Un modèle qui tient dans environ 1 Go change l’endroit où le travail peut se faire. Il peut vivre sur le téléphone dans votre poche, sur le portable que vous possédez déjà et sur un petit serveur qui ne parle jamais à une API infonuagique. Liquid AI a construit LFM3 1.7B exactement pour cet endroit. Ce tutoriel fait fonctionner le modèle de texte sur votre propre matériel, d’abord par Ollama pour la voie la plus courte, puis par llama.cpp pour le contrôle complet du fichier et du contexte.
Ce que vous allez construire ou apprendre
Vous terminerez avec LFM3 1.7B qui répond aux invites sur votre propre machine, sans compte et sans appel infonuagique dans la boucle. Vous saurez quelle taille de fichier vous avez choisie et pourquoi, quelle longueur de contexte vous avez vraiment chargée et comment servir le modèle localement pour que d’autres applications l’utilisent.
Le modèle lui même est un modèle de texte de 1,73 milliard de paramètres de Liquid AI, publié le 27 octobre 2026 dans une famille de six modèles. Liquid AI le liste pour les agents locaux, l’appel d’outils, les sorties structurées et le travail dans un domaine choisi après réglage fin. L’entreprise trace aussi une ligne claire dans sa propre documentation. Utilisez la recherche ou la récupération pour le travail qui demande de vastes connaissances, et ne choisissez pas ce modèle pour le codage agentique ni pour le raisonnement complexe qui demande beaucoup d’étapes. La petite taille est l’objet, et la petite taille est aussi la limite.
Avant de commencer
Lisez d’abord les deux pièges, parce que les deux se manquent facilement dans les chiffres des titres.
Le premier piège est la mémoire. Environ 1 Go est la taille des poids du modèle en précision 4 bits. Ce n’est pas la mémoire totale d’une session en marche. L’environnement a besoin de mémoire, et le contexte a besoin de mémoire, et cette deuxième facture grandit à mesure que vous chargez plus de jetons. Un contexte de 256K est un maximum que le modèle prend en charge, pas un réglage que vous devriez charger par défaut. Commencez petit, confirmez que le modèle fonctionne et relevez le contexte seulement pour le travail qui en a besoin.
Le fichier est petit. Le contexte, non. Illustration maison par Dirty Static.
Le deuxième piège est la licence. LFM3 est distribué sous la LFM Open License v1.0, que Liquid AI fonde sur Apache 2.0 avec un changement clé. L’usage commercial gratuit se termine quand une entreprise dépasse 10 millions de dollars américains de revenus annuels, et les plus grandes entreprises doivent contacter Liquid AI pour une licence commerciale. L’usage personnel et la recherche se trouvent bien à l’intérieur des conditions gratuites. Les plans de produit ont besoin d’une vérification de licence avant de partir.
Étape 1 : choisir un environnement et vérifier sa version
Action : choisissez une voie et confirmez que la version est assez récente. Les trois voies ci dessous viennent de Liquid AI et de ses cartes de modèle.
| Voie | Idéale pour | Version à vérifier |
|---|---|---|
| Ollama | La voie la plus courte vers une première réponse | Version 0.40.13 ou plus récente sous Linux et Windows, et 0.40.12 ou plus récente sous macOS |
| llama.cpp | Contrôle complet du fichier, du contexte et du serveur local | Version b11960, vendue comme version 0.8.0, ou plus récente |
| LM Studio | Une application de bureau plutôt qu’un terminal | LM Studio avec le moteur llama.cpp 2.65.1 ou plus récent |
ollama --version
llama-cli --version
Résultat attendu : au moins une commande affiche une version égale ou supérieure à la ligne dans le tableau. Si les deux affichent des chiffres plus vieux, mettez d’abord l’environnement à jour. Sur un Mac, les installations fréquentes sont brew install llama.cpp et l’application Ollama depuis son site officiel. Sous Windows, winget install llama.cpp est la voie fréquente pour llama.cpp. Sous Linux, compilez llama.cpp depuis son dépôt de projet ou utilisez une version actuelle, puis vérifiez la version de nouveau.
Étape 2 : le faire fonctionner avec Ollama, la voie courte
Action : téléchargez le modèle depuis la bibliothèque Ollama et démarrez le. Le nom dans la bibliothèque est lfm3, et l’étiquette de taille nomme le modèle de texte 1.7B au complet.
ollama pull lfm3
ollama run lfm3
Vous pouvez aussi nommer la taille dans la commande :
ollama run lfm3:1.7b
Résultat attendu : Ollama télécharge le modèle, puis ouvre une invite. Posez lui une question simple avec une réponse vérifiable, comme lui demander de trier une courte liste que vous lui donnez ou de transformer une phrase que vous collez en un objet JSON avec des champs nommés. Une réponse dans le terminal signifie que le modèle est chargé et fonctionne sur votre machine. Tapez /bye pour quitter la session.
