Texte, voix, vidéo et décisions, Liquid AI rassemble six modèles compacts dans LFM3
Liquid AI dévoile six modèles spécialisés de moins de 3 milliards de paramètres, capables de traiter texte, image, vidéo et audio directement sur les appareils.
Un modèle de vision de 1,9 milliard de paramètres capable de rivaliser avec des systèmes six fois plus grands, des agents vocaux fonctionnant localement et une intelligence artificielle spécialisée qui peut être adaptée avec un seul GPU. La famille LFM3 de Liquid AI réunit six modèles destinés à traiter le texte, l'image, la vidéo, l'audio et les décisions automatisées, sans dépendre systématiquement d'une infrastructure cloud.
Cette troisième génération des Liquid Foundation Models repose sur une architecture commune entraînée sur 22 000 milliards de tokens. Ses différentes déclinaisons répondent à des besoins distincts, de l'assistant personnel à l'analyse de documents, en passant par la robotique et le traitement de flux multimodaux. Les poids des modèles sont accessibles sur Hugging Face, avec des outils permettant leur adaptation et leur déploiement sur du matériel personnel ou professionnel. Une architecture commune conçue pour les appareils du quotidien
Liquid AI poursuit une approche différente de celle des laboratoires concentrés sur des modèles toujours plus volumineux. L'entreprise cherche à augmenter les capacités disponibles pour chaque paramètre, tout en tenant compte de la mémoire, du processeur et de l'énergie nécessaires à leur fonctionnement.
LFM3 introduit une architecture dite tri-hybride, qui combine trois mécanismes : des convolutions courtes avec portes de contrôle, une attention limitée à une fenêtre locale et une attention globale permettant de relier des informations éloignées.
Le modèle de base possède 24 couches, réparties entre 13 couches convolutionnelles, cinq couches d'attention locale et six couches d'attention globale. Cette organisation vise à maintenir des coûts de calcul réduits tout en améliorant le traitement de tâches longues et complexes.
Liquid AI a utilisé une méthode de recherche architecturale automatisée qui confronte directement les performances des modèles à celles du matériel sur lequel ils doivent fonctionner. L'évaluation a porté sur 14 configurations matérielles et logicielles, comprenant notamment des smartphones, des ordinateurs Apple Silicon, des processeurs AMD Ryzen AI, un Raspberry Pi 5 et des accélérateurs Qualcomm Hexagon.
Le résultat est une famille de modèles qui partagent la même base, mais disposent de composants adaptés à leurs modalités respectives. LFM3-1.7B fait fonctionner des agents avec seulement 1 Go de poids quantifiés
La version textuelle, LFM3-1.7B, comprend environ 1,7 milliard de paramètres et accepte une fenêtre de contexte allant jusqu'à 256 000 tokens.
En quantification 4 bits, ses poids occupent environ 1 Go de mémoire, ce qui permet d'envisager son utilisation sur des ordinateurs personnels et certains appareils mobiles compatibles.
Cette capacité de contexte vise notamment les agents capables de conserver de longs historiques d'interactions, d'examiner plusieurs documents et d'utiliser des outils sur des tâches comportant de nombreuses étapes.
Selon les évaluations de Liquid AI, LFM3-1.7B dépasse son prédécesseur LFM2.5-2.6B avec 35 % de paramètres en moins. Sur WebArena-Verified et AutomationBench, deux benchmarks consacrés aux tâches automatisées dans des navigateurs et des applications professionnelles, il dépasse également Qwen3.5-9B dans les conditions testées par le laboratoire.
L'optimisation concerne aussi la mémoire pendant l'utilisation. Avec un contexte de 128 000 tokens, le cache KV du modèle occupe 1,6 Go, contre 4,3 Go pour Qwen3.5-4B, selon les mesures publiées.
Pour démontrer les possibilités d'exécution à grande échelle, Liquid AI indique avoir lancé plus de 300 000 agents LFM3-1.7B en parallèle sur une analyse des archives de courriels d'Enron. L'expérience illustre une capacité d'orchestration massive, sans constituer à elle seule une mesure de la qualité des analyses réalisées. Un modèle de vision de 1,9 milliard de paramètres face à des modèles bien plus grands
La version LFM3-VL-2B associe compréhension du texte, des images et de la vidéo. Avec environ 1,9 milliard de paramètres, elle peut analyser des documents, interpréter des graphiques, décrire des scènes ou raisonner sur les relations spatiales entre objets.
Sur une moyenne de 62 évaluations visuelles, le modèle obtient 71,4 points. Ce résultat le rapproche de Gemma 4 12B, crédité de 71,7 points dans le tableau détaillé de Liquid AI, avec environ six fois moins de paramètres.
Les écarts varient selon les catégories. LFM3-VL-2B obtient notamment 83,1 en compréhension d'interfaces graphiques, contre 76,1 pour Gemma 4 12B, et 77,3 en localisation visuelle d'objets, contre 74,1.
Sur les tâches de raisonnement mathématique et logique, la situation s'inverse : Gemma 4 12B atteint 79,3, contre 68,8 pour LFM3-VL-2B. Le modèle de Liquid AI reste également derrière certains concurrents plus puissants en compréhension vidéo générale et en tâches agentiques.
Son nouvel encodeur visuel, développé en interne, nécessite environ trois fois moins de calcul que l'encodeur SigLIP2 utilisé dans les précédents modèles visuels de la famille. Pour traiter la vidéo, il regroupe les informations de deux images successives dans une représentation temporelle commune, afin de réduire la quantité de données à analyser.
Ces optimisations permettent d'envisager des usages comme l'analyse de vidéos capturées sur un smartphone, la lecture de documents techniques ou l'inspection visuelle sur des appareils locaux. Des conversations vocales en 18 langues, sans serveur distant obligatoire
LFM3-Audio-2B apporte à la famille des fonctions de compréhension et de génération vocales. Le modèle accepte du texte ou de l'audio en entrée et peut répondre par écrit, à l'oral ou avec les deux formats.
Il prend en charge 18 langues et permet notamment la transcription, la traduction, l'analyse d'enregistrements et les conversations vocales. Il peut également transformer une instruction orale en appel d'outil pour interagir avec une application ou un appareil.
L'architecture utilise un encodeur