LFM2.5-2.6B : Liquid AI dévoile un modèle agent ultra-compact pour smartphone et PC

Liquid AI a dévoilé le 4 août 2026 le LFM2.5-2.6B, un modèle de langage compact et ouvert conçu pour faire tourner des workflows d'agents IA directement sur votre appareil — plus besoin d'aller chercher le cloud à chaque requête . Avec ses 2,69 milliards de paramètres au total et une empreinte mémoire inférieure à 2,5 Go, il devient envisageable sur un simple laptop, un serveur en périphérie, voire un smartphone .

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 :
  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.

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 :

Matériel	Vitesse de décodage
Apple M5 Max	220 tokens/s
AMD Ryzen AI Max+ 395	113 tokens/s
Smartphones	~30 tokens/s
Un seul Nvidia H100 (haute concurrence)	~15 000 tokens/s

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 .