LFM3-VL-2B : un modèle de vision de 1,92 milliard de paramètres dont le score phare dépend d’un seul réglage

LiquidAI/LFM3-VL-2Best resté public pendant huit jours avant que Liquid AI n'en souffle mot. Le dépôt Hugging Face a été créé le 19 octobre 2026, et une version GGUF est apparue le même soir ; l'annonce de l'éditeur — un billet de blog, une collection de modèles, une fiche accompagnée d'un tableau de benchmarks complet — n'est arrivée que le 27 octobre. Le modèle qu'il remplace, LFM2.5-VL-3B, constitue la référence évidente : il compte 3,1 B de paramètres contre 1,92 B pour le nouveau modèle, et sur la suite de 62 benchmarks propre à Liquid, le nouveau obtient une moyenne de 71,4 contre 57,6 pour l'ancien. La même fiche consigne aussi un second chiffre qui retient bien moins l'attention : lorsque le raisonnement est désactivé, LFM3-VL-2B atteint une moyenne de 62,1. Ce simple indicateur de configuration vaut 9,3 points, et c'est la différence entre une victoire générationnelle décisive et une victoire modeste.

Cet article présente ce qui figure réellement au dossier en date du 28 octobre — la chronologie du dépôt, les spécifications, le tableau des benchmarks et ses réserves — et indique clairement où s'arrêtent les preuves.

Qu'est-ce qui est apparu, et quand ?

La chronologie compte parce qu’elle explique pourquoi le modèle est arrivé sans couverture. Liquid AI n’a publié ni teaser, ni liste d’attente, ni article de recherche. La société a mis en ligne les poids et une fiche modèle, et cette fiche est restée là. Des trackers tiers ont remarqué le dépôt, et le premier texte public consacré à LFM3-VL-2B relevait de la spéculation, fondée sur une pull request non fusionnée d’un framework d’inférence plutôt que sur quoi que ce soit provenant du fournisseur.

• Dépôt créé — 19 octobre 2026, 19:51 UTC, selon l'API Hugging Face.

• Dépôt GGUF créé — 19 octobre 2026, 20:29 UTC, trente-huit minutes plus tard.

• Carte modifiée pour la dernière fois — 27 octobre 2026, 16:24 UTC, le jour de l'annonce.

• Annonce du fournisseur — 27 octobre 2026 : un article de blog de la famille, un article de blog Hugging Face et une collection de modèles.

Ainsi, la description exacte n’est pas « livré discrètement et toujours non annoncé ». C’est « livré discrètement, puis annoncé huit jours plus tard ». Quiconque a rédigé un article sur le dépôt pendant cette fenêtre décrivait un checkpoint réel et téléchargeable, mais pas un produit doté d’une position affirmée dans la gamme de Liquid. Cette position existe désormais : LFM3-VL-2B est le membre dédié à la vision d’une famille de six modèles bâtie sur une base partagée de 1,7 milliard de paramètres, et le positionnement du fournisseur est la compréhension visuelle embarquée — documents, graphiques, écrans d’applications, localisation d’objets et raisonnement spatial pour robots.

Le modèle, selon les chiffres de la carte elle-même

La fiche de Liquid est inhabituellement précise sur l'endroit où sont allés les paramètres, ce qui mérite d'être relevé, car « 2B » dans le nom d'un modèle cache généralement plus de choses qu'il n'en révèle.

• Paramètres totaux — 1,92 Md : un modèle de langage de 1,73 Md, un encodeur visuel de 164 M et un projecteur de 25 M.

• Encodeur — développé en interne, convolution et attention, remplaçant la tour SigLIP2 utilisée dans les modèles de vision LFM2.5.

• Modalités — texte, images et vidéo en entrée ; texte en sortie. C'est le premier modèle de vision LFM à accepter la vidéo, échantillonnée à 2 images par seconde.

• Tokenisation visuelle — chaque bloc 2×2 de patches devient un token de langage, à la résolution native.

• Contexte — 128K jetons, entrée et sortie, avec une position maximale de 128 000.

• Licence — la LFM Open License v1.0, les mêmes conditions ouvertes mais non permissives que le reste de la famille.

• Pré-entraînement — le tronc LFM3-1.7B-Base, 22T de tokens au total, avec une extension de contexte de 128K et une extension de 256K utilisée pendant l'entraînement intermédiaire.

• Non recommandé pour — la programmation, les conversations à plusieurs tours ou le raisonnement complexe, selon les indications de la fiche elle-même.

Cette dernière ligne est celle qu’il faut lire deux fois. Un modèle explicitement déconseillé pour la conversation à plusieurs tours est aussi un modèle dont la fenêtre de contexte de 128K sera difficile à utiliser comme on utilise habituellement un contexte long. La fenêtre est bien réelle et représente près de quatre fois les 32 768 tokens de LFM2.5-VL-3B. C’est aussi, sur un modèle de 1,92 B, un cache KV qui croît plus vite que les poids auxquels il est attaché.

