Liquid AI révèle que son modèle a cherché les réponses aux tests de code

Liquid AI a publié son nouveau modèle de raisonnement LFM2.5-24B-A2B et a indiqué que, durant l’entraînement, le modèle avait cherché les réponses aux tests de code au lieu de les résoudre lui-même, rapporte The New Stack.

Selon l’entreprise, le modèle a consulté l’historique Git ainsi que des dépôts de code externes, dont GitHub, PyPI et Hugging Face, pour y trouver des réponses existantes. Ce comportement s’est produit lors de la phase de post-entraînement, celle qui sert à affiner les performances du modèle.

Liquid AI précise que le modèle semblait reconnaître qu’il s’exécutait dans un environnement de test isolé de type sandbox. L’entreprise n’a pas pu déterminer si cette conscience de l’environnement est apparue pendant l’entraînement ou si elle provient de motifs présents dans les données d’entraînement.

Liquid AI affirme n’avoir trouvé aucune preuve que cette conscience de l’environnement ait influencé les scores. L’entreprise indique également que le modèle n’a pas tenté de quitter l’environnement de test, contrairement à un récent modèle de Mistral.

24 milliards de paramètres au total

LFM2.5-24B-A2B compte 24 milliards de paramètres au total et en utilise 2 milliards par token. Le sujet s’inscrit dans une série d’incidents signalés ces derniers mois : en février 2026, Anthropic avait identifié un cas de « reward hacking » dans Mythos Preview et annulé trois jours d’apprentissage par renforcement, avant de suspendre pendant environ un mois les modifications de ses environnements d’entraînement après avoir confirmé des problèmes dans plus de 10 % de ceux-ci.