Notez ce que cette voie cache. Ollama gère le fichier et les réglages par défaut pour vous, ce qui explique pourquoi elle démarre vite. Le prix est le contrôle. Quand vous avez besoin d’un fichier choisi, d’une taille de contexte choisie ou d’un serveur local avec des valeurs d’échantillonnage réglées, utilisez plutôt la voie llama.cpp dans les étapes suivantes. Vous pouvez faire fonctionner les deux voies sur une machine. Ce sont des installations séparées et elles ne partagent pas les fichiers de modèle.
Étape 3 : choisir le bon fichier GGUF pour llama.cpp
Action : choisissez une taille de fichier avant de télécharger quoi que ce soit. Liquid AI publie la version GGUF sous le nom LiquidAI/LFM3-1.7B-GGUF sur Hugging Face, et la documentation nomme Q4_K_M comme point d’équilibre entre taille et qualité dans l’ensemble GGUF.
| Fichier | Taille sur le disque | Choisissez le quand |
|---|---|---|
| QAD Q4_0 | 1.05 GB | Vous voulez le plus petit fichier et vous voulez la version que Liquid AI a entraînée pour récupérer la qualité perdue au travail 4 bits |
| Q4_K_M | 1.1 GB | Vous voulez l’équilibre standard entre taille et qualité pour l’usage local quotidien |
| Q8_0 | 1.85 GB | Vous avez de la mémoire à revendre et vous voulez une précision plus élevée |
| BF16 | 3.47 GB | Vous voulez le fichier en pleine précision pour le réglage fin ou pour le service sur GPU |
Résultat attendu : vous connaissez l’étiquette que vous chargerez à l’étape 4. Si vous êtes incertain, choisissez Q4_K_M. C’est le fichier que le reste de ce tutoriel utilise, et vous pouvez échanger l’étiquette plus tard sans changer aucune autre étape.
Étape 4 : le faire fonctionner avec llama.cpp
Action : démarrez le modèle dans le terminal avec les valeurs d’échantillonnage que Liquid AI liste sur la carte du modèle. Le drapeau -hf télécharge le fichier depuis Hugging Face au premier lancement.
llama-cli -hf LiquidAI/LFM3-1.7B-GGUF:Q4_K_M --temp 0.1 --top-k 50 --repeat-penalty 1.1
Pour le fichier QAD de l’étape 3, nommez le fichier au complet au lieu d’utiliser une étiquette :
llama-cli -hf LiquidAI/LFM3-1.7B-GGUF --hf-file LFM3-1.7B-QAD-Q4_0.gguf --temp 0.1 --top-k 50 --repeat-penalty 1.1
Résultat attendu : llama.cpp télécharge le fichier, le charge et ouvre son invite de clavardage. Les lignes de chargement montrent la taille du modèle et le contexte qu’il a réservé. Posez la même question vérifiable qu’à l’étape 2. Pour le travail en maths et en sciences, Liquid AI liste un deuxième ensemble de valeurs. Échangez avec --temp 1.0 --top-p 0.95 --top-k 20 et laissez tomber la pénalité de répétition pour ce travail, selon la carte du modèle.
Le raisonnement est activé par défaut dans ce modèle, selon la documentation de Liquid AI. Cela signifie que les réponses peuvent inclure de la réflexion avant la réponse finale. Cela aide sur les tâches avec des étapes. Cela coûte aussi des jetons, alors jugez le modèle sur la réponse finale, pas sur la vitesse du premier mot.
Étape 5 : régler le contexte exprès et le servir localement
Action : démarrez le serveur local avec une taille de contexte que vous avez choisie. Le drapeau -c règle le contexte en jetons. Commencez à 8192, ce qui couvre la plupart du clavardage et du travail d’agent tout en gardant la mémoire sous contrôle.
llama-server -hf LiquidAI/LFM3-1.7B-GGUF:Q4_K_M --host 127.0.0.1 --port 8080 -c 8192 --temp 0.1 --top-k 50 --repeat-penalty 1.1
Servez le d’abord sur l’adresse locale. Illustration maison par Dirty Static.
Résultat attendu : le serveur démarre sur votre propre machine au port 8080 et affiche qu’il écoute. La valeur d’hôte dans la commande le garde sur l’adresse locale seulement. C’est le bon réglage par défaut. Un serveur de modèle local n’a aucune connexion propre, alors ne changez pas l’hôte pour une adresse publique à moins d’ajouter une protection devant d’abord.
Relevez le contexte seulement quand le travail en a besoin. Une tâche de document qui charge un long fichier peut mériter -c 32768 ou plus. Surveillez la mémoire à mesure que vous le relevez, parce que le magasin de contexte grandit avec le réglage même avant que vous colliez une longue invite. Le chiffre de 256K est le plafond que le modèle prend en charge. Ce n’est pas une cible pour une session sur portable.
