# LFM2.5-Encoders : percée CPU, vitesse multipliée par 3,7

> LFM2.5-Encoders, plus rapides de 3,7 fois que ModernBERT pour des séquences longues, sont optimisés pour une utilisation sur CPU.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-07-29 · Signal IA - Order & Chaos
Source : https://www.orderchaos.eu/signal-ia/actu/lfm25-encoders-percee-cpu-vitesse-multipliee-par-37
Tags : liquidai, lfm2.5-encoders, hugging face, nlp, cpu, open-source, inference

---

## En résumé

- Les modèles LFM2.5-Encoder-230M et 350M sont plus rapides que les modèles plus grands pour des tâches comme le routage d'intention ou la classification.
- L'architecture LFM2 permet un traitement rapide de contextes longs, réduisant le temps de traitement à environ 28 secondes pour 8,192 tokens.
- Les encoders sont disponibles sur Hugging Face, adaptés pour des tâches nécessitant performance et économie, sans besoin de GPU.

**Le signal :** Les LFM2.5-Encoders sont environ 3,7 fois plus rapides que ModernBERT-base pour des contextes de 8,192 tokens.

**LFM2.5-Encoders** viennent d'être lancés sur [Hugging Face](/signal-ia/actu/openai-les-ia-rebelles-frappent-hugging-face), offrant des solutions d'inférence rapides pour les contextes longs, même sur CPU. Les modèles LFM2.5-Encoder-230M et 350M égalent ou surpassent les modèles plus volumineux en qualité, tout en étant optimisés pour un fonctionnement à grande vitesse. Ils permettent ainsi de gérer des charges de travail de grande ampleur sur du matériel existant, sans exigence pour un traitement puissant en GPU. [Lire l'article ici](https://huggingface.co/blog/LiquidAI/lfm2-5-encoders).

**Efficacité accrue** est au cœur des LFM2.5-Encoders, qui offrent la possibilité de traiter des tâches de classification et de routage à long terme avec une latence qui s'accroît lentement à mesure que la longueur des entrées augmente. Les encoders, adaptés aux travaux quotidiens exécutés sur CPU, se démarquent par une vitesse supérieure, environ 3,7 fois plus rapide que [ModernBERT-base](/signal-ia/actu/nvidia-et-hugging-face-lia-optimisee-sans-conversion) pour des séquences atteignant 8,192 tokens. Cela permettrait de classer un document en moins de 30 secondes sur un CPU de portable.

**Performances en benchmarks** démontrent que l'Encoder-350M se classe au quatrième rang parmi quatorze modèles sur 17 tâches, selon les benchmarks GLUE, SuperGLUE et multilingues. Par rapport à ces marques, l'Encoder-230M surpasse même ModernBERT-base et les modèles EuroBERT. Ces résultats indiquent que LFM2.5-Encoders restent non seulement compétitifs, mais également une option plus rapide et abordable pour l'inférence sur CPU.

**Utilisation et optimisation** sont cruciales lors de l'exécution de tâches à forte intensité de données. Les encoders peuvent être fine-tunés pour une large gamme de tâches de traitement du langage naturel, permettant ainsi de conserver les performances sur du matériel peu puissant ou déjà existant. Leur architecture a été pensée pour diminuer les coûts tout en augmentant l'accessibilité à des déploiements rapides.

**En France**, ce développement présente des avantages tangibles pour les PME et dirigeants qui doivent traiter de grands volumes de données à moindre coût. Ces modèles sont une solution potentielle pour les entreprises souhaitant automatiser des analyses de documents sans investissements massifs dans des infrastructures matérielles avancées.

**Comparaisons avec d'autres modèles** montrent que, pour un traitement sur GPU, LFM2.5-Encoders rivalisent efficacement avec ModernBERT, bien que la marge soit subtile. Pour des contextes dépassant les 2 000 tokens, les encoders surpassent ModernBERT, ce qui atteste de leur supériorité dans le traitement de données étendues sur CPU et GPU.

**Perspectives futures** indiquent que ces encoders, disponibles en [open source](/signal-ia/actu/nouscoder-14b-leve-65-mdollar-a-67pourcent-dexactitude), seront des outils polyvalents pour les développeurs envisageant l'adaptation à des tâches spécifiques de leur domaine, tout en explorant de nouvelles possibilités d'automatisation dans le traitement des données linguistiques.