LFM2.5-2.6B-Base : la sortie la plus discrète de Liquid AI est celle que les adeptes du fine-tuning attendaient vraiment

En parcourant les compteurs Hugging Face le 5 août 2026, l'écart est difficile à manquer : LFM2.5-2.6B, le modèle agentique embarqué que Liquid AI a lancé le 4 août, se situe à 47 393 téléchargements. LFM2.5-2.6B-Base, le point de contrôle pré-entraîné dont provient chacun de ces poids, se situe à 151. Même organisation, même architecture, même semaine, un ratio de 314 pour 1.

Le checkpoint de base n'a pas fuité et n'a pas été caché. Il est apparu dans le post de lancement de Liquid dans exactement une parenthèse — "Les modèles de base (LFM2.5-2.6B-Base) et post-entraînés (LFM2.5-2.6B) sont disponibles aujourd'hui sur Hugging Face" — et c'est tout le récit publié à son sujet. Pas de benchmarks propres, pas de section, pas de carte séparée. Tout ce qui suit est lu directement depuis le dépôt — la carte du modèle, config.json, le LICENSE fichier et l'API Hugging Face — plus des calculs que nous avons faits nous-mêmes. Lorsqu'un chiffre provient des propres évaluations de Liquid, nous le précisons, car pour ce checkpoint particulier, le fait le plus important est à quel point peu de choses ont été réellement mesurées.

Cela importe plus qu'une note de bas de page ne le suggère. Un modèle post-entraîné se juge en l'essayant. Un point de contrôle de base est une offre de passer deux semaines et un budget GPU avant d'apprendre quoi que ce soit, donc les conditions de l'offre — ce qu'elle contient, à quoi elle est licenciée, ce qui a été évalué — constituent toute la décision.

Qu'y a-t-il réellement dans le dépôt ?

Neuf fichiers, un shard de poids, aucun code de modélisation. La liste des spécifications de la carte, recoupée avec config.json:

• 2.69B paramètres au total, bfloat16, dans un seul fichier de 5.39 GB model.safetensors. Prévoyez le stockage et la VRAM en vous basant sur ce nombre, pas sur « 2.6B ».

• 30 layers, hybrid. The card says 22 double-gated short convolution blocks plus 8 GQA attention layers. The layer_types array in config.json confirms it exactly: 22 entries of conv and 8 of full_attention, the attention layers spaced roughly every third or fourth block rather than clustered.

• 2048 de dimension cachée, 10752 intermédiaires, 32 têtes d'attention sur 8 têtes clé-valeur — un ratio GQA de 4 pour 1 — avec des embeddings d'entrée et de sortie liés et un theta RoPE de 10 000 000.

• vocabulaire de 128 000 tokens, et un tokenizer de 18 Mo pour accompagner cela. Liquid a doublé le vocabulaire dans cette génération, ce qui représente un coût significatif à 2,6B : avec des embeddings liés, la table de vocabulaire à elle seule représente environ 262M du budget de paramètres, soit près d'un dixième du modèle.

• 34 billions de jetons d'entraînement. C'est une phase de pré-entraînement exceptionnellement longue pour cette classe de taille, et c'est la raison la plus déterminante pour examiner ce checkpoint.

• 16 langues déclarées : anglais, arabe, chinois, français, allemand, hindi, indonésien, italien, japonais, coréen, polonais, portugais, russe, espagnol, thaï et vietnamien.

Une incohérence pour toute personne qui envisage de travailler avec de longs contextes : la fiche annonce une longueur de contexte de 131 072 jetons, alors que config.json définit max_position_embeddings à 128 000. Le blog et la documentation de Liquid indiquent tous deux 128K. La différence de 3 072 jetons n'aura pas d'importance pour la plupart des gens, mais si vous écrivez un script d'entraînement qui empaquette les séquences jusqu'au maximum annoncé, fiez-vous au fichier de configuration plutôt qu'à la fiche.

La chaîne d'architecture est l'essentiel en pratique : model_type est lfm2 et la classe est Lfm2ForCausalLM — la même classe que celle livrée avec LFM2. LFM2.5 est un pré-entraînement étendu et un nouveau post-entraînement sur une architecture existante, et non une nouvelle, donc rien ici ne nécessite de code de modélisation personnalisé. C'est pourquoi llama.cpp, vLLM, MLX, ONNX Runtime, SGLang et LM Studio ont tous pris en charge cette famille dès le premier jour, et pourquoi la voie de fine-tuning via Unsloth et TRL fonctionne sans correctifs. Il vous faut transformers>=5.0.0.

