El modelo más pequeño de Liquid AI hasta ahora, LFM2.5-230M, supera a modelos 4 veces más grandes en extracción de datos y puede funcionar 'en cualquier lugar'.

Liquid AI, fundada por ex-científicos informáticos del MIT, lanzó hoy su modelo de lenguaje AI más pequeño hasta la fecha, LFM2.5-230M, y las empresas harían bien en considerarlo para sus usos en extracción de datos y despliegues locales en smartphones, laptops y robótica. Este 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 del blog de lanzamiento, ese tamaño pequeño permite que funcione casi "en cualquier lugar". Según Liquid, también supera a modelos más de 4 veces su tamaño en criterios de selección, específicamente se desempeña mejor en extracción de datos que el modelo de 800 millones de parámetros Alibaba Qwen3.5-0.8B (Instruct) y el de 1 mil millones de parámetros Google Gemma 3 1B. El modelo está dirigido a desarrolladores e ingenieros que construyen tuberías de extracción de datos ligeras y sistemas autónomos en el borde. Operando bajo una licencia comercial de doble uso, el modelo permanece gratuito para individuos y empresas que generan menos de 10 millones de dólares en ingresos anuales, mientras que las corporaciones más grandes requieren un acuerdo comercial de pago. Este lanzamiento se distingue de otros modelos AI pequeños al utilizar la arquitectura LFM2 para lograr altas velocidades de inferencia sin el gran consumo de memoria típico de los transformadores con muchos parámetros. Mientras que las principales empresas de AI como Anthropic, OpenAI, Google, Microsoft, Meta y otras empujan el conteo 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 en los despliegues locales. El lanzamiento de LFM2.5-230M de Liquid AI señala un cambio pivotal hacia la eficiencia arquitectónica sobre la escalabilidad a través de la fuerza bruta. Al comprimir 19 billones de tokens de pre-entrenamiento en una huella de 230 millones de parámetros, la empresa demuestra que los dispositivos de borde no necesitan un gran poder computacional ni conexiones a la nube persistentes para ejecutar flujos de trabajo complejos y de múltiples pasos. Cómo funciona LFM2.5-230M El modelo LFM2.5-230M se aparta de las arquitecturas de transformadores estándar, confiando en cambio en el marco LFM2. Esta arquitectura funciona como un sistema híbrido, intercalando convoluciones de corto alcance con atención de consulta agrupada para procesar información de manera eficiente. Para aquellos que siguen la evolución de arquitecturas eficientes, el enfoque de Liquid comparte un objetivo conceptual similar: gestionar contextos largos y datos secuenciales de manera efectiva en hardware de borde sin los costos de memoria cuadráticos de los mecanismos de atención pura. El modelo admite una amplia ventana de contexto de 32K, lo que le permite absorber documentos sustanciales o flujos continuos de telemetría robótica. Al analizar las gráficas de rendimiento proporcionadas en el lanzamiento, la eficiencia arquitectónica se vuelve visualmente evidente. El modelo mantiene una huella de memoria de menos de 400 MB mientras logra velocidades de prellenado 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 un CPU Qualcomm Snapdragon Gen4, el modelo alcanza una velocidad de decodificación de 213 tokens por segundo. Incluso en una Raspberry Pi 5 altamente restringida, el modelo mantiene una tasa de decodificación de 42 tokens por segundo. Además, la evaluación interna muestra que la pila de inferencia de GPU ofrece una latencia de extremo a extremo más baja que los modelos pequeños competidores 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, se debe examinar cómo manejan actualmente los datos las empresas. Las organizaciones han confiado tradicionalmente en scripts ETL (Extracción, Transformación, Carga) rígidos y 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 de esquema puede romper toda la tubería. Para resolver esto, la industria está cambiando hacia "AI ETL", donde el aprendizaje automático infiere mapeos, detecta derivación de esquema y se adapta a cambios automáticamente. En una tubería de extracción de datos ligera moderna, un modelo de AI se conecta a fuentes no estructuradas—como PDFs, correos electrónicos o formularios web—y estructura los datos en formatos como JSON sin requerir reglas codificadas. Para las empresas, usar un modelo insignia masivo como Claude Opus 4.6 (que cuesta 5.00 dólares por millón de tokens de entrada) para procesar facturas rutinarias, formatear direcciones o enrutar datos de telemetría es económicamente inviable. Aquí es donde los modelos como LFM2.5-230M se vuelven críticos. Diseñado explícitamente como un motor de extracción ligero, permite a las empresas automatizar el formateo repetitivo y el análisis de datos a una fracción del costo computacional y la latencia, funcionando directamente en hardware local en lugar de depender de costosas llamadas de API en la nube. Referencias de Modelos Pequeños: LFM vs. La Clase de 3B La industria de la IA a mediados de 2026 está viendo un renacimiento en modelos "pequeños", pero la definición de "pequeño" varía enormemente. Recientemente, la comunidad de pesos abiertos se sorprendió por el VibeThinker-3B de Weibo, un modelo de 3 mil millones de parámetros construido sobre un marco de estilo Qwen2 que alcanzó un impresionante 94.3 en el criterio de matemáticas AIME 2026, rivalizando con gigantes de 600 mil millones de parámetros mediante una curaduría de datos agresiva 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 frontera al borde, incluyendo el E2B (2 mil millones de parámetros) diseñado específicamente para despliegues móviles y de IoT. En contraste, el LFM2.5-230M de Liquid AI opera en una clase de peso completamente diferente. Con solo 230 millones de parámetros, es aproximadamente una décima parte del tamaño del modelo más pequeño de Gemma 4 de Google y de VibeThinker-3B. Debido a su huella microscópica, LFM2.5-230M no está diseñado para competir en cargas de trabajo que demandan razonamiento como matemáticas avanzadas, programación o escritura creativa—una limitación que Liquid AI reconoce explícitamente. Sin embargo, en sus dominios previstos de extracción de datos y llamadas a herramientas, el modelo rinde muy por encima de su clase de peso. Los benchmarks publicados por Liquid AI muestran que LFM2.5-230M obtuvo 43.26 en el benchmark de uso de herramientas BFCLv3, dominando el Granite 4.0-350M de IBM (39.58) y superando por completo a modelos más grandes de 1 mil millones de parámetros como el Gemma 3 1B IT de Google (16.61). En CaseReportBench para extracción de datos, obtiene 22.51, desmantelando al Qwen3.5-0.8B (Instruct). LFM2.5-230M demuestra que mientras modelos de 3 mil millones de parámetros como VibeThinker están resolviendo cálculo avanzado, un modelo de 230 millones de parámetros es la opción superior y altamente optimizada para ejecutar llamadas a herramientas estructuradas y mantener flujos de trabajo agentes funcionando eficientemente en hardware restringido. Usos avanzados de investigación Debido a su excelencia en llamadas a herramientas, LFM2.5-230M funciona principalmente como una capa de selección de habilidades. Liquid AI demostró esta capacidad al implementar el modelo en un robot humanoide Unitree G1. Funcionando completamente en el dispositivo a través del módulo de computación NVIDIA Jetson Orin a bordo del robot, el modelo procesa con éxito comandos ambientales complejos. