LBS-27B vs LFM2.5 24B A2B : la question des paramètres actifs

Le nombre le plus important dans LFM2.5 24B A2B n'est pas 24. C'est 2,45 — les milliards de paramètres que le modèle lit réellement pour chaque token. C'est pourquoi Liquid AI peut annoncer 184 tokens de sortie par seconde sur un Apple M5 Max alors que le modèle détient 24 milliards de paramètres de connaissances, et pourquoi l'entreprise le positionne comme un agent embarqué plutôt que comme une bête de somme de centre de données. Ce même nombre est absent de LBS-27B, et son absence est la raison pour laquelle cette comparaison ne peut pas encore être tranchée : sans décompte des paramètres actifs, il n'y a aucun moyen de placer le modèle d'inclusionAI sur la courbe d'efficacité que définit LFM2.5.

LFM2.5 24B A2B est téléchargeable depuis le 13 octobre 2026, avec une fiche modèle, seize lignes de benchmarks et une licence que la plupart des entreprises devront lire attentivement. LBS-27B est un dépôt créé le 26 octobre 2026 qui contient un fichier standard .gitattributes et un README de 28 octets déclarant Apache-2.0. Aucun poids, aucune configuration, aucune fiche, aucune annonce. Ce qui suit est donc une comparaison entre une initiative d'efficacité pleinement spécifiée et un nom qui n'a pas encore dit de quel type de modèle il s'agit.

Ce pour quoi Liquid optimise

LFM2.5 24B A2B est un décodeur à mélange d'experts comptant 64 experts et un routage top-4, 40 couches, une taille cachée de 2 048 et un vocabulaire de 128 000 tokens. Le nombre de paramètres actifs est de 2,45 milliards. Il accepte 131 072 tokens de contexte, contre 32 K dans la génération précédente, et il a été pré-entraîné sur 33 billions de tokens, soit environ le double des 17 billions utilisés pour LFM2.

Le changement de vocabulaire est un détail qui mérite d’être relevé. Passer de 65K à 128K tokens coûte cher — cela implique de réentraîner les couches d’embedding et de sortie — et la raison habituelle de le faire est le texte non latin. La carte répertorie seize langues : anglais, arabe, chinois, français, allemand, italien, japonais, coréen, portugais, espagnol, vietnamien, thaï, indonésien, hindi, russe et polonais. Un vocabulaire plus grand rend ces langues moins coûteuses par mot et généralement meilleures sur la queue de distribution.

Il s'agit également d'un modèle uniquement dédié au raisonnement. Le pipeline de post-entraînement de Liquid enchaîne un fine-tuning supervisé, une spécialisation des enseignants, une distillation non agentique et agentique, puis un apprentissage par renforcement agentique au sein de harnais tels qu'OpenClaw, Hermes Agent, Pi et OpenCode. Le modèle produit une chaîne de raisonnement avant de répondre ; aucun mode distinct « rapide, sans réflexion » n'est documenté sur la fiche.

Un profil de référence volontairement irrégulier

Les propres chiffres de Liquid, que nous n’avons pas reproduits, décrivent un modèle excellent dans ce que fait un agent embarqué et médiocre dans ce dont a besoin un travailleur du savoir. Cette forme n’est pas un accident ; c’est la conception.

• Suivi des instructions — IFEval 96,75, IFBench 74,69, Multi-IF 84,38. C’est le groupe le plus solide de la fiche et celui qui compte le plus pour un agent qui doit obéir à un schéma d’outil.

• Utilisation d’outils — ToolSandbox 80,71, PinchBench 83,18, BFCL v4 65,01, AutomationBench 27,69. Bon, mais inégal selon les harnais d’évaluation.

• Navigation agentique et utilisation de l’ordinateur — LiveClaw 48,09, WebArena Verified 26,75, tau3-Bench Banking 8,04. Le résultat pour la banque fait figure d’exception : un score à un chiffre sur une suite de tâches que d’autres modèles agentiques gèrent bien mieux. C’est un rappel que « agentique » ne désigne pas une capacité unique.

• Ingénierie logicielle — SWE-Bench Verified 51,00 sous OpenCode, SciCode 32,71. Milieu de peloton.

• Mathématiques — MATH-500 96,04. Solide pour sa taille.

• Connaissances — GPQA Diamond 74,42, HLE 7,40, AA-Omniscience −24,90. Le score Omniscience négatif est ici le signal honnête : sur un benchmark qui pénalise les réponses erronées formulées avec assurance, le modèle perd plus qu’il ne gagne. Le positionnement de Liquid le reconnaît lui-même — le modèle est conçu pour être associé à la récupération d’informations, et non pour être considéré comme une encyclopédie fiable.