La carte que vous recevez est celle de l'autre modèle.

Open the base repository and the first heading is "LFM2.5-2.6B" — the post-trained model's name, not the one you are looking at. This is not a nitpick; the whole page reads as the instruct card with a base paragraph spliced into it, and three of the artefacts left behind can cost you real time.

• Le frontmatter YAML indique base_mode: LiquidAI/LFM2.5-2.6B-Base. Deux problèmes en une seule ligne : la clé est une faute d’orthographe du base_model de Hugging Face, et elle pointe le dépôt de base vers lui-même. Rien ne casse, mais les liens de l’arborescence du modèle que vous attendriez d’une lignée correctement déclarée ne sont pas générés à partir de cela.

• Le dépôt est étiqueté comme conversationnel et inclut un chat_template.jinja, donc Hugging Face affiche un badge « Chat template » sur un checkpoint qui n'a jamais été ajusté par instructions. Un template existe parce que la configuration du tokenizer a été héritée, et non parce que les poids savent quoi en faire.

• L'extrait de démarrage rapide utilise ensuite ce modèle. L'exemple Python sur la carte du modèle de base appelle tokenizer.apply_chat_template avec un {"role": "user"} message et demande « Qu'est-ce que C. elegans ? » — la façon classique de faire paraître un modèle de base défaillant. Enveloppez un checkpoint pré-entraîné brut dans des tours de chat et vous obtenez un texte qui dérive, se répète et se continue tout seul, et il est facile d'y voir un mauvais modèle plutôt qu'un format de prompt incorrect. Utilisez ce modèle comme un compléteur de texte, en few-shot, avec des séquences d'arrêt que vous contrôlez.

• Le tableau des variantes ne répertorie que la ligne post-entraînée — LFM2.5-2.6B, ainsi que ses versions GGUF, ONNX et MLX. Il n'existe aucune version GGUF ou MLX du checkpoint de base, donc « l'exécuter localement ce soir dans LM Studio » n'est pas envisageable sans le convertir vous-même.

Hugging Face signale également qu'aucun fournisseur d'inférence ne sert ce dépôt. Il n'y a aucun endpoint hébergé pour le checkpoint de base où que ce soit ; si vous voulez ses logits, vous louez le GPU.

La section de benchmark qui n'existe pas.

Aucun chiffre d’évaluation n’a été publié pour LFM2.5-2.6B-Base. Pas de MMLU, pas de MMLU-Pro, pas de GPQA, pas de HellaSwag, pas d’ARC, pas de valeur de perplexité — rien, sur aucune des trois surfaces de Liquid (la fiche du modèle, l’annonce de lancement, la documentation). Pour un checkpoint de base, c’est une absence flagrante, car ces scores de connaissances et de raisonnement sont précisément ce qui permet de juger si 34 000 milliards de tokens de pré-entraînement ont laissé quelque chose qui vaut la peine d’être affiné.

Ce qui existe appartient au jumeau post-entraîné, est rapporté par Liquid, et n'a pas été reproduit indépendamment. Lors des propres évaluations de Liquid, LFM2.5-2.6B obtient 51.87 sur AIME25, 59.17 sur IFBench, 80.07 sur Multi-IF, 56.88 sur BFCLv4, 77.83 sur ToolSandbox et 26.89 sur BrowseComp+ dans le harnais OpenClaw, comparé à gemma-4-E2B-it (5.1B), gemma-4-E4B-it (8B), Qwen3.5-4B (4.7B) et Qwen3.5-9B (9.7B). En résumé, Liquid affirme qu'il est en tête de tous les benchmarks de suivi d'instructions et de presque tous ceux d'utilisation d'outils, et son propre graphique est sans détour sur les exceptions : Qwen3.5-9B est devant sur AIME25 avec 56.07 et sur BFCLv4 avec 60.13. Les affirmations de vitesse suivent la même règle — 220 tokens/s en décodage sur un M5 Max, 113 sur un Ryzen AI Max+ 395, environ 30 sur un téléphone, moins de 2.5 Go de mémoire, et environ 15 000 tokens/s en sortie à forte concurrence sur un H100 — toutes mesurées par le fournisseur, aucune n'a encore été vérifiée par quiconque d'autre.

