Liquid AI sort LFM2.5-24B-A2B : un modèle agentique local
Liquid AI lance LFM2.5-24B-A2B sur Hugging Face, un modèle MoE activant 2B de paramètres pour faire tourner des agents IA locaux et privés.
👁 119 lectures
Liquid AI a mis en ligne le 5 août 2025 sur la plateforme Hugging Face le modèle LFM2.5-24B-A2B, une architecture conçue pour déployer des agents IA rapides et confidentiels directement sur les appareils des utilisateurs. Il s’agit de l’un des rares modèles de cette catégorie qui combine un nombre nominal élevé de paramètres avec un coût d’activation particulièrement faible.
24 milliards sur le papier, 2 milliards en pratique
Les chiffres indiqués dans le nom ne doivent rien au hasard. LFM2.5-24B-A2B intègre un total de 24 milliards de paramètres, mais son mécanisme Mixture of Experts (MoE) permet de n’activer que 2 milliards d’entre eux à chaque exécution. Cette méthode rappelle celle déjà observée sur des modèles comme Mixtral de Mistral ou Google Gemini, mais Liquid AI l’exploite ici dans un cadre jusqu’alors rarement prioritaire : l’exécution d’agents en local, sans dépendre d’une infrastructure cloud.
Concrètement, qu’est-ce que cela change pour vous ? Le modèle peut tourner sur du matériel grand public ou des équipements edge computing, sans exiger l’accès à un centre de données dédié. Avec un espace actif de seulement 2B paramètres, les besoins en mémoire et en puissance de calcul se rapprochent de ceux de modèles compacts de 2 à 3 milliards de paramètres, tout en conservant une représentation des connaissances bien plus vaste, stockée dans l’ensemble des 24 milliards de paramètres et mobilisée selon le contexte de chaque requête.
Pour les développeurs qui conçoivent des applications agentiques, le saut qualitatif est direct. Un agent IA classique effectue souvent des dizaines, voire des centaines d’appels au modèle pour mener à bien une seule consigne utilisateur : il vérifie l’état, planifie les étapes, déclenche des outils externes et contrôle ses résultats. Dans une architecture cloud, chaque appel ajoute une latence de plusieurs centaines de millisecondes et transite par le réseau. Un modèle on-device resserre drastiquement cette boucle d’exécution et élimine tout transfert de données externe.
La confidentialité comme choix d’architecture
Liquid AI présente ouvertement LFM2.5-24B-A2B comme une réponse adaptée aux contextes où la protection des données n’est pas une option. Ce positionnement est stratégique : le marché du traitement on-device gagne en importance sous l’effet conjugué des exigences réglementaires (notamment le RGPD en Europe, complété par des règles sectorielles strictes dans la santé et la finance) et de la méfiance des organisations face au transfert de données sensibles vers des serveurs tiers.
En Europe, cet aspect technique est décisif. Les organisations qui intègrent des solutions d’IA dans leurs services juridiques, RH ou médicaux se heurtent souvent à un arbitrage complexe : se tourner vers de grands modèles cloud tout en assumant les contraintes de conformité au RGPD, ou se limiter à des modèles locaux moins performants. LFM2.5-24B-A2B cherche à occuper une voie médiane : une capacité suffisante pour rester pertinent, avec une empreinte assez contenue pour fonctionner en local.
Ce n’est pas la première tentative sur ce segment. Apple Intelligence applique une logique similaire en privilégiant le traitement embarqué avec recours ponctuel au cloud pour les requêtes complexes. Microsoft multiplie les expérimentations avec ses modèles Phi sur les ordinateurs portables Copilot+, tandis que Qualcomm et NVIDIA proposent des kits de développement dédiés aux modèles on-device. Liquid AI entre dans ce paysage avec une proposition optimisée, d’après sa documentation, non pas pour briller sur des benchmarks généralistes, mais pour exécuter des flux agentiques séquentiels à plusieurs étapes.
LFM : une rupture avec l’architecture Transformer
La particularité de la gamme LFM (Liquid Foundation Models) mérite d’être soulignée. Fondée par d’anciens chercheurs du MIT, Liquid AI développe ses modèles à partir de réseaux neuronaux liquides (Liquid Neural Networks). Cette approche s’inspire du fonctionnement de certains systèmes nerveux biologiques, dont la dynamique s’adapte continuellement aux données qu’ils traitent. C’est une divergence technique marquée par rapport aux architectures Transformer classiques sur lesquelles reposent GPT, Claude, Gemini ou Llama.
Les précédentes itérations de la famille LFM avaient montré une bonne gestion des contextes étendus et du traitement séquentiel de l’information, deux propriétés clés pour un agent IA chargé de suivre un plan complexe sur la durée. La fiche du modèle sur Hugging Face présente LFM2.5-24B-A2B comme la suite logique de cette lignée, enrichie d’une architecture MoE afin d’augmenter le volume de connaissances disponibles sans faire exploser le coût d’inférence.
Cette version 2.5 marque aussi une évolution par rapport à la génération LFM2. Liquid AI poursuit ses itérations avec régularité, bien que sa visibilité médiatique reste plus modeste que celle de structures comme OpenAI, Anthropic ou Mistral. L’intérêt constaté sur Hugging Face, avec plus de 2,91 milliers de mentions « j’aime » et 351 téléchargements dans les jours qui ont suivi la publication, montre que la communauté open source observe attentivement cette voie alternative.
Google · Vos sourcesPromptif plus haut dans Google - en un clicAjouter aux sources préférées →Ce que cela implique pour la création d’applications IA
L’arrivée de LFM2.5-24B-A2B reflète une tendance plus globale qui s’affirme depuis 2024 et 2025 : la décentralisation progressive de l’inférence. Si les années précédentes étaient dominées par une course aux gigamodèles hébergés dans le cloud, de nombreux acteurs prévoient désormais une organisation hybride des calculs. D’un côté, le cloud centralisé pour l’entraînement et les opérations particulièrement lourdes ; de l’autre, des modèles légers et spécialisés opérant localement pour gérer les routines agentiques du quotidien.
Pour les équipes techniques et les créateurs de logiciels, ce paradigme offre une alternative concrète. Plutôt que de bâtir l’ensemble de son architecture autour d’une API propriétaire soumise à une facturation continue par token, il devient envisageable d’utiliser un modèle local en première ligne. LFM2.5-24B-A2B étant accessible sur Hugging Face, ses poids peuvent être téléchargés et déployés sur votre propre infrastructure, sans risque de changement de conditions d’utilisation ni plafond d’appels imposé par un tiers.
Une question reste cependant ouverte : les performances réelles de LFM2.5-24B-A2B face aux modèles concurrents comme Mistral Small, Phi-3.5, Gemma ou Qwen sur les bancs d’essai standardisés dédiés aux agents. Liquid AI n’ayant pas encore diffusé un tableau comparatif complet, c’est l’épreuve des chiffres et des tests communautaires qui confirmera la tenue de ces promesses sur le terrain.
L’accueil qui sera réservé à ces évaluations déterminera si LFM2.5-24B-A2B peut s’imposer à large échelle ou s’il restera principalement un sujet d’étude pour les spécialistes des architectures alternatives.
More on this from PROMPTIF
guides·Charte d’utilisation de l’IA en entreprise : modèle et erreursModèle de charte d'utilisation de l'IA en 10 points : obligations de l'AI Act, erreurs fréquentes et déploiement pratique en entreprise.