Liquid AI publie des modèles brouillons DSpark pour LFM2.5. Le décodage spéculatif accélère l’inférence jusqu’à 3,18x sur H100, tout en conservant exactement la sortie greedy du modèle cible.
Liquid AI publie des checkpoints GGUF Q4_0 pour LFM2.5 entraînés par distillation consciente de la quantification. Objectif : conserver la vitesse et la faible empreinte mémoire du 4 bits, avec une perte de précision largement réduite.
Liquid AI présente LFM2.5-VL-3B, un modèle vision-langage de 3,1 milliards de paramètres conçu pour comprendre documents, interfaces et images sur du matériel local. Ce que disent ses benchmarks, ses promesses de vitesse et les points à valider avant un déploiement.
Liquid AI présente LFM2.5-2.6B, un modèle de 2,6 milliards de paramètres orienté tool calling et workflows agentiques, conçu pour fonctionner sur CPU, GPU et appareils locaux.