Le piège consiste à supposer que tout cela se transfère. Ces scores sont le produit d'un pipeline en quatre étapes appliqué sur ce checkpoint : deux cycles de fine-tuning supervisé, spécialisation d'enseignant par domaine, distillation multi-domaines sur politique, puis apprentissage par renforcement agentique avec GRPO exécuté dans des environnements réels. L'appel d'outils et le suivi d'instructions sont exactement les comportements que ce pipeline installe. Prenez les poids de base et vous repartez en amont de tout cela. Ce dont vous héritez, c'est le pré-entraînement — les langues, la connaissance du monde, la capacité de long contexte, l'architecture hybride efficace — et vous devez supposer que vous n'héritez d'aucun des résultats du classement agentique.

151 téléchargements, ce n'est pas seulement précoce — c'est hors du schéma propre à la famille

Liquid publie régulièrement des checkpoints de base, donc cette version n’a rien de remarquable en soi. C’est la négligence qui est mesurable. En comparant chaque dépôt de base LFM2.5 à son pendant instruct le même jour, on obtient une norme maison claire — et un évident hors-norme.

• LFM2.5-230M — 58,676 downloads against 6,982 for its base: about 8 to 1.

• LFM2.5-350M — 94,526 against 9,397: about 10 to 1.

• LFM2.5-1.2B — 583,914 pour la version Instruct contre 17,867 pour la version de base : environ 33 pour 1.

• LFM2.5-8B-A1B — 171 520 contre 3 996 : environ 43 contre 1.

• LFM2.5-2.6B — 47 393 contre 151 : environ 314 contre 1.

Une partie de cela tient simplement à l'âge ; le dépôt de base a été créé le 1er août et le modèle instruct avait quatre jours d'avance, plus un post de lancement. Mais les anciens checkpoints de base de cette famille se situaient entre 8-pour-1 et 43-pour-1, donc un ordre de grandeur au-delà du pire d'entre eux est une véritable anomalie plutôt qu'un artefact d'arrondi d'un nouveau dépôt.

Les likes racontent une histoire plus subtile. Le dépôt de base compte 28 likes pour 151 téléchargements — soit environ un favori pour cinq téléchargements. Le modèle instruct compte 232 likes pour 47 393, environ un pour 204. Les utilisateurs marquent le checkpoint de base pour y revenir, plutôt que de le télécharger. Deux fine-tunes communautaires et sept quantifications existent déjà dans son arbre de modèles, ce qui correspond à l'avant-garde de l'adoption avant que le volume n'arrive.

"Sans restrictions" n'est pas ce que dit la licence.

La page de lancement de Liquid décrit la version comme open-weight : "Téléchargez, affinez et déployez sans restrictions." Le fichier du dépôt indique quelque chose de plus restrictif, et c'est la section à lire deux fois si vous envisagez de construire un produit sur la base de ces poids.

La licence est LFM Open License v1.0 — pas l'Apache-2.0, pas la MIT, et pas les mêmes conditions que la plupart des petits modèles open-weight auxquels vous êtes probablement en train de le comparer. En citant directement le fichier, la section 5 est intitulée « Limitation de l'utilisation commerciale » et se lit comme suit : « Les droits accordés en vertu de la présente Licence pour une utilisation commerciale sont conditionnés au fait que Vous ou votre entité juridique ne dépasse pas le Seuil, » suivi de « Toute utilisation commerciale de l'Œuvre ou d'une œuvre dérivée par une entité juridique qui dépasse le Seuil n'est pas autorisée en vertu du présent accord. » La section 1 définit le Seuil comme « un chiffre d'affaires annuel de 10 millions de dollars américains (10 000 000 $) ou plus. »

Donc la lecture pratique :

• Moins de 10 M$ de revenus annuels — vous disposez d'une licence large, perpétuelle et libre de redevances couvrant la reproduction, les œuvres dérivées, la distribution et la sous-licence, y compris l'usage commercial.

• À partir de 10 M$ — l'utilisation commerciale n'est pas autorisée par cet accord. Pas « exige une attribution », pas « exige une notification ». Vous devez parler à Liquid, ce qui est sans doute la raison pour laquelle la carte se termine par un lien vers leur équipe commerciale.

