LFM2.5-2.6B, le nouveau modèle open-weight de Liquid AI, vise un créneau encore peu occupé : faire tourner des agents IA entièrement en local, jusqu’au Raspberry Pi, sans cloud ni GPU pour l’inférence. Mis en ligne le 4 août 2026 selon les premiers retours publiés, ce modèle de 2,6 milliards de paramètres est pensé pour des tâches agentiques bien cadrées — appel d’outils, gestion documentaire, automatisation de calendrier, routines de fond — plus que pour un chatbot généraliste ou des charges lourdes en code. Les détails techniques et les premières déclarations ont été rapportés dans la couverture de référence du lancement.
Le pari est simple : plutôt que de rivaliser frontalement avec les plus gros modèles cloud, Liquid cherche à rendre l’IA déployable là où les modèles plus lourds ne passent pas. Pour les entreprises qui manipulent des données sensibles, pour les environnements à connectivité limitée, ou tout simplement pour réduire le coût d’inférence à l’électricité consommée, l’argument porte. En France comme ailleurs en Europe, cela touche directement les sujets de confidentialité, de conformité et de souveraineté des traitements locaux — des thèmes que nous suivons régulièrement sur TechPi.
LFM2.5-2.6B mise sur le local-first, avec 128K de contexte et tool calling natif
Sur le papier, le modèle coche les cases attendues pour un agent embarqué moderne. LFM2.5-2.6B embarque une fenêtre de contexte de 128 000 tokens et un tool calling natif. Liquid publie à la fois un checkpoint post-entraîné et un LFM2.5-2.6B-Base destiné au fine-tuning, avec un support annoncé dès le lancement pour llama.cpp, MLX, vLLM, SGLang et ONNX.
Le nom du modèle reflète d’ailleurs cette logique de gamme : « 2.5 » pour la génération, « 2.6B » pour la taille. Liquid insiste aussi sur un choix d’architecture très clair : ici, pas de modèle multimodal généraliste. LFM2.5-2.6B est dense, text-only et ciblé sur les workflows agentiques. Les variantes vision et audio de la famille LFM sont traitées séparément.
L’autre point important, confirmé officiellement, concerne l’entraînement. Liquid affirme avoir préentraîné le modèle sur environ 34 trillions de tokens, puis appliqué une chaîne de post-entraînement en quatre temps : supervised fine-tuning, teacher specialization, multi-domain on-policy distillation, puis agentic reinforcement learning. Durant cette dernière phase, le modèle aurait été exposé à des harnesses de production comme Hermes Agent et OpenClaw, avec des tâches de recherche, de gestion documentaire, d’appel d’outils ou d’automatisation.
Le Raspberry Pi sert de vitrine, mais les performances restent celles annoncées par Liquid
Le point le plus marquant de la communication de Liquid, c’est la promesse CPU. Maxime Labonne, responsable du post-training, explique que l’architecture LFM a été conçue pour les performances réelles sur processeur, et cite le Raspberry Pi comme l’exemple le plus parlant d’exécution locale crédible. L’entreprise dit disposer de nombreuses démonstrations où le modèle tourne rapidement sur cette plate-forme.
Il faut toutefois distinguer démonstration et mesure indépendante. À ce stade, les chiffres mis en avant sont des benchmarks fournis par l’éditeur. Liquid annonce environ 220 tokens par seconde sur Apple M5 Max, 113 tokens/s sur AMD Ryzen AI Max+ 395, autour de 30 tokens/s sur smartphone, avec une consommation mémoire inférieure à 2,5 Go. À l’autre extrémité du spectre, la société indique atteindre près de 15 000 tokens/s sur une Nvidia H100 en charge concurrente soutenue, soit environ 1,3 milliard de tokens par jour par carte. Ces résultats n’ont pas été validés indépendamment dans les éléments disponibles.
Le signal à retenir n’est donc pas “un Raspberry Pi remplace un gros cluster”, mais plutôt ceci : un modèle de 2,6B peut désormais viser des usages agentiques utiles sur du matériel très modeste. Pour des tâches continues, répétitives et bien définies, c’est un changement de perspective. Là où un grand modèle cloud reste plus fort en absolu, il ne peut pas toujours être déployé localement pour des raisons de mémoire, de latence ou de politique interne.
