LFM2.5-2.6B de Liquid AI permet de déployer des agents locaux

Liquid AI publie LFM2.5-2.6B, un modèle open source conçu pour exécuter des agents IA entièrement en local, sans dépendre du cloud.

Ce modèle de 2,6 milliards de paramètres prend en charge l’appel d’outils et les workflows multi-étapes tout en restant suffisamment léger pour fonctionner sur des périphériques grand public comme des ordinateurs portables ou des smartphones. L’objectif est de permettre aux développeurs de déployer des agents sur site, de garantir la confidentialité des données et d’éviter les coûts d’inférence cloud. Selon les tests internes, il atteint des vitesses d’inférence de 220 tokens par seconde sur un Apple M5 Max et de 113 tokens par seconde sur un AMD Ryzen, avec une consommation mémoire inférieure à 2,5 Go.

LFM2.5-2.6B est issu d’un processus de post-entraînement en quatre étapes. Après une pré-formation sur environ 34 000 milliards de tokens et une extension de la fenêtre de contexte à 128 000 tokens, le modèle subit deux phases de fine-tuning supervisé axées sur des données agentiques (utilisation d’outils, recherche web, trajectoires d’exécution). Il est ensuite distillé à partir de spécialistes par domaine (mathématiques, code, outils) via une méthode d’apprentissage par renforcement multi-domaine, avant une phase finale d’apprentissage par renforcement agentique en environnement réel. Ce pipeline sépare l’optimisation du modèle, l’inférence et l’exécution des actions dans des composants distincts : un moteur d’entraînement, un moteur de rollout et un service sandbox pour l’exécution sécurisée des tâches.

Les résultats de benchmark, comparant LFM2.5-2.6B à des modèles jusqu’à quatre fois plus grands, montrent qu’il rivalise, voire dépasse, ces derniers sur des tâches d’utilisation d’outils, de suivi d’instructions et de résolution de problèmes STEM. Par exemple, il obtient un score de 51,87 % sur le benchmark AIME25, contre 26,33 % pour un modèle de 5,1 milliards de paramètres et 34,27 % pour un modèle de 8 milliards.