• Les œuvres dérivées héritent de la limitation. Votre fine-tuning de ce checkpoint est une œuvre dérivée, donc un modèle que vous passez un trimestre à entraîner bénéficie de la même autorisation conditionnée aux revenus. Si votre entreprise franchit le seuil — ou est acquise par une entreprise qui l'a déjà franchi — le terrain change sous votre produit.

• Les organisations à but non lucratif qualifiées sont exclues : le seuil ne s'applique pas à une organisation 501(c)(3) ou équivalent étranger utilisant l'œuvre à des fins non commerciales ou de recherche. Les obligations ordinaires s'appliquent également — transmettez la licence, conservez les mentions d'attribution, marquez les fichiers que vous avez modifiés.

Rien de tout cela ne rend la publication avare ; un seuil de 10 millions de dollars exempte presque toutes les startups et tous les chercheurs, et c'est une manière légitime de publier les poids. Mais « sans restrictions » est un texte marketing que la licence contredit, et le décalage se fait sentir le plus durement exactement ici. Le fine-tuning d'un checkpoint de base est la manière la plus coûteuse et la moins réversible d'adopter un modèle. C'est le pire endroit pour découvrir une clause de revenus.

Qui devrait réellement passer ce point de contrôle

Les propres recommandations de Liquid sont remarquablement restrictives, et méritent d'être suivies : la fiche indique que le checkpoint pré-entraîné est « uniquement recommandé pour les tâches nécessitant un fine-tuning intensif, comme les assistants spécifiques à une langue (par exemple, le japonais) ou à un domaine (par exemple, médical), l'entraînement sur des données propriétaires, ou l'expérimentation de nouvelles approches de post-entraînement. » Ce mot « uniquement » n'est pas anodin. Si vous voulez un agent sur appareil qui appelle des outils, le LFM2.5-2.6B post-entraîné est strictement le meilleur point de départ, et le checkpoint de base vous fera perdre votre mois.

Les cas où c'est vraiment le bon choix :

• Une langue mal desservie par le post-entraînement. 34T tokens répartis sur 16 langues constituent une solide base multilingue, et Liquid a déjà prouvé ce schéma en interne avec une version japonaise dans la gamme 1.2B. Poursuivre le pré-entraînement sur votre langue, puis votre propre ajustement par instructions, évite de lutter contre une persona post-entraînée centrée sur l'anglais.

• Un secteur réglementé avec des données propriétaires. Moins de 2,5 Go à l’inférence, aucune dépendance au cloud et une licence suffisamment permissive en dessous du seuil de revenus constituent une combinaison rare pour les déploiements médicaux, juridiques ou industriels où les données ne peuvent pas quitter l’appareil.

• Recherche post-entraînement.Liquid a publié sa recette — SFT, spécialisation des enseignants, MOPD, RL agentique — puis a fourni l'entrée exacte de cette recette ainsi que la sortie. Pouvoir exécuter votre propre méthode sur les mêmes poids initiaux et faire un diff par rapport à une implémentation de référence solide est inhabituel et précieux.

• Objectifs de distillation. Un hybride de 2.6B qui décode à 220 tokens/s sur un ordinateur portable est un élève attrayant pour compresser un enseignant beaucoup plus grand en quelque chose de diffusable.

Cette dernière paire est là où le coût atterrit réellement, et ce ne sont pas des heures GPU — c'est de la donnée. Le pipeline de Liquid repose sur la spécialisation des enseignants et la distillation on-policy, ce qui signifie que le vrai prérequis pour reproduire quoi que ce soit de similaire est un grand volume de données générées à partir de modèles plus puissants, plus des paires de préférences et des rollouts avec récompense vérifiable. C'est un travail multi-modèles avant d'être un travail d'entraînement : vous voulez comparer des enseignants candidats sur votre domaine, puis générer en volume à partir de celui qui gagne. C'est la partie du travail à laquelle notre propre produit est destiné — OrcaRouter met 200+ modèles derrière une seule clé API avec une marge de 0 %, donc ce que vous payez pour un ensemble SFT synthétique, c'est le prix catalogue du fournisseur plutôt qu'une prime de routage (quand un vendeur baisse ses prix, cela nous est répercuté le jour même), le basculement automatique empêche une génération de vingt heures de mourir sur une mauvaise heure d'un seul fournisseur, et le DSL de routage vous permet de répartir une seule invite entre plusieurs enseignants et de conserver la meilleure réponse. Pour être clair sur ce que nous n'offrons pas : LFM2.5-2.6B-Base n'est pas sur OrcaRouter et aucun fournisseur d'inférence ne l'héberge — vous exécutez ces poids vous-même. Nous sommes utiles pour les enseignants, pas pour l'élève.