Lues ensemble, ces lignes indiquent que le modèle suit correctement les instructions et appelle correctement les outils, mais que sa base de connaissances est limitée. Pour un agent local qui lit vos fichiers et appelle vos API, c’est le bon compromis. Pour un assistant de recherche, c’est le mauvais.

L'affirmation d'efficacité, avec ses réserves

Liquid annonce 184 tokens par seconde sur un Apple M5 Max avec environ 15 Go de mémoire, et 114 tokens par seconde sur un Ryzen AI Max+ 395. Ce sont des chiffres du fournisseur sur du matériel spécifique, pas un benchmark général, et ils évolueront selon la quantification et la taille de lot. La tendance reste significative : un modèle de 24B avec 2,45B de paramètres actifs peut fonctionner sur un portable d’une manière qu’un modèle dense de 24B ne permet pas.

Le compromis, c’est la bande passante mémoire. Les modèles creux doivent tout de même conserver les 24 milliards de paramètres en mémoire — l’économie porte sur le calcul par token, pas sur le stockage. C’est pourquoi le chiffre de 15 Go compte autant que le débit : il correspond à peu près à une quantification sur 4 bits de l’ensemble complet des poids, et il fixe le plancher matériel.

Où LBS-27B devrait se trouver

Tout, dans cette confrontation, dépend de deux champs qui n’existent pas encore dans le dépôt LBS-27B : le nombre d’experts et le nombre de paramètres actifs.

Si LBS-27B est un modèle sparse avec environ 2B à 4B de paramètres actifs, il tombe directement sur le territoire de LFM2.5 — une base de connaissances de classe 27B pour la puissance de calcul d’un petit modèle — et la comparaison devient une confrontation directe sur la qualité par paramètre actif. S’il est dense, c’est un produit entièrement différent : un modèle côté serveur avec un coût de calcul prévisible et une empreinte mémoire qui exclut la plupart des ordinateurs portables. S’il est sparse avec un grand nombre de paramètres actifs, il se situe entre les deux et rivalise sur la qualité plutôt que sur l’efficacité.

Il est impossible de déduire lequel à partir du dépôt. Le nom indique 27B, le README indique Apache-2.0, et l’arborescence des fichiers ne dit rien d’autre. inclusionAI n’a publié ni fiche, ni article de blog, ni publication scientifique que nous ayons pu trouver.

La comparaison, autant qu’elle peut être établie

• Nombre total de paramètres — 24,0 B pour LFM2.5 24B A2B ; un 27B non vérifié pour LBS-27B.

• Paramètres actifs — 2,45 Md pour LFM2.5 ; inconnus pour LBS-27B, et c’est là l’inconnue décisive.

• Architecture — 64 experts avec routage top-4 et 40 couches pour LFM2.5 ; inconnu pour LBS-27B.

• Contexte — 131 072 tokens pour LFM2.5 ; inconnu pour LBS-27B.

• Modalité — texte uniquement pour LFM2.5 ; inconnue pour LBS-27B.

• Langues — seize listées pour LFM2.5 ; inconnu pour LBS-27B.

• Raisonnement — chaîne de pensée par défaut, sans mode sans réflexion documenté, pour LFM2.5 ; inconnu pour LBS-27B.

• Licence — la licence LFM 1.0, avec une obligation de licence commerciale au-delà de 10 millions de dollars de chiffre d’affaires annuel, pour LFM2.5 ; Apache-2.0 déclarée pour LBS-27B.

• Évaluations publiées — seize lignes déclarées par le fournisseur pour LFM2.5 ; aucune pour LBS-27B.

La licence est une question d’approvisionnement, pas une note de bas de page.

C'est le seul aspect où le dépôt vide donne déjà un avantage à LBS-27B. La licence LFM 1.0 n'est pas open source au sens de l'OSI : les entreprises dont le chiffre d'affaires annuel dépasse 10 millions de dollars doivent obtenir une licence commerciale distincte avant de la déployer. Pour un développeur individuel ou une startup sous ce seuil, ce n'est pas un problème. Pour une entreprise de taille moyenne, c'est une revue juridique, une négociation et une ligne budgétaire.