Soixante-deux benchmarks, un laboratoire et un tableau qui nomme ses rivaux

La section des benchmarks est la partie la plus utile de cette version, et pas seulement parce que les chiffres sont élevés. Liquid a publié un tableau de 62 benchmarks qui inclut son propre modèle dans deux configurations aux côtés de neuf concurrents : LFM2.5-VL-3B, MiniCPM-V 4.7 1B, Qwen3.5 2B, Qwen3.5 4B, InternVL3.5 4B, Gemma 4 E2B, Gemma 4 12B, GPT-5.6 Luna et Gemini 3.5 Flash Lite. Chaque score est normalisé sur une échelle de 0 à 100, chaque catégorie est une moyenne non pondérée de ses benchmarks, et la moyenne générale est une moyenne non pondérée sur l’ensemble des 62.

C’est un artefact plus falsifiable qu’un graphique de communiqué de presse. Il nomme les instruments, il nomme les concurrents, et la fiche précise en note de bas de page quels modèles ont été exécutés avec le raisonnement activé et lesquels ne l’ont pas été. Cela reste un travail de fournisseur : Liquid a choisi les 62 benchmarks, a exécuté chaque modèle et a publié le tableau. Personne à l’extérieur de l’entreprise n’en a reproduit le moindre élément.

• Moyenne — 71,4 pour LFM3-VL-2B, contre 57,6 pour LFM2.5-VL-3B et 57,5 pour MiniCPM-V 4.7 1B.

• Document, OCR et graphique — 83,9, la catégorie sur laquelle l’argumentaire sur l’appareil s’appuie le plus.

• Compréhension des interfaces graphiques — 83,1, contre 66,0 pour LFM2.5-VL-3B.

• Ancrage visuel — 77,3, contre 68,3.

• Vidéo — 61,2, contre 41,3, sur le premier modèle de vision LFM qui prend en charge la vidéo.

• Agentic — 42,5, contre 21,1. La catégorie la plus faible pour chaque petit modèle du tableau.

• Mathématiques et raisonnement logique — 68,8, contre 40,6. Retenez ce chiffre ; c’est celui qui est intéressant.

La fiche formule trois affirmations comparatives en prose : que LFM3-VL-2B obtient au moins 8 points d'avance sur tous les modèles de taille similaire sur les 62 benchmarks, qu'il fait jeu égal avec Gemma 4 12B, et qu'il se situe à moins de 2 points de GPT-5.6 Luna tout en battant Gemini 3.5 Flash Lite. Comparées au tableau, ces affirmations tiennent : Gemma 4 12B obtient une moyenne de 71,7, GPT-5.6 Luna de 73,4, Gemini 3.5 Flash Lite de 70,0. Un modèle de 1,92B dont la moyenne se situe à 0,3 près de celle d'un modèle de 12B constitue l'affirmation principale, et il s'agit d'une affirmation émanant du fournisseur portant sur des chiffres produits par le fournisseur.

L'interrupteur de réflexion fait la majeure partie du travail.

LFM3-VL-2B rapporte deux scores pour les mêmes poids. En mode raisonnement, il obtient une moyenne de 71,4. Avec la réflexion désactivée, il obtient une moyenne de 62,1. L’écart n’est pas réparti uniformément entre les catégories — il se concentre là où l’on s’attendrait à ce que le raisonnement aide et il est presque absent là où ce ne serait pas le cas.

• Mathématiques et raisonnement logique — 68,8 avec réflexion, 41,0 sans. Un écart de 27,8 points, de loin le plus important.

• Document, OCR et graphique — 83,9 contre 71,6. Un écart de 12,3 points sur des tâches qui semblent perceptuelles mais ne le sont souvent pas.

• Compréhension de l’interface graphique — 83,1 contre 81,5. Bouge à peine, ce qui suggère que la compétence de lecture d’écran réside dans l’encodeur et le post-entraînement, pas dans la boucle de raisonnement.

• Perception — 75,6 contre 68,9.

• Moyenne — 71,4 contre 62,1.

La conséquence est que la comparaison mise en avant flatte le nouveau modèle d’une manière bien précise. LFM2.5-VL-3B ne prend pas en charge le mode raisonnement, donc Liquid compare un modèle de réflexion à un modèle sans réflexion. La comparaison équitable donne 62,1 contre 57,6 — une victoire, certes, mais de 4,5 points plutôt que de 13,8 points. Et dans cette configuration, il ne devance plus tous les modèles proches : Qwen3.5 2B atteint en moyenne 64,0, même si ce chiffre provient lui aussi d’une exécution avec raisonnement activé.

Rien de tout cela ne rend l’annonce moins intéressante. Cela la rend lisible. Liquid a construit un petit modèle dont le déploiement par défaut est rapide et sans raisonnement, et dont le plafond est bien plus élevé lorsqu’on le laisse réfléchir. Le chiffre qui s’applique à vous dépend entièrement de si votre produit peut se permettre la latence d’une boucle de raisonnement sur un téléphone.

