Date de sortie et nombre de paramètres

Le LFM2.5-2.6B a été lancé le 4 août 2026 . C'est un modèle dense de 2,69B paramètres avec 30 couches : 22 blocs de convolution courte à double porte et 8 couches d'attention à requêtes groupées (GQA), le tout reposant sur l'architecture hybride LFM2 .

L'essentiel : des agents qui tournent en local

L'objectif est clair : exécuter des workflows d'agents entièrement sur l'appareil — planifier, appeler des outils, faire des recherches web et réaliser des tâches en plusieurs étapes — sans que les données ne quittent jamais le terminal et sans coût d'inférence marginal . Le modèle intègre nativement l'appel d'outils et a été entraîné à fonctionner de manière fiable dans des environnements agents réels comme Hermes Agent, OpenClaw et Pi .

Détails de l'entraînement

• Pré-entraînement : Environ 34 000 milliards de tokens .
• Vocabulaire : 128 000 tokens (le double des modèles précédents pour mieux gérer les écritures non latines et les entrées variées des agents comme les schémas d'outils et les chemins de fichiers) .
• Fenêtre de contexte : 128K tokens (soit 131 072 tokens), étendue grâce à une phase dédiée d'extension de contexte en cours d'entraînement .
• Pipeline de post-entraînement en quatre étapes :

Empreinte mémoire et vitesses de décodage

Le LFM2.5-2.6B fonctionne dans moins de 2,5 Go de mémoire . Les vitesses de décodage suivantes sont celles fournies par Liquid AI :

Frameworks d'inférence supportés

Le modèle prend en charge llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX et la bibliothèque standard Transformers .

Disponibilité

Téléchargement open-weight sur Hugging Face à l'adresse LiquidAI/LFM2.5-2.6B, avec des dépôts séparés pour les formats quantifiés GGUF, MLX et ONNX . Sous licence LFM1.0 open-weight .

Genèse : une spin-off du MIT

Liquid AI a été fondée en 2023 en tant que spin-off du MIT CSAIL par Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) et Daniela Rus (professeure au MIT et directrice du CSAIL) . La technologie de l'entreprise est née des recherches sur les réseaux de neurones liquides au MIT .

Limites

Le LFM2.5-2.6B est déconseillé pour le codage agentique ou les tâches lourdes en connaissances. Sur les benchmarks de code, des modèles plus gros (comme Qwen3.5-9B) gardent l'avantage, et la fiche officielle sur Hugging Face déconseille son utilisation pour ces besoins . Pour du codage agentique complexe ou de la recherche approfondie de connaissances, les modèles plus gros restent préférables .

Date de sortie et nombre de paramètres

Le LFM2.5-2.6B a été lancé le 4 août 2026 . C'est un modèle dense de 2,69B paramètres avec 30 couches : 22 blocs de convolution courte à double porte et 8 couches d'attention à requêtes groupées (GQA), le tout reposant sur l'architecture hybride LFM2 .

L'essentiel : des agents qui tournent en local

L'objectif est clair : exécuter des workflows d'agents entièrement sur l'appareil — planifier, appeler des outils, faire des recherches web et réaliser des tâches en plusieurs étapes — sans que les données ne quittent jamais le terminal et sans coût d'inférence marginal . Le modèle intègre nativement l'appel d'outils et a été entraîné à fonctionner de manière fiable dans des environnements agents réels comme Hermes Agent, OpenClaw et Pi .

Détails de l'entraînement

• Pré-entraînement : Environ 34 000 milliards de tokens .
• Vocabulaire : 128 000 tokens (le double des modèles précédents pour mieux gérer les écritures non latines et les entrées variées des agents comme les schémas d'outils et les chemins de fichiers) .
• Fenêtre de contexte : 128K tokens (soit 131 072 tokens), étendue grâce à une phase dédiée d'extension de contexte en cours d'entraînement .
• Pipeline de post-entraînement en quatre étapes :

Empreinte mémoire et vitesses de décodage

Le LFM2.5-2.6B fonctionne dans moins de 2,5 Go de mémoire . Les vitesses de décodage suivantes sont celles fournies par Liquid AI :

Frameworks d'inférence supportés

Le modèle prend en charge llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX et la bibliothèque standard Transformers .

Disponibilité

Téléchargement open-weight sur Hugging Face à l'adresse LiquidAI/LFM2.5-2.6B, avec des dépôts séparés pour les formats quantifiés GGUF, MLX et ONNX . Sous licence LFM1.0 open-weight .

Genèse : une spin-off du MIT

Liquid AI a été fondée en 2023 en tant que spin-off du MIT CSAIL par Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) et Daniela Rus (professeure au MIT et directrice du CSAIL) . La technologie de l'entreprise est née des recherches sur les réseaux de neurones liquides au MIT .

Limites

Le LFM2.5-2.6B est déconseillé pour le codage agentique ou les tâches lourdes en connaissances. Sur les benchmarks de code, des modèles plus gros (comme Qwen3.5-9B) gardent l'avantage, et la fiche officielle sur Hugging Face déconseille son utilisation pour ces besoins . Pour du codage agentique complexe ou de la recherche approfondie de connaissances, les modèles plus gros restent préférables .

1. Supervised Fine-Tuning (SFT) : Deux rounds — d'abord un large spectre, puis un ciblage sur les tâches agentiques, l'utilisation d'outils, le raisonnement et le génie logiciel.
2. Spécialisation des enseignants : Un expert par domaine (suivi d'instructions, mathématiques, contrôle des connaissances/hallucinations, code, utilisation d'outils, long contexte) entraîné via SFT + RLVR.
3. Distillation multi-domaine sur politique (MOPD) : Les enseignants spécialisés supervisent le modèle étudiant avec un retour au niveau du token pendant les propres générations de l'étudiant.
4. Apprentissage par renforcement agentique (Agentic RL) : RL multi-tours dans des environnements agents réels utilisant GRPO, avec des récompenses basées sur les résultats combinant un juge LLM, des vérifications programmatiques et une barrière de sécurité.

1. Supervised Fine-Tuning (SFT) : Deux rounds — d'abord un large spectre, puis un ciblage sur les tâches agentiques, l'utilisation d'outils, le raisonnement et le génie logiciel.
2. Spécialisation des enseignants : Un expert par domaine (suivi d'instructions, mathématiques, contrôle des connaissances/hallucinations, code, utilisation d'outils, long contexte) entraîné via SFT + RLVR.
3. Distillation multi-domaine sur politique (MOPD) : Les enseignants spécialisés supervisent le modèle étudiant avec un retour au niveau du token pendant les propres générations de l'étudiant.
4. Apprentissage par renforcement agentique (Agentic RL) : RL multi-tours dans des environnements agents réels utilisant GRPO, avec des récompenses basées sur les résultats combinant un juge LLM, des vérifications programmatiques et une barrière de sécurité.