Lfm 2.5 2.6b:free

Une évolution stratégique vers les agents autonomes

Le 4 août 2026, Liquid AI a franchi une étape marquante dans le domaine de l'intelligence artificielle embarquée et locale en publiant le LFM2.5-2.6B. Successeur direct du LFM2-2.6B, ce modèle opère un pivot stratégique majeur. Alors que la version précédente se positionnait comme un petit modèle généraliste destiné à l'exécution locale, cette nouvelle itération est post-entraînée spécifiquement pour orchestrer des agents multi-étapes, exécuter des appels d'outils complexes (tool calling) et gérer de longs historiques d'exécution. Liquid AI propose simultanément les poids bruts de la version « Base » ainsi que le checkpoint post-entraîné, offrant ainsi une flexibilité maximale aux développeurs.

Capacités et modalités techniques : la puissance du raisonnement local

Le LFM2.5-2.6B est un modèle de langage exclusivement textuel. Il ne prend pas en charge le traitement d'images, de fichiers audio ou la génération de visuels. En revanche, Liquid AI le présente comme un modèle de raisonnement pur (pure reasoning). Pour ce faire, il intègre systématiquement une phase de réflexion interne matérialisée par une balise <think> avant de formuler sa réponse finale.

Sur le plan architectural, ce modèle dense de 2,69 milliards de paramètres est structuré autour de 30 couches, combinant de manière atypique 22 blocs convolutionnels courts à double porte et 8 blocs d'attention de type GQA (Grouped-Query Attention). Pré-entraîné sur un volume massif de 34 000 milliards de tokens, son vocabulaire a été élargi à 128 000 unités afin d'améliorer la prise en charge des écritures non latines. Le modèle gère nativement 16 langues, parmi lesquelles le français, l'anglais, l'arabe, le chinois, le japonais, le coréen, l'hindi et le russe.

La gestion du contexte constitue un autre point fort de cette architecture. Grâce à une phase d'entraînement intermédiaire dédiée, la fenêtre de contexte officielle s'élève à 131 072 tokens (généralement arrondie à 128K ou 131K). Cette capacité permet au modèle d'assimiler de longues traces d'outils, des documents volumineux et des flux de travail agentiques complexes. Toutefois, il convient de noter que la limite maximale de tokens en sortie garantie officiellement n'est pas documentée par le constructeur, bien que des évaluations internes aient été menées avec des sorties atteignant 32 768 tokens sur certains benchmarks.

Par défaut, les appels d'outils sont générés sous la forme d'appels de fonction de style Python. Néanmoins, les utilisateurs peuvent exiger un formatage JSON structuré via une instruction spécifique dans l'invite système (system prompt).

Positionnement concurrentiel : des performances remarquables pour sa taille

Les évaluations publiées par Liquid AI positionnent très favorablement le LFM2.5-2.6B face à des modèles concurrents de taille similaire ou supérieure, tels que Gemma 4 E2B/E4B et Qwen3.5-4B, et le rapprochent parfois des performances du Qwen3.5-9B.

Sur le benchmark de raisonnement mathématique AIME25, le modèle obtient un score de 51,87. En matière de suivi d'instructions et de manipulation d'outils, il affiche 59,17 sur IFBench, 80,07 sur Multi-IF, 56,88 sur BFCLv4 et 77,83 sur ToolSandbox. Le LFM2.5-2.6B surpasse notamment Qwen3.5-9B sur les benchmarks IFBench et ToolSandbox. Il reste cependant en retrait par rapport à ce dernier sur BFCLv4 (60,13), AIME25 (56,07) et LiveCodeBench v6 (où il obtient 59,41 contre 69,86 pour le modèle de Qwen). Il est important de souligner que ces mesures proviennent des tests d'évaluation du fournisseur et doivent être distinguées de validations indépendantes.

Cas d'usage recommandés et limites identifiées

Grâce à sa légèreté et à sa sobriété technique, le LFM2.5-2.6B brille par son efficacité d'exécution sur du matériel grand public. Liquid AI revendique des vitesses d'inférence impressionnantes : 220 tokens par seconde sur une puce Apple M5 Max, 113 tokens par seconde sur un processeur Ryzen AI Max+ 395, et jusqu'à 30 tokens par seconde sur un smartphone, le tout pour une empreinte mémoire inférieure à 2,5 Go lors des tests. Le modèle est distribué sous de nombreux formats officiels, notamment Transformers, GGUF/llama.cpp, MLX, ONNX, vLLM et SGLang.

Les scénarios d'usage idéaux pour ce modèle incluent : - Le déploiement de sous-agents locaux exécutant des tâches à fort volume ; - L'automatisation et l'analyse de documents longs ; - La recherche documentaire assistée par RAG ; - L'extraction de données structurées ; - Le déploiement de chaînes d'outils privées et locales sur ordinateur ou ordiphone.

À l'inverse, Liquid AI déconseille explicitement d'utiliser ce modèle pour le codage agentique complexe ou pour des tâches fortement dépendantes de connaissances encyclopédiques factuelles, ces deux domaines constituant ses principales limites.

Sur le plan de la licence, les poids du modèle sont distribués sous la licence LFM 1.0, qui autorise le téléchargement, l'exécution et l'affinage (fine-tuning) gratuits pour les organisations dont le chiffre d'affaires annuel ne dépasse pas 10 millions de dollars.

Enfin, les utilisateurs doivent garder à l'esprit que, conformément aux conditions d'utilisation d'OpenRouter pour ce modèle, les requêtes envoyées ainsi que les réponses générées peuvent être conservées et exploitées par Liquid AI pour l'entraînement de ses futurs modèles.