Vérification
Prouvez que l’installation fonctionne de trois façons, dans cet ordre.
Premièrement, vérifiez la santé du serveur depuis un deuxième terminal pendant que le serveur de l’étape 5 fonctionne :
curl http://127.0.0.1:8080/health
Une réponse saine signifie que le serveur a chargé le modèle et qu’il est prêt. Ensuite, envoyez lui une demande par son adresse de clavardage et lisez la réponse au complet. Choisissez une invite avec une bonne réponse que vous pouvez vérifier à l’œil, comme une somme, un tri ou une courte extraction d’un paragraphe que vous collez. Enfin, coupez le réseau. Activez le mode avion ou débranchez le câble, puis répétez l’invite dans Ollama ou dans llama.cpp. Le modèle devrait répondre au complet sans aucun réseau. Ce dernier test est tout l’objet de l’installation, alors ne le sautez pas.
Si vous avez utilisé seulement la voie Ollama, lancez ollama list et confirmez que lfm3 se trouve sur le disque, puis répétez le test hors ligne dans ollama run lfm3. Si vous avez utilisé seulement llama.cpp, la vérification de santé et le test hors ligne ensemble prouvent l’installation.
Dépannage
| Problème | Cause probable | Correctif |
|---|---|---|
| Unknown model architecture lfm3 | L’environnement précède la prise en charge de LFM3 | Mettez à jour vers llama.cpp b11960 ou plus récent, ou vers Ollama 0.40.13 ou plus récent sous Linux et Windows, puis lancez la même commande de nouveau |
| Le téléchargement fonctionne mais le chargement échoue tout de suite | Le fichier et l’environnement ne correspondent pas, ou le gabarit de clavardage est périmé | Chargez un fichier GGUF avec le gabarit de clavardage actuel, selon la documentation de Liquid AI, ou passez un fichier de gabarit actuel avec le drapeau de gabarit que la documentation nomme |
| La machine manque de mémoire au chargement | Le réglage de contexte est trop grand pour la machine | Redémarrez le serveur avec un contexte plus petit, en commençant à -c 8192, et relevez le seulement selon les besoins du travail |
| Les réponses dérivent ou se répètent sur les tâches d’agent | Les valeurs d’échantillonnage ne correspondent pas à la carte, ou la tâche demande beaucoup d’étapes de raisonnement | Réglez la température à 0.1, le top k à 50 et la pénalité de répétition à 1.1 pour le travail général, et choisissez un modèle plus grand pour le travail complexe en beaucoup d’étapes |
| Le modèle invente des faits sur le monde | La tâche demande de vastes connaissances, et la carte du modèle met en garde contre cet usage seul | Ajoutez la recherche ou la récupération pour les faits, et utilisez le modèle pour les appels d’outils, la structure et le travail local |
| Ollama sous Linux ou Windows dit que le modèle exige une version plus récente | L’installation précède la version de prise en charge de LFM3 pour ce système | Mettez Ollama à jour vers 0.40.13 ou plus récent, vérifiez la version et téléchargez le modèle de nouveau |
Prochaines étapes
Mettez le serveur local au travail. Liquid AI liste Hermes Agent, Pi et OpenClaw comme les harnais pour lesquels ce modèle a été réglé, alors une installation d’agent local est la prochaine construction naturelle, et notre guide d’installation de Hermes Agent couvre cette installation au complet. Gardez le serveur sur l’adresse locale pendant que vous apprenez, et donnez à l’agent un dossier de test avant de lui donner de vrais fichiers.
Pour le travail de document, jumelez le modèle avec la récupération au lieu de charger des archives entières dans le contexte. Le long contexte aide avec un long document. La récupération aide avec beaucoup de documents, et elle garde la mémoire basse. Si le travail dépasse ce modèle, les mêmes deux voies de ce tutoriel portent les plus grandes versions LFM et d’autres modèles GGUF sans changement de forme. Seules l’étiquette du fichier et la facture de mémoire changent.
Commandes, tailles de fichiers et lignes de version vérifiés par rapport à la documentation LFM3 1.7B de Liquid AI, aux notes de la bibliothèque de modèles Liquid AI et à la carte du modèle GGUF LFM3 1.7B, novembre 2026. Cette procédure a été vérifiée par rapport à ces documents. Exécutez la sur votre propre machine et utilisez les étapes de vérification ci dessus pour confirmer votre installation.
Sources
- Model documentation: Liquid AI LFM3 1.7B docs
- Model library and format notes: Liquid AI Liquid Foundation Models
- GGUF files and runtime version lines: LiquidAI LFM3 1.7B GGUF on Hugging Face
- Licence terms: Liquid AI LFM License
- Launch post: Liquid AI, Introducing LFM3, October 27, 2026
- House illustrations: Dirty Static
FIN DE LA TRANSMISSION
Restez curieux. Remettez tout en question.
