Calipia : le blog

Il y a une certaine ironie à voir l’industrie de l’IA, habituée à annoncer des modèles toujours plus lourds, célébrer cette semaine un lancement dont l’argument commercial tient en une phrase : « il tourne sur un Raspberry Pi ». C’est pourtant le pari de Liquid AI, startup fondée en 2023 par d’anciens chercheurs du MIT, qui vient de dévoiler LFM2.5-2.6B, un modèle de langage à poids ouverts pensé pour l’exécution locale plutôt que pour battre des records de benchmarks.

Le nom du modèle, un peu austère, se décompose simplement : génération 2.5, 2,6 milliards de paramètres. Il embarque une fenêtre de contexte de 128 000 tokens et un support natif de l’appel d’outils (tool calling), le tout conçu pour tourner sans GPU ni connexion cloud, depuis un smartphone jusqu’à un serveur d’entreprise, en passant par les cas d’usage embarqués (véhicules, robotique).

Une architecture pensée pour le CPU, pas pour la course au benchmark

Selon le français Maxime Labonne, responsable du post entraînement chez Liquid AI, l’architecture LFM2 sous jacente a été conçue dès le départ autour de la performance réelle sur CPU plutôt qu’autour des benchmarks GPU habituels. Les chiffres avancés par l’entreprise (à prendre, comme toujours dans ces annonces, avec la prudence qui s’impose puisqu’ils ne sont pas vérifiés de façon indépendante) sont impressionnants sur le papier : environ 220 tokens par seconde sur une puce Apple M5 Max, 113 tokens par seconde sur un AMD Ryzen AI Max+ 395, le tout en consommant moins de 2,5 Go de mémoire, et environ 30 tokens par seconde sur smartphone via l’application mobile Apollo de Liquid AI. À l’autre extrémité du spectre, sur un GPU Nvidia H100, Liquid AI annonce près de 15 000 tokens de sortie par seconde en charge concurrente soutenue, soit environ 1,3 milliard de tokens par jour sur une seule carte.

Pour une DSI, l’intérêt ne réside pas dans la course à la puissance mais dans l’équation coût / latence / confidentialité : faire tourner un agent en local, c’est s’affranchir de la facture d’inférence cloud et garder la donnée sur site, un argument qui parlera directement aux secteurs régulés (banque, santé, défense) où l’envoi de données sensibles vers une API tierce reste un point de friction juridique et RSSI récurrent.

Un modèle entraîné pour les agents, pas pour la conversation

Le choix de conception le plus structurant concerne le post entraînement. Liquid AI part du constat que les modèles ne sont plus consommés via des interfaces conversationnelles classiques mais via des « harnais » agentiques comme Hermes Agent ou OpenClaw. Le pipeline de post entraînement se déroule en quatre étapes : un affinage supervisé, une spécialisation par domaines (des modèles experts entraînés séparément sur les mathématiques, le code, le suivi d’instructions ou l’usage d’outils), une distillation multi domaines sur politique (MOPD) qui fusionne ces compétences dans un modèle unique, puis un apprentissage par renforcement agentique effectué directement à l’intérieur de harnais de production réels.

Fait notable : Liquid AI a aussi développé son propre harnais agentique, capable de tourner entièrement sur téléphone, avec planification et appels d’outils on device. L’objectif affiché va au delà du modèle réactif classique : l’entreprise veut des agents proactifs, qui observent en continu le calendrier ou le contexte de l’utilisateur pour déclencher des tâches sans sollicitation explicite. Une ambition qui rejoint les discours qu’on entend aujourd’hui autour de Copilot ou d’Agent 365 côté Microsoft, mais appliquée ici à une brique totalement locale et open weight.

Face à Gemma, Qwen et DeepSeek : un positionnement de niche assumé

Liquid AI a publié ses propres tableaux de comparaison face à Gemma 4 E2B et E4B (Google), Qwen3.5 4B et 9B (Alibaba), ainsi qu’un test tiers réalisé par la plateforme Atomic Chat face à DeepSeek V4 Flash, un modèle 284 milliards de paramètres. Sur ce dernier test, portant sur une série de tâches d’appels d’outils (météo, conversion de devises, réservation d’hôtel), LFM2.5-2.6B se montre 3,7 fois plus rapide pour un niveau de réussite comparable.

