Liquid AI, fundada por ex científicos informáticos del MIT, lanzó hoy su modelo de lenguaje de IA más pequeño hasta la fecha, LFM2.5-230M, y las empresas harían bien en considerarlo para sus usos en minería de datos e implementación local en teléfonos inteligentes, computadoras portátiles y robótica.
Es un modelo base de 230 millones de parámetros diseñado explícitamente para flujos de trabajo de agente en dispositivo y, como afirma Liquid en su publicación de blog, este pequeño tamaño permite ejecutarlo casi «en cualquier lugar». Según Liquid, también supera a los modelos más de 4 veces su tamaño en puntos de referencia seleccionados, en particular al obtener mejores resultados en la extracción de datos que el parámetro de 800 millones Alibaba Qwen3.5-0.8B (Instruct) y el parámetro de mil millones Google Gemma 3 1B.
El modelo está dirigido a desarrolladores e ingenieros que crean canales de extracción de datos livianos y sistemas de borde autónomos.
Operando bajo una licencia comercial de doble uso, el modelo sigue siendo gratuito para individuos y empresas que generan menos de $10 millones en ingresos anuales, mientras que requiere un acuerdo empresarial pago para empresas más grandes.
Esta versión se distingue de otros modelos pequeños de IA al utilizar la arquitectura LFM2 para lograr altas velocidades de inferencia sin la enorme sobrecarga de memoria típica de los transformadores con uso intensivo de parámetros.
Mientras que las principales empresas de inteligencia artificial, Anthropic, OpenAI, Google, Microsoft, Meta y otras, elevan las métricas a cientos de miles de millones o incluso billones para lograr el máximo rendimiento, una carrera paralela se centra completamente en implementaciones perimetrales y locales.
El lanzamiento del LFM2.5-230M por parte de Liquid AI marca un cambio crucial hacia la eficiencia arquitectónica en lugar del escalamiento por fuerza bruta. Al integrar 19 billones de tokens previos al entrenamiento en una huella de 230 millones de parámetros, la compañía demuestra que los dispositivos de borde no necesitan una potencia informática masiva ni conexiones persistentes en la nube para ejecutar flujos de trabajo de agentes complejos y de varios pasos.
Cómo funciona el LFM2.5-230M
El modelo LFM2.5-230M se desvía de las arquitecturas de transformadores estándar y, en cambio, se basa en el marco LFM2. Esta arquitectura funciona como un sistema híbrido, entrelazando convoluciones cerradas de corto alcance con atención a consultas agrupadas para procesar información de manera eficiente.
Para quienes siguen la evolución de las arquitecturas eficientes, el enfoque de Liquid comparte un objetivo conceptual similar: manejar de manera eficiente contextos largos y datos secuenciales en hardware de borde sin los costos de memoria cuadráticos de los mecanismos de atención pura. El modelo admite una gran ventana emergente de 32 KB, lo que le permite ingerir documentos sustanciales o flujos continuos de telemetría robótica.
Al analizar los gráficos de rendimiento proporcionados en el lanzamiento, la eficiencia arquitectónica se vuelve visualmente evidente. El modelo mantiene una huella de memoria de menos de 400 MB y al mismo tiempo logra velocidades de precarga y decodificación más altas que modelos comparables como Gemma 3 1B IT y Granite 4.0-H-350M.
En un Samsung Galaxy S25 Ultra equipado con un procesador Qualcomm Snapdragon Gen4, el modelo alcanza una velocidad de decodificación de 213 tokens por segundo. Incluso en una Raspberry Pi 5 muy limitada, el modelo mantiene una velocidad de decodificación de 42 tokens por segundo. Además, las evaluaciones comparativas internas muestran que la pila de inferencia de GPU ofrece una latencia de extremo a extremo más baja que los modelos más pequeños de la competencia en todos los niveles de simultaneidad.
Por qué es importante para las empresas
Para comprender por qué se necesita un modelo de 230 millones de parámetros, debemos observar cómo las empresas gestionan los datos actualmente.
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
Las organizaciones tradicionalmente han dependido de scripts rígidos de extracción, transformación y carga (ETL) basados en reglas para mover y procesar datos. Sin embargo, estos sistemas existentes son notoriamente frágiles; un simple cambio en el diseño de un documento o una actualización del esquema puede interrumpir todo el proceso.
Para resolver este problema, la industria está avanzando hacia la “AI ETL”, donde el aprendizaje automático infiere asignaciones, detecta la desviación del esquema y se adapta automáticamente a los cambios. En un proceso de extracción de datos liviano y moderno, un modelo de IA se conecta a fuentes no estructuradas (como archivos PDF, correos electrónicos o formularios web) y estructura los datos en formatos como JSON sin necesidad de reglas codificadas.
Para las empresas, utilizar un modelo emblemático masivo como Claude Opus 4.6 (que cuesta 5 dólares por millón de tokens de entrada) para analizar facturas de rutina, formatear direcciones o enrutar datos de telemetría no es económicamente viable.
