Liquid AI a publié LFM2.5-24B-A2B, un modèle de raisonnement à poids ouverts destiné à faire fonctionner des agents d'IA sur des ordinateurs portables et des stations de travail plutôt que dans le cloud. La présentation a pris la forme d'un billet sur le blog de Hugging Face daté du 13 octobre 2026, et l'entreprise a déposé sur sa page de la plateforme la version ajustée aux instructions ainsi qu'un modèle de base.
Tout repose sur la parcimonie. Le modèle compte 24 milliards de paramètres au total, mais un routeur à mélange d'experts n'en mobilise qu'environ 2 milliards pour chaque jeton, ce qui limite le coût de chaque jeton produit. Ce point est crucial, car LFM2.5 raisonne systématiquement avant de répondre et génère donc beaucoup de texte par tâche. Liquid AI a conservé l'architecture de son précédent LFM2-24B-A2B (40 couches, 64 experts par bloc, routage top-4, convolutions courtes à portes combinées à une attention à requêtes groupées), tout en portant la fenêtre de contexte de 32 000 à 131 000 jetons et en doublant le vocabulaire, désormais de 128 000 jetons, pour mieux gérer les écritures non latines.
L'essentiel des progrès vient de l'entraînement. Le pré-entraînement a presque doublé, passant d'environ 17 000 à environ 33 000 milliards de jetons, avant une phase intermédiaire consacrée aux contextes longs. Le post-entraînement s'est déroulé en cinq étapes, la dernière étant un apprentissage par renforcement mené dans de véritables environnements d'agents, dont OpenClaw, Hermes Agent, Pi et OpenCode, afin que le modèle apprenne à utiliser des outils là où il servira réellement.
Dans l'évaluation maison, le modèle est opposé à Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it et Nemotron-3.5-Lightning sur 16 tests, tous servis via vLLM. D'après ces chiffres, LFM2.5 arrive en tête ou à égalité sur cinq des huit épreuves d'usage d'outils et d'agents : 48,09 sur LiveClaw contre 38,19 pour le Qwen, plus gros, et 27,69 sur AutomationBench, plus du triple du deuxième. Il domine aussi les trois tests de respect des consignes. Le même tableau montre toutefois des faiblesses nettes : sur SWE-Bench Verified, Qwen3.6 atteint 66,2 contre 51,0 pour LFM2.5, et les concurrents plus volumineux gardent l'avantage sur GPQA Diamond et sur les épreuves de connaissances. Liquid AI conseille d'ailleurs de lui adjoindre une recherche web ou un système de récupération documentaire pour ces usages.
La rapidité constitue l'autre argument. L'entreprise annonce 184 jetons par seconde sur un Apple M5 Max et 114 sur un AMD Ryzen AI Max+ 395, soit jusqu'à 1,7 fois mieux que le modèle suivant de sa comparaison, avec l'empreinte mémoire la plus faible, et plus de 21 000 jetons de sortie par seconde sur une seule carte NVIDIA B300 en forte charge. Il est pris en charge dès sa sortie par llama.cpp, MLX, vLLM, SGLang et ONNX.
Cette sortie étoffe l'offre destinée à ceux qui veulent garder leurs données sur leur propre machine, un créneau que vise aussi le Nemotron 3.5 Bolt présenté cette semaine par NVIDIA. La licence appelle cependant à la prudence. LFM2.5 est diffusé sous LFM Open License v1.0, qui autorise un usage gratuit mais exclut l'exploitation commerciale par les organisations réalisant au moins 10 millions de dollars de chiffre d'affaires annuel. Les grands groupes ne peuvent donc pas le traiter comme un modèle sous licence Apache.
Tous les résultats de performance et de vitesse émanent de Liquid AI et n'ont pas encore été reproduits par des tiers.