utile de tester les petits modèles sur ses propres tâches.

Traité par IA depuis Hacker News AI ; édité par Hamidun News
Liquid AI : le petit modèle LFM3 a résolu 64 % des tâches d'agent sur Mac, contre 48 % pour Qwen3.5-2B
Source : Hacker News AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHacker News AI ↗
Rédacteur en chef
Chiffre clé #1Il s'est bloqué dans moins de 1 % des essais, contre 15 % pour Qwen3.5-2B
Cache de contexte de 128K tokens1,6 Go contre 4,3 Go pour Qwen3.5-4B
Chiffre clé #3Décodage sur appareil 1,8 à 2,8 fois plus rapide que le concurrent le plus proche

Un agent qui trie seul la messagerie, gère l'agenda et navigue entre les applications exige généralement un grand modèle dans le cloud et une facturation à chaque token. Liquid AI affirme qu'avec LFM3, un modèle d'environ 2 milliards de paramètres, tournant directement sur ordinateur portable ou téléphone, suffit pour beaucoup de ces tâches. Le test de MacPaw en donne une illustration : sur 65 tâches d'agent quotidiennes dans un macOS réel, le modèle texte LFM3-1.7B (version de 1,7 milliard de paramètres) en a réussi 64 %, contre 48 % pour Qwen3.5-2B. LFM3 a en outre consommé 58 % de tokens en moins et s'est bloqué dans moins de 1 % des essais, contre 15 % pour son concurrent.

Ce que contient la famille

La première version de LFM3 comprend six modèles, tous issus d'un même modèle de base, LFM3-1.7B-Base. Quatre acceptent différents types d'entrée : texte, images et vidéo, audio, ou l'ensemble (modèle omni). Deux autres sont des « modèles de décision », versions spécialisées dérivées des modèles visuel et omni. Les poids des versions de base comme des versions affinées sont ouverts.

L'idée de Liquid est de ne pas faire tourner un grand modèle généraliste, mais de choisir un modèle étroit adapté, de l'affiner pour sa tâche et de l'exécuter en local. Pour la version texte, l'entreprise évoque un affinage court sur une seule carte graphique. Comme les tokens sont gratuits sur son propre appareil, des dizaines d'agents peuvent tourner en arrière-plan en permanence. Pour la démonstration, Liquid a lancé en parallèle plus de 300 000 agents LFM3-1.7B afin d'analyser l'archive de messagerie d'Enron.

Architecture et raisons de la rapidité

L'architecture est hybride : sur 24 couches, 13 sont des convolutions courtes (peu coûteuses et rapides), 5 sont une attention à fenêtre glissante de 256 tokens et 6 une attention globale complète. Ce schéma a été déterminé par une recherche automatique qui a mesuré la vitesse sur 14 combinaisons d'appareils et de backends : Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, Apple M4 Max, AMD Ryzen AI, processeurs Arm et x86 dans le cloud, cartes graphiques et NPU Qualcomm Hexagon. La génération précédente, LFM2, n'avait été testée que sur les processeurs d'un seul téléphone et d'un seul ordinateur portable.

Le gain pratique apparaît sur les longs contextes. Un contexte complet de 128K tokens occupe 1,6 Go de cache, contre 4,3 Go pour Qwen3.5-4B et 5,6 Go pour MiniCPM5-2B. Dans les tests sous llama.cpp avec quantification Q4_0 et contexte de 32K, le modèle décode 1,8 à 2,8 fois plus vite que son concurrent le plus proche sur les trois appareils, tout en consommant le moins de mémoire. Sur une seule NVIDIA B300 avec SGLang, il produit 3,6 milliards de tokens par jour pour 1024 requêtes simultanées.

L'entraînement a porté sur 22 000 milliards de tokens. Les 3,5 derniers milliards ont été consacrés à une phase sur données sélectionnées, avec une forte proportion de traces agentiques et d'appels d'outils ; cette phase a également étendu la fenêtre de contexte à 256K. Le modèle a ensuite suivi quatre étapes d'affinage, dont la distillation de six spécialistes étroits (code, mathématiques, outils, long contexte, travail agentique, scénarios d'entreprise) en un seul modèle.

Vision, son et limites

LFM3-VL-2B est le premier de la gamme à accepter la vidéo : on peut poser des questions sur l'enregistrement d'un cours ou sur une séquence filmée par une caméra. Sur 62 tests de vision, il devance les modèles de sa taille d'au moins 7,4 points, fait jeu égal avec Gemma 4 12B (plus de six fois plus gros), dépasse Gemini 3.5 Flash Lite et se situe à moins de 2 points de GPT-5.

6 Luna. Son encodeur visuel maison, de 164 millions de paramètres, demande 2,2 fois moins de calcul que celui de Qwen3.5-2B pour un score moyen identique de 55,9 % sur 13 tests.

Il consomme aussi trois fois moins de calcul que SigLIP2, utilisé dans les précédents modèles de Liquid. Le modèle audio accepte du texte ou du son et répond par du texte, de la parole ou les deux ; il fonctionne en local sur ordinateurs portables et appareils en périphérie.

Des réserves demeurent. En programmation agentique et en connaissances, les grands modèles gardent l'avantage : ici, la taille compte le plus. L'ajout d'une recherche presque double le score sur Humanity's Last Exam, sans toutefois combler l'écart. La plupart des comparaisons sont publiées par Liquid elle-même ; le test de MacPaw est celui qui apparaît le plus indépendant.

Pour les développeurs, la conclusion est la suivante. Pour des agents locaux, l'analyse de documents ou une interface vocale sans envoi de données à l'extérieur, la classe des 2B est désormais une option viable. Les poids sont ouverts, l'affinage coûte peu, et AMD, Qualcomm et Ambarella ont annoncé leur prise en charge. Il vaut la peine de tester le modèle sur ses propres tâches pour voir lesquelles nécessitent réellement un grand modèle dans le cloud.

Dossier

Questions clés sur cet article

Que sait-on sur Ce que contient la famille ?

La première version de LFM3 comprend six modèles, tous issus d'un même modèle de base, LFM3-1.7B-Base. Quatre acceptent différents types d'entrée : texte, images et vidéo, audio, ou l'ensemble (modèle omni). Deux autres sont des « modèles de décision », versions spécialisées dérivées des modèles visuel et omni. Les poids des versions de base comme des versions affinées sont ouverts.

Que sait-on sur Architecture et raisons de la rapidité ?

L'architecture est hybride : sur 24 couches, 13 sont des convolutions courtes (peu coûteuses et rapides), 5 sont une attention à fenêtre glissante de 256 tokens et 6 une attention globale complète. Ce schéma a été déterminé par une recherche automatique qui a mesuré la vitesse sur 14 combinaisons d'appareils et de backends : Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, Apple M4 Max, AMD Ryzen AI, processeurs Arm et x86 dans le cloud, cartes graphiques et NPU Qualcomm Hexagon.

Que sait-on sur Vision, son et limites ?

LFM3-VL-2B est le premier de la gamme à accepter la vidéo : on peut poser des questions sur l'enregistrement d'un cours ou sur une séquence filmée par une caméra. Sur 62 tests de vision, il devance les modèles de sa taille d'au moins 7,4 points, fait jeu égal avec Gemma 4 12B (plus de six fois plus gros), dépasse Gemini 3.5 Flash Lite et se situe à moins de 2 points de GPT-5.6 Luna.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…