LFM2.5 vise les agents sur ordinateur. Un modèle local ne rend pas tous ses outils locaux

Liquid AI publie LFM2.5-24B-A2B le 13 octobre 2026. Ce modèle de langage vise les agents qui fonctionnent sur un ordinateur. Ses poids sont disponibles au téléchargement. L’annonce mérite surtout de distinguer trois choses qui se confondent facilement. Le nombre de paramètres actifs ne donne pas la mémoire nécessaire. Le calcul local ne ferme pas les accès au réseau. Une licence de téléchargement ne garantit pas un usage commercial sans conditions.

Les paramètres actifs ne sont pas toute la mémoire

La fiche technique originale indique 24 milliards de paramètres au total et 2,45 milliards actifs. Le nom A2B arrondit cette seconde valeur. Le modèle sélectionne quatre experts parmi 64 dans les blocs concernés pour chaque token traité. Il mobilise donc une partie de ses paramètres pendant le calcul.

Cette organisation réduit le travail effectué à chaque étape. Ça ne signifie pas que seuls les paramètres actifs doivent être stockés. Les autres poids restent nécessaires au fonctionnement du modèle. Le format choisi et la quantité de texte gardée en contexte influencent aussi les ressources utilisées. Aucun chiffre de mémoire universel ne se déduit du nom A2B.

Liquid propose notamment des versions GGUF et MLX pour le déploiement local. Le modèle traite du texte et prend en charge le français. Sa fenêtre de contexte atteint 131 072 tokens. Cette capacité maximale ne garantit ni une compréhension parfaite de chaque passage ni la possibilité de l’utiliser intégralement sur tout ordinateur.

Un agent associe le modèle à un logiciel et à des outils

Le guide de déploiement de Liquid AI sépare le serveur local du logiciel qui pilote l’agent. Le premier exécute le modèle. Le second organise les échanges et les actions. Hermes Agent et OpenClaw figurent parmi les exemples documentés.

Le serveur expose une interface compatible avec celle d’OpenAI. Cette compatibilité décrit un protocole d’échange. Elle n’impose pas d’envoyer les requêtes au service d’OpenAI.

Les sorties réseau dépendent des outils

Le modèle propose un appel à une fonction. Le logiciel exécute cet appel puis lui transmet le résultat. La documentation prévoit notamment la recherche sur le Web. Un agent peut donc interroger un service externe même si son modèle tourne sur l’ordinateur.

Il faut ainsi examiner le chemin suivi par chaque donnée avant de conclure que tout reste local. Une recherche publique ne pose pas les mêmes questions qu’un outil qui transmet le contenu d’un document. Le choix d’un modèle local déplace une partie du traitement. Il ne décrit pas à lui seul les accès et les destinations de toute l’application.

Les performances annoncées restent des tests d’éditeur

Le billet de lancement présente des comparaisons sur les tâches d’agents et les appels d’outils. Les résultats varient selon les tests. D’autres modèles conservent un avantage sur certaines tâches de connaissances ou de programmation.

Liquid publie aussi des mesures de vitesse sur ordinateur et sur serveur graphique. Les protocoles ne sont pas interchangeables. Le débit cumulé de nombreuses requêtes simultanées ne correspond pas à la vitesse d’une seule conversation sur un portable. Ces chiffres proviennent de l’éditeur. Ils ne constituent pas une mesure indépendante de chaque usage.

Les poids sont accessibles sous une licence particulière

Le texte de la LFM Open License contient une limite commerciale liée à un seuil de 10 millions de dollars de chiffre d’affaires annuel. Sa définition de l’entité juridique inclut les structures sous contrôle commun.

La FAQ officielle explique qu’au-delà de ce seuil une licence commerciale distincte devient nécessaire pour continuer cet usage. Il ne faut donc pas présenter cette autorisation comme une licence Apache 2.0 standard. La redistribution impose aussi de conserver les mentions prévues. Modifier le modèle n’oblige pas pour autant à publier ses adaptations.

Ce que cette annonce permet de comprendre

L’intérêt de LFM2.5 dépasse sa place dans un classement. Il donne un exemple concret des différentes couches d’un agent. Le modèle produit des réponses et propose des actions. Le logiciel décide comment les exécuter. Le matériel et la licence fixent encore d’autres conditions. Apprendre à distinguer ces couches aide à lire une promesse d’IA locale sans lui attribuer des garanties qu’elle ne donne pas.

L’article sur Gemma et la détection locale des arnaques examine un autre usage du calcul sur l’appareil.

Pour travailler ces distinctions lors d’une formation, vous pouvez échanger avec David.