# Liquid AI fait grimper LFM2.5-350M à 29,7 % en sortie structurée > Liquid AI améliore de 22,6 % à 29,7 % la conformité structurée de LFM2.5-350M grâce à 100 étapes GRPO et environ 500 exemples. Type : Actualité IA · Catégorie : Outils · Publié le 2026-09-17 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/liquid-ai-renforce-les-sorties-structurees-de-lfm25-350m Tags : fine-tuning, modèles ouverts, sorties structurées, grpo, évaluation, llama, inference --- ## En résumé - Liquid AI entraîne LFM2.5-350M avec GRPO pendant 100 étapes. - Le modèle adapté réussit 594 sorties sur 2 000 tests IFStruct. - La procédure utilise environ 500 exemples et entraîne 6 millions de paramètres. **Le signal :** Liquid AI fait progresser LFM2.5-350M de 22,6 % à 29,7 % sur les 2 000 exemples du benchmark IFStruct. **Liquid AI améliore** la conformité aux [sorties structurées](/signal-ia/actu/liquid-ai-fait-grimper-lfm25-350m-a-297-pourcent-sur-ifstruct) de LFM2.5-350M avec une procédure GRPO de 100 étapes. Le modèle atteint 29,7 % sur IFStruct, contre 22,6 % avant l’adaptation. L’évaluation porte sur 2 000 exemples et le modèle adapté en valide 594. Le guide publié le 3 septembre 2026 présente une procédure entièrement publique, conçue pour fonctionner sur une carte graphique gratuite de Colab ou Kaggle. L’entraînement utilise environ 500 exemples. Le résultat concerne la capacité à produire une sortie valide, analysable et conforme au schéma demandé. Cette conformité conditionne l’intégration du modèle dans un système en aval. [Consulter le guide de Hugging Face](https://huggingface.co/blog/grpo-with-trl-ifstruct). **Le modèle initial** obtient 452 réussites sur les 2 000 tests IFStruct, avec une latence moyenne de 1 453 millisecondes. Son taux atteint 18,0 % en JSON et 27,2 % en YAML. Les listes sans enveloppe réussissent dans 16,6 % des cas, contre 28,5 % pour les structures avec clé d’enveloppe. Les erreurs recensées comprennent 7 228 champs obligatoires absents, 738 mauvais nombres d’éléments et 540 incompatibilités de type. Le résultat local de 22,6 % est proche des 21,1 % rapportés dans le billet IFStruct pour LFM2.5-350M. La comparaison utilise [llama](/signal-ia/actu/aws-devoile-trois-voies-pour-personnaliser-lia-generative).cpp, un modèle BF16 GGUF et le jeu public LiquidAI/ifstruct-v1.0. ## Liquid AI entraîne 6 millions de paramètres **La recette d’entraînement** charge LiquidAI/LFM2.5-350M et lui associe un adaptateur LoRA. Les modules ciblés comprennent notamment q_proj, k_proj, v_proj, out_proj, in_proj, w1, w2 et w3. L’adaptation entraîne environ 6 millions de paramètres, soit 1,66 % du modèle. Les données proviennent de nvidia/Nemotron-RL-instruction_following-structured_outputs. Chaque exemple associe une consigne, un schéma JSON et un nombre attendu de champs. Quarante pour cent des consignes ajoutent une instruction de bloc de code. Vingt pour cent deviennent des tâches avec tableau au niveau supérieur. Ces transformations ciblent les exigences de format et de nombre d’éléments présentes dans IFStruct. [Voir le carnet d’entraînement sur GitHub](https://github.com/Liquid4All/cookbook/blob/main/finetuning/notebooks/grpo_with_trl_ifstruct.ipynb). **Les récompenses combinées** évaluent trois dimensions sur une échelle de zéro à un. La première vérifie que la sortie est analysable et respecte le format demandé. La deuxième compare le nombre de champs de premier niveau avec le nombre attendu. La troisième valide la sortie contre le schéma JSON de chaque ligne. Les poids appliqués sont respectivement de 1,0, 0,5 et 2,0. La configuration prévoit 100 étapes, huit générations par groupe, un taux d’apprentissage de 5 × 10⁻⁵ et dix étapes de préchauffage. Elle utilise une carte graphique de 16 Go, quatre groupes par lot et huit accumulations de gradient. La longueur maximale d’une complétion atteint 1 024 jetons. ## Le score IFStruct monte de 7,1 points **La seconde [évaluation](/signal-ia/actu/apple-devoile-agent-seer-le-testeur-doutils-mcp)** valide 594 sorties sur 2 000, soit 29,7 %, avec une latence moyenne de 1 518 millisecondes. Le JSON atteint 31,9 %, contre 18,0 % pour le modèle initial. La progression globale est de 7,1 points, tandis que la progression JSON atteint 13,9 points. Les listes sans enveloppe passent de 16,6 % à 29,7 %. Les structures avec clé d’enveloppe atteignent 29,7 %, contre 28,5 % initialement. Le modèle adapté réduit certaines erreurs, dont les blocs de code non fermés, mais les champs obligatoires absents restent nombreux, avec 7 331 occurrences dans le relevé final. [Lire la présentation d’IFStruct](https://www.liquid.ai/blog/ifstruct-v1.0). **Le déploiement local** convertit le point de contrôle fusionné en fichier GGUF BF16 avant son exécution avec llama.cpp. Le serveur expose une interface compatible OpenAI sur le port 8081. L’évaluation utilise quatre requêtes parallèles, un contexte de 32 768 jetons et un maximum de 2 048 jetons générés. Le guide indique que cette étape peut fonctionner sur un MacBook Pro équipé d’une puce Apple M5 Max et de 36 Go de mémoire unifiée. La procédure sépare donc l’entraînement sur processeur graphique et l’évaluation locale. Elle fournit également le code de conversion, les commandes de serveur et les fichiers nécessaires à la reproduction.