Sur les benchmarks internes, le modèle de Liquid AI domine les épreuves de suivi d’instructions et se classe en tête ou en quasi égalité sur la plupart des évaluations agentiques, y compris face au Qwen3.5-9B, presque quatre fois plus gros. Il perd en revanche logiquement du terrain sur les mathématiques et le code face aux modèles plus volumineux de la gamme Qwen. On notera avec un brin d’amusement que Liquid AI reconnaît elle même n’avoir « jamais été bonne en code » jusqu’à cette génération, ce qui a au moins le mérite de l’honnêteté dans un secteur où l’auto satisfecit est plutôt la norme.

Il faut cependant garder à l’esprit que ces comparatifs sont construits par Liquid AI elle même, face à des modèles systématiquement plus gros qu’elle : la démonstration est habile, mais elle esquive la comparaison avec des concurrents de taille équivalente, ce qui limite la portée de l’exercice pour qui voudrait arbitrer objectivement entre plusieurs solutions edge.

La licence, le vrai sujet pour les juristes d’entreprise

C’est sans doute le point qui mérite le plus l’attention des DSI et des directions juridiques. LFM2.5-2.6B est distribué sous la licence LFM Open License v1.0, qui autorise l’usage, la modification et la redistribution, y compris commerciale, pour les organisations réalisant moins de 10 millions de dollars de chiffre d’affaires annuel. Au delà de ce seuil, l’usage commercial n’est plus couvert par la licence par défaut et nécessite un accord spécifique avec Liquid AI. Les organismes à but non lucratif qualifiés en sont exemptés pour un usage non commercial ou de recherche.

Interrogé par VentureBeat sur les moyens de contrôle réels de ce seuil, Maxime Labonne a répondu avec une franchise assez rare : il ne sait pas comment l’entreprise détecterait un déploiement silencieux par une grande structure, et la seule demande faite aux entreprises dépassant le seuil est de prendre contact. Une réponse sincère, mais qui laisse la question de la conformité entièrement entre les mains de l’acheteur : à charge pour chaque DSI de documenter son usage et d’anticiper une éventuelle discussion contractuelle plutôt que de compter sur un mécanisme de détection qui, de l’aveu même de l’éditeur, n’existe pas vraiment. On retrouve ici une tendance déjà observée chez Moonshot avec son modèle Kimi K3 : des poids ouverts en apparence généreux, mais assortis de clauses qui méritent une lecture attentive avant tout déploiement en production.

Une validation industrielle avec MacPaw

Le lancement coïncide avec l’annonce d’un partenariat stratégique entre Liquid AI et MacPaw, l’éditeur ukrainien de CleanMyMac et Setapp, pour construire une pile IA embarquée pour Mac. Liquid AI concevra et affinera des modèles pour Eney, l’assistant macOS de MacPaw, exécutés localement sur silicium Apple via le moteur d’inférence Elix et la couche mémoire Mnemos. Pour Labonne, ce choix valide directement l’argument de la sobriété : MacPaw n’aurait tout simplement pas eu le budget mémoire nécessaire pour faire tourner des modèles plus volumineux sur les machines de ses utilisateurs.

Ce qu’il faut en retenir

Ce lancement illustre une tendance de fond que Calipia suit de près depuis plusieurs mois : le glissement d’une partie de l’IA d’entreprise vers l’exécution locale, portée par des arguments de coût marginal quasi nul, de latence et surtout de souveraineté des données. Pour autant, la promesse de « performance équivalente à des modèles quatre fois plus gros » reste à vérifier en conditions réelles, hors des benchmarks choisis par l’éditeur lui même, et le modèle de licence impose une vigilance contractuelle que peu d’organisations anticipent lors d’un simple test technique. Reste que l’idée d’agents proactifs tournant en permanence en arrière plan, sur des terminaux déjà en poche de chaque collaborateur, mérite clairement d’entrer dans les feuilles de route d’architecture 2027.