La même distinction vaut la peine d'être gardée à l'esprit pour tout ce que vous livrez. L'article de Liquid affirme que les agents locaux rendent l'inférence gratuite et éliminent le coût par jeton en tant que contrainte, ce qui est vrai pour le jeton marginal et non pour la facture totale — vous l'avez déjà prépayée en matériel, et un modèle 2.6B a toujours un plafond. Liquid le dit lui-même, déconseillant cette famille pour les travaux agentiques à forte composante de codage ou à forte intensité de connaissances. Le schéma durable est un modèle local affiné qui gère le chemin courant à fort volume sur l'appareil et fait remonter la minorité difficile vers un modèle de pointe via une API, ce qui préserve les avantages de confidentialité et de latence là où ils comptent, sans prétendre que 2.6B paramètres peuvent tout faire.

Le chemin de ces poids vers quelque chose d'utilisable.

Le billet de lancement n'en dit rien, mais la fiche du modèle de base contient discrètement l'élément le plus pratique de tout le dépôt : sept notebooks Colab prêts à l'emploi qui couvrent précisément les étapes du pipeline dont un checkpoint de base a besoin. Deux concernent la poursuite du pré-entraînement — un pour la complétion de texte, un pour la traduction —, une étape qui n'a de sens qu'à partir des poids de base et pour laquelle personne n'écrit de tutoriels. Les autres couvrent le fine-tuning supervisé via Unsloth et TRL, le DPO via TRL, et le GRPO via les deux. Liquid fournit aussi LEAP Finetune comme stack d'entraînement dédié si vous préférez ne pas en assembler un vous-même.

En lisant la documentation de fine-tuning de Liquid par rapport à la forme de ce modèle, la séquence réaliste ressemble à ceci :

• Interrogez-le d'abord comme compléteur, avant d'entraîner quoi que ce soit. Ignorez le template de chat sur la carte. Few-shot, texte brut, vos propres séquences d'arrêt. C'est ainsi que vous découvrez si le pré-entraînement couvre déjà votre domaine et votre langue, ce qui détermine si vous avez besoin d'un pré-entraînement continu ou si vous pouvez passer directement au SFT.

• Pré-entraînement continu uniquement si vous ajoutez des connaissances ou une langue. Il s'agit de la branche coûteuse — à l'échelle du corpus, pas à l'échelle de l'exemple — et c'est la seule chose que l'homologue post-entraîné ne peut véritablement pas vous donner.

• Ensuite, un SFT avec LoRA, sur 500 à 5 000 exemples.Les propres recommandations de Liquid indiquent que la qualité et la distribution priment sur la quantité et que les exemples doivent correspondre aux entrées de production. À 2,6B, une passe LoRA est rapide : la documentation indique qu’une exécution à 1,2B prend de quelques minutes à des dizaines de minutes sur un seul GPU moderne, si bien que cette taille permet toujours de boucler une itération dans la même après-midi.

• Gelez un ensemble de validation avant l’entraînement. C’est direct, et cela vaut la peine d’être répété pour ce checkpoint en particulier, car il n’y a pas de référence publiée à laquelle comparer — votre ensemble d’évaluation est le seul chiffre dont on dispose.

• Les étapes de préférence ou de RL viennent en dernier, et seulement si le comportement est le problème. Des recettes DPO et GRPO existent pour la famille, mais elles constituent un raffinement par-dessus un modèle qui répond déjà; se tourner vers elles avant l’arrivée du SFT, c’est ainsi que les projets basés sur un checkpoint de base calent.

Notez ce qui ne figure pas sur cette liste : rien ici ne nécessite un noyau personnalisé, un entraîneur patché ou un fichier de modélisation. Comme LFM2.5 réutilise l’architecture de LFM2, le point de contrôle de base s’intègre dans la pile standard, et le coût total de ce projet réside dans le corpus et l’ensemble d’évaluation que vous construisez pour celui-ci.