Liquid entraîne son modèle pour des agents, pas pour un simple chatbot
La différence de positionnement se voit aussi dans la logique produit. Liquid ne vend pas seulement un modèle ; l’entreprise met en avant un couple modèle + harness. Labonne explique que la société a développé son propre harness pour téléphone afin de faire tourner des agents proactifs, capables d’agir en arrière-plan, de surveiller un calendrier ou le contexte utilisateur et de lancer une action sans prompt explicite.
Cette idée compte autant que la taille du modèle. Dans la vision de Liquid, l’agent ne se limite plus à répondre à une requête : il devient un service local toujours prêt, branché sur des outils et sur des tâches métier. C’est aussi pour cela que le modèle vise d’abord les appels d’outils, les tâches multi-étapes, la gestion de documents ou les automatismes de workflow, plutôt que le raisonnement généraliste ou le codage intensif.
Pour les entreprises, l’intérêt est concret. Un même modèle peut être réutilisé d’un assistant de calendrier à un assistant de réunion ou à un automate documentaire en changeant surtout les outils et le harness autour de lui. L’idée défendue par Liquid est qu’une part croissante des usages IA ne dépendra pas d’un modèle toujours plus gros, mais d’un petit modèle suffisamment compétent et d’un système logiciel bien intégré.
Face à Gemma et Qwen, LFM2.5-2.6B avance ses scores agentiques… et une licence plus contraignante
Liquid compare directement son modèle à des références du segment comme Gemma 4 E2B/E4B et Qwen3.5-4B/9B. Il faut là encore lire ces tableaux comme des benchmarks fournisseur, pas comme une validation neutre. Dans ces résultats publiés par Liquid, LFM2.5-2.6B serait en tête sur plusieurs tests d’instruction following et très bien placé sur les usages orientés outils.
Les chiffres mis en avant incluent notamment 77,83 sur ToolSandbox, contre 76,44 pour Qwen3.5-9B, et 26,89 sur BrowseComp+, contre 27,23 pour ce même Qwen3.5-9B. Sur AA Omniscience, Liquid affirme obtenir le meilleur score du groupe. En revanche, les modèles Qwen garderaient l’avantage sur les mathématiques et le code, notamment sur AIME25 et LiveCodeBench. Cela colle avec le discours de Liquid : le but n’est pas d’être le meilleur partout, mais d’être assez bon là où un déploiement local devient possible.
Un autre point peut peser plus lourd que les scores pour un grand compte : la licence. LFM Open License v1.0 autorise l’usage, la modification et la redistribution, y compris commercialement, pour les organisations en dessous de 10 millions de dollars de chiffre d’affaires annuel. Au-delà, un accord séparé est requis avec Liquid AI. C’est plus ouvert qu’une API fermée, mais moins permissif que des licences de type Apache 2.0 ou MIT. Pour les directions juridiques, c’est sans doute le premier point à examiner avant tout test interne.
Le partenariat avec MacPaw montre où Liquid veut s’installer
Le lancement s’accompagne d’un signal commercial plus concret : le partenariat annoncé avec MacPaw. L’éditeur veut bâtir une pile d’IA embarquée pour Mac autour de son assistant Eney, exécuté localement sur Apple silicon via le moteur d’inférence Elix et la couche mémoire Mnemos. Liquid présente cet accord comme une validation directe de sa stratégie : un petit modèle bien optimisé peut entrer dans des enveloppes mémoire où des alternatives plus lourdes deviennent impraticables.
La prochaine étape à surveiller sera donc moins le bruit autour du Raspberry Pi que la réalité des déploiements. Si d’autres acteurs confirment sur le terrain les promesses de vitesse, de stabilité et de coût, LFM2.5-2.6B pourrait s’imposer sur un créneau précis : celui des agents locaux, persistants et bon marché. À condition, pour les entreprises, d’accepter aussi la discussion contractuelle imposée par la licence.
