LFM3 : Liquid AI étend ses modèles multimodaux
LFM3 regroupe des modèles Liquid AI 2B pour texte, vision, audio et omni, à tester via Hugging Face, Playground ou API selon accès.
Liquid AI présente LFM3, sa nouvelle famille de modèles open weight conçue pour couvrir plusieurs modalités sur un socle commun. L’objectif affiché : proposer des modèles spécialisés, dans la plage 2B, pour le texte, la vision, l’audio, l’omni et les modèles de décision.
Pour un professionnel, le sujet n’est pas seulement le benchmark. LFM3 vise des usages concrets : agents locaux, analyse d’images, commandes vocales, traitement multimodal et déploiement sur des environnements contrôlés par l’entreprise.
Ce qui change concrètement
Selon Liquid AI, LFM3 repose sur un backbone partagé. Autrement dit, la famille ne part pas d’un modèle unique généraliste, mais d’une base commune déclinée selon les entrées à traiter : texte, image, audio, omni et décision.
La collection Hugging Face LFM3 affiche notamment cinq checkpoints : LFM3-1.7B-Base, LFM3-1.7B, LFM3-VL-2B, LFM3-Audio-2B et LFM3-Omni-2B. Tous sont indiqués à 2B paramètres dans la collection. LFM3-1.7B-Base est classé en génération de texte, LFM3-VL-2B en image vers texte, tandis que LFM3-Audio-2B et LFM3-Omni-2B sont listés en “Any-to-Any”.
Le modèle texte met aussi en avant un contexte long. Dans son billet technique publié sur Hugging Face, Liquid AI indique que LFM3-1.7B dispose d’une fenêtre de contexte de 256K tokens. La société indique également que le modèle texte tient autour de 1 Go en précision 4-bit. Ce point compte si tu veux prototyper un agent ou un assistant métier près des données, sans dépendre uniquement d’un très grand modèle distant.
Autre orientation importante : la spécialisation. Liquid AI présente LFM3 comme une base que l’on peut adapter à ses propres données, à sa terminologie et à son environnement de déploiement. Le billet Hugging Face indique que chaque modèle peut être fine-tuné sur un seul GPU, sans donner dans ce passage une configuration matérielle détaillée unique à respecter.
VentureBeat décrit LFM3 comme une famille pensée pour des agents de navigateur, des commandes vocales et de la reconnaissance d’images sur des appareils contrôlés par l’entreprise. C’est cohérent avec la stratégie plus large de Liquid AI : rapprocher l’IA de l’utilisateur et la faire fonctionner sur des appareils à ressources fixes.
Comment l'essayer
Liquid AI indique que les modèles LFM3 de base et post-entraînés sont disponibles le jour de l’annonce sur Hugging Face, sur Liquid Playground et via l’API Liquid AI. La FAQ officielle précise que les modèles peuvent être testés via Liquid Playground, tandis que l’accès API est proposé à certains partenaires, avec contact commercial pour en savoir plus.
Pour un test rapide, Hugging Face est donc le point d’entrée le plus direct si tu veux charger un checkpoint et vérifier un comportement sur un jeu de données limité. Pour une exploration sans déploiement local, Liquid Playground est mentionné par Liquid AI comme option de test.
Côté prix, la page tarifaire de Liquid AI indique que les modèles open weight sont gratuits pour les développeurs, chercheurs, associations et entreprises dont le chiffre d’affaires annuel est inférieur à 10 millions de dollars US. Au-delà, un usage en production nécessite une licence entreprise payante, avec une tarification structurée selon l’échelle de déploiement. Liquid AI mentionne aussi un crédit gratuit de 2 dollars pour toute nouvelle organisation utilisant Liquid Console.
Pour la France, Liquid AI ne communique pas de disponibilité commerciale spécifique. Sa politique de confidentialité précise en revanche que les services sont hébergés et opérés aux États-Unis, et que les résidents de l’EEE, de la Suisse et du Royaume-Uni disposent de droits additionnels au titre du GDPR ou du UK GDPR.
Pour qui, et pour quoi faire
LFM3 intéressera surtout les équipes qui veulent expérimenter des modèles spécialisés, plus petits que les grands modèles généralistes, avec un meilleur contrôle du déploiement. Cela concerne les DSI, équipes data, éditeurs SaaS, industriels, services clients et directions innovation qui cherchent à tester l’IA multimodale sans envoyer tous les flux vers un modèle fermé.
Un cas d’usage professionnel concret : un assistant interne pour techniciens terrain. Le modèle texte peut gérer les procédures, l’historique d’intervention et les échanges avec des outils. Le modèle vision peut analyser une photo d’équipement ou de pièce. Le modèle audio peut servir à dicter un compte rendu ou déclencher une commande vocale. L’intérêt n’est pas de tout confier à un seul modèle, mais de choisir la brique adaptée à chaque entrée.
Le contexte long de 256K tokens est utile pour ce type de scénario. Il peut permettre de charger davantage de documentation, de logs, de tickets ou d’instructions sans découper trop vite l’information. Pour structurer ce type de projet, tu peux aussi t’appuyer sur un cadrage métier des agents IA, par exemple avec le guide NXUS sur les agents IA en entreprise.
Limites et points de vigilance
LFM3 n’est pas présenté comme un remplacement universel des très grands modèles. VentureBeat rapporte que Liquid AI reconnaît que les grands modèles restent meilleurs pour le codage agentique et la connaissance générale, deux domaines où la taille du modèle compte davantage.
Il faut aussi distinguer open weight et absence de contraintes. Liquid AI indique que son open license autorise l’usage commercial, la modification et la redistribution, sans copyleft. Mais la page tarifaire ajoute qu’une licence entreprise payante est nécessaire pour un usage production au-delà de 10 millions de dollars US de chiffre d’affaires annuel.
La conformité mérite également une lecture attentive. Les services Liquid AI sont opérés aux États-Unis, et la politique de confidentialité indique que des données personnelles peuvent être transférées vers d’autres pays ou régions, avec un recours possible aux clauses contractuelles types approuvées par la Commission européenne. Pour des données clients, RH, santé ou industrielles sensibles, ce point doit être validé avant un test en conditions réelles.
Enfin, les performances annoncées doivent être vérifiées sur tes propres données. Un modèle 2B peut être très pertinent pour un flux précis, mais moins robuste sur des tâches générales, des raisonnements complexes ou des connaissances très larges.
L'avis NXUS
LFM3 est intéressant parce qu’il pousse une logique pragmatique : choisir un modèle par modalité, l’adapter, puis le déployer au plus près du besoin. Pour un professionnel, le bon premier test consiste à partir d’un cas métier étroit, avec des documents, images ou enregistrements représentatifs.
Ne commence pas par comparer LFM3 à tous les grands modèles généralistes. Compare-le plutôt à ton besoin réel : latence, coût d’inférence, confidentialité, facilité de fine-tuning et qualité sur tes données internes.
Si tu traites des données personnelles ou confidentielles, clarifie le mode de déploiement avant d’envoyer des exemples dans un service hébergé. Et si ton entreprise dépasse les seuils indiqués par Liquid AI, vérifie la licence avant tout passage en production.
Sources
Source : liquid.ai
Rudy Molinillo
