Liquid AI, fundada por ex científicos informáticos del MIT, lanzó hoy su modelo de lenguaje de IA más pequeño hasta el momento. LFM2.5-230My las empresas harían bien en considerarlo para sus usos en la extracción de datos y la implementación local en teléfonos inteligentes, computadoras portátiles y robótica.
Este es un modelo básico de 230 millones de parámetros diseñado explícitamente para flujos de trabajo agentes en el dispositivo y, como afirma Liquid en su publicación de blog, ese tamaño pequeño hace posible ejecutarlo casi «en cualquier lugar». Según Liquid, también supera a los modelos más de 4 veces su tamaño en puntos de referencia seleccionados, específicamente obteniendo mejores resultados en la extracción de datos que el recuento de 800 millones de parámetros de Alibaba Qwen3.5-0.8B (Instruct) y el de mil millones de parámetros de 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 corporaciones 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 muchos parámetros.
Mientras que las principales empresas de inteligencia artificial, Anthropic, OpenAI, Google, Microsoft, Meta y otras, elevan los recuentos de parámetros a cientos de miles de millones o billones para lograr un rendimiento de vanguardia, una carrera paralela se centra completamente en el borde y las implementaciones locales.
El lanzamiento de LFM2.5-230M por parte de Liquid AI señala un cambio fundamental hacia la eficiencia arquitectónica en lugar del escalamiento por fuerza bruta. Al exprimir 19 billones de tokens de capacitación previa en una huella de 230 millones de parámetros, la compañía demuestra que los dispositivos de borde no necesitan una potencia computacional masiva ni conexiones persistentes en la nube para ejecutar flujos de trabajo agentes complejos de varios pasos.
Cómo funciona LFM2.5-230M
El modelo LFM2.5-230M se diferencia 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 de consultas agrupadas para procesar la información de manera eficiente.
Para quienes siguen la evolución de las arquitecturas eficientes, el enfoque de Liquid comparte un objetivo conceptual similar: gestionar contextos largos y datos secuenciales de manera efectiva en hardware de vanguardia sin los costos de memoria cuadráticos de los mecanismos de atención pura. El modelo admite una ventana de contexto expansiva de 32K, 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 al tiempo que logra velocidades de precarga y decodificación que superan a modelos comparables como Gemma 3 1B IT y Granite 4.0-H-350M.
En un Samsung Galaxy S25 Ultra equipado con una CPU 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, la evaluación comparativa interna muestra que la pila de inferencia de GPU ofrece una latencia de extremo a extremo más baja que los modelos pequeños de la competencia en todos los niveles de concurrencia.
Por qué es importante para las empresas
Para entender por qué es necesario un modelo de 230 millones de parámetros, hay que observar cómo las empresas gestionan actualmente los datos.
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 heredados son notoriamente frágiles; un simple cambio en el diseño de un documento o una actualización del esquema pueden interrumpir todo el proceso.
Para resolver esto, la industria está cambiando hacia la «AI ETL», donde el aprendizaje automático infiere asignaciones, detecta la desviación del esquema y se adapta a los cambios automáticamente. En un proceso de extracción de datos moderno y liviano, 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 es económicamente inviable.
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 repetitivo y el análisis de datos a una fracción del costo de cómputo y la latencia, ejecutándose directamente en hardware local en lugar de depender de costosas y continuas llamadas API en la nube.
Puntos de referencia de modelos pequeños: LFM frente a la clase 3B
La industria de la IA a mediados de 2026 está experimentando un renacimiento en los modelos «pequeños», pero la definición de «pequeño» varía enormemente.
Recientemente, la comunidad de peso abierto quedó atónita por VibeThinker-3B de Weibo, un modelo de 3 mil millones de parámetros construido sobre una columna vertebral estilo Qwen2 que logró un enorme 94,3 en el punto de referencia matemático AIME 2026, rivalizando con gigantes de 600 mil millones de parámetros a través de una agresiva curación de datos y aprendizaje por refuerzo.
De manera similar, la familia Gemma 4 de Google, que recientemente superó los 200 millones de descargas, lleva la IA de vanguardia al límite, incluido el 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 del modelo Gemma 4 más pequeño de Google y del VibeThinker-3B.
Debido a su huella microscópica, LFM2.5-230M no está diseñado para competir en cargas de trabajo con mucho razonamiento, como matemáticas avanzadas, codificación o escritura creativa, una limitación que Liquid AI reconoce explícitamente.
Sin embargo, en los dominios previstos de extracción de datos y llamada de herramientas, el modelo supera con creces su categoría de peso.
Los puntos de referencia publicados por Liquid AI muestran que LFM2.5-230M obtuvo una puntuación de 43,26 en el punto de referencia de uso de herramientas BFCLv3, dominando a Granite 4.0-350M de IBM (39,58) y superando por completo a los 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 los modelos de 3 mil millones 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 los canales de agentes funcionando de manera eficiente en hardware restringido.
Usos de investigación avanzada
Debido a que destaca en la llamada de herramientas, 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 técnico 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 con una pierna 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 múltiples pasos que requiere habilidades previamente entrenadas de bajo nivel proporcionadas por el marco SONIC de NVIDIA.
Los modelos base y post-entrenado 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 y de doble uso
Liquid AI envía 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); opera como un marco comercial restringido y de doble uso.
Para desarrolladores independientes, investigadores y empresas emergentes, la licencia funciona de manera idéntica al software de código abierto.
Los usuarios reciben una licencia perpetua, mundial y libre de regalías para reproducir, modificar y distribuir el modelo, siempre que conserven los avisos de derechos de autor originales y indiquen de manera destacada cualquier modificación.
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 comercialmente bajo 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 de que su propiedad intelectual sea absorbida gratuitamente por los principales conglomerados tecnológicos, y al mismo tiempo sigue sembrando el modelo a nivel de desarrollador de base.