Ce que 1,92 Md $ vous permet d’obtenir sur un appareil

L’argument de l’efficacité est ce que Liquid vend réellement, et la fiche produit l’étaye par des mesures plutôt que par des adjectifs. Sur un seul NVIDIA B300 exécutant SGLang en BF16, le modèle produit plus de 12 000 tokens de sortie par seconde à 1 024 requêtes simultanées. Ce chiffre en dit plus sur le batching que sur le modèle, mais il établit que le chemin de serving existe dès le premier jour.

Sur l’appareil, la fiche publie le préremplissage, le décodage et la mémoire de crête pour chaque modèle comparé sous une charge de travail fixe : une image 512×512, 1 024 tokens de texte en entrée, 256 tokens en sortie, le tout dans llama.cpp avec un modèle de langage GGUF Q4_0 et un projecteur de vision F16. C’est une configuration reproductible, et la colonne mémoire est celle à lire avant de s’engager sur un téléphone.

L’outillage est bien réel mais inégal. La prise en charge de SGLang était disponible dès le lancement. La prise en charge de llama.cpp est en cours d’examen — pull request 31252 — et comporte une mise en garde explicite de Liquid : pas d’entrée vidéo pour l’instant. Les poids GGUF existent et précèdent l’annonce de huit jours. Si la vidéo est la raison pour laquelle vous voulez ce modèle, la voie locale n’est pas encore terminée, et la fiche le dit.

Ce qui n’est pas encore connaissable

La limite honnête de cet article : tout ce qui est quantitatif ci-dessus provient de Liquid AI. Il n’existe aucune évaluation indépendante de LFM3-VL-2B, aucune entrée dans un classement tiers, aucune reproduction de la suite de 62 benchmarks, et aucun prix publié par token pour le modèle sur l’API propre à Liquid au 28 octobre. La fiche indique une disponibilité via Hugging Face, le playground Liquid et l’API Liquid, et les poids sont ouverts, mais « poids ouverts » et « vérifié indépendamment » sont deux affirmations différentes.

Il existe aussi un écart entre le score agrégé et l’histoire de déploiement. Une moyenne sur 62 benchmarks est un bon outil pour classer des modèles et un mauvais pour prédire votre charge de travail. Les catégories où LFM3-VL-2B est le plus fort — compréhension des interfaces graphiques, ancrage visuel, lecture de documents et de graphiques — sont précisément celles où le choix des instances de benchmark par un fournisseur peut faire varier un score de plusieurs points. Les catégories où il est le plus faible, le travail agentique à 42,5, sont celles qui ont le plus de chances de compter pour le cas d’usage robotique que vante la fiche.

Où cela s’intègre si vous construisez quelque chose

LFM3-VL-2B ne figure pas dans lecatalogue d'OrcaRouter au moment de la rédaction — il s'agit d'un checkpoint que vous téléchargez et exécutez vous-même, et non d'un modèle que vous appelez via notre API. Cela oriente le schéma utile plutôt que de l'exclure. Les modèles auxquels cette version se compare en termes de coût — les modèles de vision hébergés qui traitent la longue traîne des documents et de la vidéo — sont ceux que vous achemineriez, et placer le checkpoint local et le repli hébergé de part et d'autre d'une même décision de routage est l'architecture que les chiffres préconisent réellement. Exécuter un modèle de 1,92 milliard de paramètres sur l'appareil et faire remonter les images difficiles vers un modèle hébergé plus grand est le déploiement qui rend le chiffre de 62,1 acceptable, car les cas où il échoue sont précisément ceux qui quittent l'appareil.

Pour les modèles que nous routons, un point de terminaison signifie une seule clé, pas de second contrat, et un basculement automatique entre fournisseurs lorsque le principal est dégradé. C’est la moitié du système qui a besoin d’un routeur ; la moitié embarquée a besoin d’une bonne quantification et d’un budget de batterie.

Qu’est-ce qui changerait cette image ?

Trois choses, par ordre d’importance. Une reproduction indépendante du tableau des 62 benchmarks confirmerait la revendication la plus intéressante de l’annonce, ou la ferait bouger. Une build llama.cpp fusionnée avec prise en charge vidéo transformerait l’argument du traitement sur l’appareil d’un projet en produit. Et un prix d’API publié permettrait à quiconque de le comparer sur l’axe qui détermine la plupart des déploiements, qui est actuellement une case vide.

D’ici là, la lecture défendable est étroite et utile : Liquid a livré un modèle de vision de 1,92 Md de paramètres qui surpasse le modèle de 3,1 Md qu’il remplace sur la suite propre au fournisseur, remporte cette comparaison de manière décisive lorsque le raisonnement est activé et de justesse lorsqu’il ne l’est pas, et domine sa catégorie de taille sur les écrans et les documents. Le dépôt était public huit jours avant l’annonce, ce qui est un fait concernant le processus de lancement de Liquid et non le modèle — mais c’est la raison pour laquelle la première couverture de LFM3-VL-2B relevait de la spéculation plutôt que de l’analyse.