- Liquid AI ha lanzado la familia LFM2.5, destacando el modelo de 2.6B parámetros diseñado específicamente para ejecutar agentes de IA en dispositivos sin depender de la nube.
- Este ecosistema destaca por su arquitectura híbrida y un entrenamiento masivo de hasta 28 billones de tokens, optimizando el uso de herramientas externas sobre la conversación simple.
- La tendencia del sector se desplaza hacia la reducción de la latencia y la ejecución local, permitiendo que hardware modesto como una Raspberry Pi gestione tareas autónomas.
Seguro que te suena que la inteligencia artificial es sinónimo de servidores gigantescos y nubes que consumen energía a lo loco, pero las cosas están empezando a cambiar drásticamente. Resulta que Liquid AI, una startup nacida en 2023 de la mano de mentes brillantes del MIT, ha decidido romper el molde lanzando modelos que no necesitan una tarjeta gráfica del tamaño de un ladrillo para funcionar, sino que se sienten cómodos en el bolsillo de cualquiera.
La gran movida aquí es que ya no se trata solo de tener un chatbot con el que charlar para pasar el rato, sino de crear agentes capaces de actuar por su cuenta. Estamos hablando de una arquitectura pensada para integrarse en flujos de trabajo autónomos, donde la IA no solo responde preguntas, sino que maneja herramientas externas para resolver problemas reales sin que los datos tengan que salir jamás de tu propio dispositivo.
LFM2.5-2.6B: Un pequeño gigante para el hardware local
El modelo LFM2.5-2.6B es una auténtica joya de la eficiencia. Con unos 2.690 millones de parámetros organizados en 30 capas, este modelo utiliza una combinación de bloques de convolución corta con doble compuerta y bloques de atención por consulta agrupada. Para que te hagas una idea de su musculatura, ha sido entrenado con unos 34 billones de tokens, aunque la familia LFM2.5 en general ha escalado su preentrenamiento desde los 10T hasta los 28T de tokens.
Lo que realmente impresiona es que todo este despliegue ocupa menos de 2,5 GB de memoria. Esto significa que puedes hacer correr el modelo en un ordenador o portátil, un teléfono móvil o incluso en una Raspberry Pi sin despeinarte. Además, han ampliado el vocabulario a 128.000 entradas para que los idiomas que no usan el alfabeto latino no se queden atrás, y cuentan con una ventana de contexto de 131.072 tokens gracias a una fase de entrenamiento específica para extenderla.
No es un chat, es una herramienta de ejecución
No es un chat, es una herramienta de ejecución
Liquid AI no ha querido que su creación sea la mejor en matemáticas complejas o en picar código avanzado. En su lugar, se han centrado en que sea competente usando herramientas externas. La filosofía es clara: los modelos ahora se consumen a través de arneses de agentes como OpenClaw o Hermes Agent, y no como simples ventanas de chat.
Para lograr esta especialización, el entrenamiento posterior al preentrenamiento sigue un camino muy currado de cuatro etapas: primero, dos rondas de ajuste supervisado; luego, una fase de especialización por dominios mediante aprendizaje por refuerzo con recompensas verificables; después, una destilación multidominio; y finalmente, un aprendizaje por refuerzo agéntico en entornos reales como Pi y OpenClaw. De esta forma, la IA practica en las mismas condiciones en las que luego trabajará en producción.
Rendimiento y comparativas en el mundo real
Cuando ponemos al LFM2.5-2.6B frente a modelos mucho más grandes, como los de las familias Gemma-4 o Qwen3.5, los resultados dejan boquiabiertos. En la mayoría de los tests de seguimiento de instrucciones y uso de herramientas, el modelo de Liquid AI sale victorioso, superando incluso a modelos que tienen casi cuatro veces más parámetros. Eso sí, hay que ser honestos: en tareas de programación intensiva, como en LiveCodeBenchv6, se queda un poco corto frente a Qwen3.5-9B, lo que demuestra que el tamaño sigue importando para el razonamiento muy complejo.
En cuanto a la velocidad, los números son brutales. En un chip Apple M5, alcanza los 220 tokens por segundo, y en un móvil convencional ronda los 30 tokens por segundo. Esto es clave porque permite que tareas que antes requerían la nube se ejecuten localmente con una fluidez pasmosa.
Versatilidad y despliegue para desarrolladores
La apuesta de Liquid AI es la apertura y la compatibilidad. Han publicado los pesos bajo su propia licencia y ofrecen formatos como GGUF, MLX y ONNX, lo que permite que funcionen con motores como llama.cpp o vLLM en hardware de NVIDIA, AMD, Apple, Intel y Qualcomm. La idea es que cualquier desarrollador pueda montar un agente local simplemente levantando el modelo mediante una API compatible con OpenAI y conectando su arnés preferido.
Además, el LFM2.5-2.6B es parte de una familia más amplia. Existe el LFM2.5-230M, una versión ultra ligera para los dispositivos más limitados, capaz de volar en una Raspberry Pi 5. La gama se completa con instancias especializadas: un modelo de propósito general, uno optimizado para el japonés, uno de visión-lenguaje y otro nativo de audio-lenguaje para voz de entrada y salida.
El camino hacia la baja latencia y la frontera de la IA
Mientras Liquid AI empuja el límite de lo local, otros gigantes como OpenAI también buscan eliminar la latencia. Recientemente se ha visto el modo Ultrafast para GPT-5.6 Sol, que gracias a la infraestructura de Cerebras alcanza picos de 750 tokens por segundo. Aunque uno ocurre en la nube y otro en el dispositivo, el objetivo es el mismo: que la latencia no sea el cuello de botella para los agentes autónomos.
Tener una IA que responda casi instantáneamente es fundamental en sectores críticos como la ciberdefensa o las operaciones financieras. Ya sea mediante la potencia bruta de hardware especializado o mediante la eficiencia de modelos compactos que caben en un móvil, el futuro apunta a una IA que no nos haga esperar y que sea capaz de ejecutar acciones reales en tiempo real.
La capacidad de ejecutar sistemas que planifiquen tareas y llamen a herramientas externas en una Raspberry Pi o un smartphone, sin enviar un solo dato a la nube, cambia las reglas del juego para la privacidad y la robótica. El equilibrio entre eficiencia, tamaño y fiabilidad está permitiendo que la potencia de frontera ya no dependa de servidores remotos, sino de la optimización inteligente de la arquitectura y el entrenamiento especializado en agentes.