Aquí es donde modelos como el LFM2.5-230M se vuelven críticos. Diseñado explícitamente como un motor de extracción liviano, permite a las empresas automatizar el formateo y análisis de datos repetitivos por una fracción del costo computacional y la latencia, ejecutándose directamente en hardware local en lugar de depender de llamadas API continuas y costosas en la nube.
Puntos de referencia en modelos pequeños: LFM comparado con la clase 3B
A mediados de 2026, la industria de la inteligencia artificial está experimentando un renacimiento de los modelos “pequeños”, pero la definición de “pequeño” varía enormemente.
Recientemente, la comunidad de pesos abiertos quedó sorprendida por VibeThinker-3B de Weibo, un modelo de 3 mil millones de parámetros construido sobre una base de estilo Qwen2 que logró la friolera de 94,3 en el punto de referencia matemático AIME 2026, rivalizando con los gigantes de 600 mil millones de parámetros a través de una agresiva curación de datos y aprendizaje de refuerzo.
De manera similar, la familia Gemma 4 de Google, que recientemente superó los 200 millones de descargas, está superando los límites de la IA, incluido E2B (2 mil millones de parámetros) diseñado específicamente para implementaciones móviles y de IoT.
Por el contrario, el LFM2.5-230M de Liquid AI opera en una clase de peso completamente diferente. Con sólo 230 millones de parámetros, es aproximadamente una décima parte del tamaño de los más pequeños Gemma 4 y VibeThinker-3B de Google.
Debido a su tamaño microscópico, el LFM2.5-230M no está diseñado para competir con cargas de trabajo con mucho razonamiento, como matemáticas avanzadas, codificación o escritura creativa, una limitación que Liquid AI reconoce explícitamente.
Sin embargo, en las áreas previstas de extracción de datos e invocación de herramientas, el modelo supera con creces su categoría de peso.
Los puntos de referencia publicados por Liquid AI muestran que LFM2.5-230M obtiene una puntuación de 43,26 en el punto de referencia de uso de la herramienta BFCLv3, dominando al Granite 4.0-350M de IBM (39,58) y superando por completo a modelos más grandes de mil millones de parámetros como Gemma 3 1B IT de Google (16,61).
En CaseReportBench para extracción de datos, obtiene una puntuación de 22,51, diezmando el Qwen3.5-0.8B (Instruct).
LFM2.5-230M demuestra que, si bien 3 mil millones de modelos de parámetros como VibeThinker resuelven cálculos avanzados, un modelo de 230 millones de parámetros es la opción superior y altamente optimizada para ejecutar llamadas de herramientas estructuradas y mantener las canalizaciones de agentes funcionando de manera eficiente en hardware restringido.
Usos de la búsqueda avanzada
Debido a que destaca en la llamada de herramientas, el LFM2.5-230M funciona principalmente como una capa de selección de habilidades. Liquid AI demostró esta capacidad implementando el modelo en un robot humanoide Unitree G1.
Al ejecutarse completamente en el dispositivo a través del módulo informático NVIDIA Jetson Orin integrado en el robot, el modelo procesa con éxito comandos ambientales complejos.
Como se indica en el blog de tecnología de la compañía, el modelo toma una instrucción de forma libre como «Quédese quieto durante 2 segundos, luego camine hacia adelante a 1 metro por segundo durante 3 metros, mantenga una rodilla hacia adelante durante 5 segundos y camine hacia atrás a 0,5 metros por segundo durante 3 metros»* y lo traduce automáticamente en un plan estructurado de varios pasos utilizando habilidades de bajo nivel previamente entrenadas proporcionadas por el marco SONIC de NVIDIA.
Los modelos básicos y post-entrenados están disponibles inmediatamente en Hugging Face, con soporte nativo desde el primer día en todo el ecosistema de inferencia para llama.cpp (GGUF), MLX, vLLM, SGLang y ONNX.
Licencia abierta LFM personalizada de doble uso
Liquid AI envía el LFM2.5-230M bajo la licencia abierta LFM v1.0. A pesar de la palabra «abierto» en el título, esta no es una licencia compatible con la Iniciativa de Código Abierto (OSI); Funciona como un marco comercial restringido y de doble uso.
Para desarrolladores independientes, investigadores y nuevas empresas en etapa inicial, la licencia funciona igual que el software de código abierto.
Los usuarios reciben una licencia perpetua, mundial y libre de regalías para reproducir, modificar y distribuir la plantilla, siempre que conserven los avisos de derechos de autor originales e indiquen claramente cualquier cambio.
Sin embargo, la licencia incluye una estricta “limitación de uso comercial”. Cualquier entidad legal que genere $10 millones o más en ingresos anuales pierde el derecho a utilizar el modelo con fines comerciales en virtud de este acuerdo.
Las grandes empresas que crucen este umbral financiero deben negociar un acuerdo comercial separado y pagado con Liquid AI para implementar el modelo en producción.
Esta estrategia protege a la empresa contra la absorción desenfrenada de su propiedad intelectual por parte de grandes conglomerados tecnológicos, mientras continúa implementando el modelo a nivel de desarrolladores de base.
