Lfm 2.5 Embedding 350m:free

Présentation de Liquid LFM2.5-Embedding-350M

Le 18 juin 2026, l'entreprise Liquid AI a franchi une étape importante dans le domaine de la recherche sémantique en annonçant le lancement de ses premiers modèles bidirectionnels : LFM2.5-Embedding-350M et LFM2.5-ColBERT-350M. Issu du socle technologique LFM2.5-350M-Base, ce modèle d'intégration (embedding) marque un tournant pour la famille de modèles Liquid Foundation Models (LFM).

Conçu spécifiquement pour la recherche sémantique multilingue et interlingue à très faible latence, LFM2.5-Embedding-350M s'adresse en priorité aux applications exigeantes en termes de rapidité et d'efficacité, telles que l'indexation de catalogues de produits, la gestion de foires aux questions (FAQ), le support client automatisé et le déploiement d'architectures de génération augmentée par la récupération (RAG). Sa mise à disposition sur la plateforme OpenRouter sous l'identifiant liquid/lfm-2.5-embedding-350m:free offre aux développeurs une solution d'intégration de premier plan.

Capacités techniques et modalités d'opération

Il convient de préciser d'emblée que LFM2.5-Embedding-350M n'est pas un modèle de langage conversationnel ou génératif. Vous ne pouvez pas l'utiliser pour rédiger du texte, générer des images, traiter de l'audio ou mener des raisonnements explicites. Il s'agit d'un bi-encodeur dense de texte dont l'unique fonction est de projeter une séquence textuelle (une requête ou un document) dans un espace vectoriel continu.

Chaque texte qui lui est soumis est transformé en un unique vecteur CLS de 1 024 dimensions. Ces vecteurs sont ensuite comparés en calculant leur similarité cosinus pour déterminer la proximité sémantique des contenus.

Le modèle prend officiellement en charge un périmètre de 11 langues : l'anglais, le français, l'espagnol, l'allemand, l'italien, le portugais, l'arabe, le suédois, le norvégien, le japonais et le coréen. Cette couverture linguistique en fait un outil de choix pour les applications d'entreprise opérant dans des contextes multinationaux.

Architecture et gestion de la longueur de contexte

Sur le plan architectural, le modèle embarque environ 354 millions de paramètres répartis sur 17 couches. Cette structure hybride comprend 10 couches convolutives, 6 couches d'attention et une couche de pooling final. La particularité de cette architecture repose sur l'application de modifications bidirectionnelles au backbone causal d'origine : chaque token traité peut utiliser le contexte situé avant et après lui, une caractéristique indispensable pour produire des représentations sémantiques précises.

En matière de longueur de contexte, une nuance technique importante doit être soulignée. Si le fichier de configuration du modèle de base expose une capacité théorique de 128 000 positions, la configuration livrée pour Sentence Transformers restreint la longueur maximale pratique à 512 tokens par document ou séquence. C'est cette limite de 512 tokens que vous devez prendre en compte pour vos déploiements standards. Étant donné que le modèle produit uniquement un vecteur de taille fixe (1 024 dimensions), il n'existe pas de notion de limite de tokens en sortie.

Positionnement et performances face à la concurrence

Les évaluations fournies par Liquid AI mettent en évidence d'excellentes performances par rapport à des modèles concurrents de taille similaire ou supérieure :

• Sur le benchmark NanoBEIR Multilingual Extended : LFM2.5-Embedding-350M obtient un score moyen de 0,577 NDCG@10, surpassant nettement Qwen3-Embedding-0.6B (0,556) et GTE-multilingual-base (0,528).
• Sur le benchmark MKQA-11 (dédié à la recherche d'informations interlingues) : Le modèle affiche un Recall@20 de 0,691, devançant à nouveau GTE-multilingual-base (0,675) et Qwen3-Embedding-0.6B (0,638).

Bien que le modèle compagnon basé sur l'architecture ColBERT (LFM2.5-ColBERT-350M) affiche des scores légèrement plus élevés dans ces évaluations, LFM2.5-Embedding-350M présente l'avantage majeur de nécessiter un index vectoriel beaucoup plus compact, ColBERT devant quant à lui stocker des vecteurs individuels pour chaque token.

La latence constitue un autre point fort du modèle. Liquid AI rapporte une latence médiane de traitement de seulement 7,3 ms pour l'encodage d'une requête exécutée sur un MacBook Pro équipé d'une puce M4 Max en précision FP16 (avec des documents préalablement indexés).

Cas d'usage concrets, prérequis et limites

LFM2.5-Embedding-350M est idéalement positionné pour la création d'index vectoriels compacts et rapides. Vous devriez privilégier ce modèle pour : - La recherche de produits au sein de catalogues e-commerce. - La recherche locale et ultra-rapide au sein de fichiers, d'e-mails ou de notes personnelles. - Le développement de bases de connaissances d'entreprise et d'assistants intelligents (RAG) multilingues.

Une contrainte d'implémentation majeure doit impérativement être respectée : vous devez ajouter le préfixe asymétrique approprié lors de l'encodage. Utilisez query: pour les requêtes de recherche et document: pour les documents à indexer. Le constructeur avertit que l'omission de ces préfixes entraîne une dégradation silencieuse et importante de la qualité de la recherche sémantique.

Parmi ses limites, notez la restriction stricte aux 11 langues supportées, la fenêtre de contexte opérationnelle de 512 tokens, ainsi que l'absence totale de capacités de reranking token-à-token ou de génération de texte. Pour les scénarios de reranking avancé, il conviendra de se tourner vers la variante ColBERT.

Enfin, concernant la distribution des poids du modèle, Liquid AI applique sa licence LFM Open License v1.0. Celle-ci permet le téléchargement, l'exécution locale, l'ajustement (fine-tuning) et l'exploitation commerciale gratuite du modèle, à condition que le chiffre d'affaires annuel de votre entreprise ne dépasse pas 10 millions de dollars. Au-delà de ce seuil, la souscription à une licence commerciale payante auprès de Liquid AI devient obligatoire.