LBS-27B déclare Apache-2.0 dans son README. Il s’agit d’une licence permissive avec un octroi explicite de brevets et sans seuil de chiffre d’affaires, et si elle se maintient jusqu’à la publication des poids, elle élimine une étape entière du processus d’achat. C’est le seul avantage concret que LBS-27B détient actuellement dans cette comparaison, et il vaut la peine de le dire clairement, car il est réel — une déclaration de licence faite à la création du dépôt est une preuve faible, mais ce n’est pas rien.

Sur l'appareil ou via API : deux produits différents

LFM2.5 24B A2B est conçu pour fonctionner là où se trouvent les données. L'argument de vente est la confidentialité et la latence : un modèle sur un ordinateur portable ou une station de travail qui n'envoie jamais de requête à un tiers, avec un appel d'outils suffisamment performant pour piloter l'automatisation locale. L'empreinte mémoire en 4 bits et le contexte de 131K sont dimensionnés pour cette tâche.

LBS-27B n'a pas précisé à quoi il sert. Si inclusionAI commercialise un modèle conçu pour une inférence côté serveur, l'argument de l'exécution sur l'appareil ne s'applique pas et les deux modèles sont complémentaires plutôt que substituables. S'il commercialise un MoE à faible activation avec un scénario de déploiement local, la comparaison est directe et les deux générations d'avance de Liquid en matière d'outillage sur appareil — prise en charge de llama.cpp, MLX, ONNX et vLLM, ainsi qu'un harnais d'agent documenté — deviennent l'élément décisif.

La prise en charge des frameworks est un aspect sous-estimé de la question. Un modèle qui n’est pas dans llama.cpp ou MLX dès le premier jour n’est pas, en pratique, un modèle embarqué, quel que soit son nombre de paramètres actifs.

Tester un modèle non éprouvé sans parier dessus

Ni LBS-27B ni LFM2.5 24B A2B ne sont disponibles sur OrcaRouter aujourd’hui, donc il n’existe aucun point de terminaison hébergé pour l’un ou l’autre, et nous ne suggérerons pas le contraire. La raison de mentionner la plateforme ici est le problème d’évaluation qui en découle : si vous voulez savoir si un nouveau petit modèle à paramètres actifs peut remplacer celui que vous utilisez actuellement, vous devez exécuter les deux sur votre propre trafic, pas sur un classement.

Le DSL de routage d'OrcaRouter vous permet d'envoyer un pourcentage des requêtes vers un modèle candidat tout en conservant le modèle en place comme option par défaut, et le basculement automatique en cas de défaillance fait en sorte qu'un candidat qui dépasse le délai d'attente ou renvoie une erreur soit remplacé par le modèle connu au lieu de faire échouer la requête. Pour les cas difficiles où un seul modèle ne suffit pas, la fusion de modèles permet à un panel de modèles de répondre ensemble et renvoie un résultat combiné — utile lorsque la tâche est riche en connaissances et que le point faible du modèle peu coûteux est précisément ce que vous testez. Le catalogue de plus de 200 modèles et la majoration de 0 % importent moins ici que la possibilité de comparer sur vos propres entrées sans une seconde intégration.

C’est une façon de générer les preuves qui manquent à cette page. Cela ne remplace pas l’existence du modèle.

Trois lecteurs, trois réponses

Si vous développez un agent embarqué et avez besoin de quelque chose qui fonctionne sur un ordinateur portable dès aujourd’hui, LFM2.5 24B A2B est un candidat sérieux : bon suivi des instructions, bonne capacité d’appel d’outils sur plusieurs harnesses, un contexte de 131K et un parcours documenté vers les runtimes locaux habituels. Vérifiez d’abord le seuil de licence, et ne vous attendez pas à ce qu’il connaisse des faits sans récupération.

Si vous choisissez un modèle 27B côté serveur et que vous avez besoin d’une licence permissive, LBS-27B vaut la peine d’être surveillé précisément parce que Apache-2.0 est déjà déclarée. Mais il n’y a rien à évaluer, et une déclaration de licence n’est pas un modèle.

Si vous êtes une entreprise dont le chiffre d'affaires dépasse 10 millions de dollars et qui applique un processus d'achat strict, la différence de licence peut compter davantage que n'importe quelle ligne de benchmark dans cet article. La licence personnalisée de LFM2.5 représente un coût réel ; l'Apache-2.0 de LBS-27B constitue un réel avantage, à condition qu'elle survive jusqu'à la publication.

Le nombre qui changerait les trois réponses est celui des paramètres actifs. Tant qu’il n’existe pas, la position honnête est qu’un modèle a un argument d’efficacité et l’autre a un dépôt.