Qu'est-ce qui changerait la donne

Trois choses méritent d'être surveillées, toutes sont peu coûteuses pour Liquid à résoudre et aucune n'a été résolue aujourd'hui.

Le premier, ce sont les évaluations de base. Un seul score MMLU-Pro ou GPQA sur le checkpoint pré-entraîné en dirait plus à ceux qui font du fine-tuning que tous les benchmarks agentiques du billet de lancement réunis, et le fait que 34T tokens aient été utilisés rend cette absence plus curieuse, pas moins. Le deuxième est la carte elle-même — un dépôt de base dont le titre nomme un modèle différent, dont le démarrage rapide applique un template de chat à un modèle non-chat, et dont le frontmatter orthographie mal base_model est une correction de dix minutes qui empêcherait les gens de conclure que les poids sont cassés alors que ce sont les instructions qui le sont. Le troisième est le rapport technique LFM2.5. Le bloc de citation pointe vers arXiv 2511.23404, qui est le rapport technique LFM2 de novembre 2025 ; l'article de la génération 2.5 n'est pas encore sorti, donc le mélange de données de pré-entraînement derrière ces 34T tokens reste non divulgué.

D'ici là, le résumé honnête est que c'est une fondation de 2.6B bien spécifiée, longuement entraînée, efficacement conçue, avec un public cible inhabituellement clair, publiée sans aucune mesure et avec une licence plafonnée en revenus, et jusqu'à présent presque personne ne l'a sortie de sa boîte. Si vous faites partie du public que la carte décrit, cela vaut la peine d'y consacrer du temps GPU — et vous serez parmi les toutes premières personnes au monde à savoir à quel point elle est réellement bonne.

Des questions qui méritent une réponse.

Est-ce le même checkpoint à partir duquel LFM2.5-2.6B a été post-entraîné, ou une exécution de pré-entraînement distincte ?

La fiche indique que LFM2.5-2.6B-Base « est le checkpoint pré-entraîné, texte uniquement, utilisé pour créer toutes les variantes LFM2.5-2.6B » ; il s'agit donc de l'entrée réelle du pipeline publié, et non d'une version parallèle ou réduite. C'est ce qui le rend utile pour la recherche en post-entraînement : votre méthode et les quatre étapes de Liquid partent de poids identiques, de sorte qu'une comparaison entre les deux est significative. Il convient de noter que le dépôt de base a été créé le 1er août et modifié pour la dernière fois le 4 août, jour du lancement — vérifiez l'historique des commits avant de supposer que le fichier téléchargé tôt est celui qui a été livré.

Puis-je le peaufiner et vendre le résultat ?

Si le chiffre d'affaires annuel de votre entité juridique est inférieur à 10 000 000 $, oui — la licence LFM1.0 couvre l'utilisation commerciale des œuvres dérivées, à condition de conserver la licence et les mentions d'attribution intactes et de marquer les fichiers modifiés. À partir de ce seuil, l'utilisation commerciale du modèle ou de tout ce qui en est dérivé sort du cadre de la licence et nécessite un accord séparé avec Liquid. Le seuil s'applique au chiffre d'affaires de votre entité plutôt qu'au modèle ou aux revenus qu'il génère, de sorte que le même modèle affiné peut être autorisé pour une entreprise et non pour une autre, et qu'une entreprise qui franchit ce seuil ne conserve pas les droits accordés.

Pourquoi ne pas simplement affiner le LFM2.5-2.6B post-entraîné plutôt ?

Pour la plupart des projets, vous devriez partir du checkpoint de base, et la fiche de Liquid le dit effectivement. La raison de partir du checkpoint de base est lorsque le post-entraînement joue contre vous plutôt qu'en votre faveur : un pré-entraînement continu intensif sur une nouvelle langue ou un corpus spécialisé a tendance à endommager de toute façon le comportement ajusté par instruction, et les schémas de refus, les conventions d'appel d'outils et le style de réponse intégrés par la SFT et le RL sont difficiles à supprimer et faciles à faire entrer en conflit. Si vous ajoutez des connaissances ou une langue, partez de la base. Si vous ajustez le comportement à la marge, partez du modèle post-entraîné et conservez les quatre étapes de travail que quelqu'un a déjà payées.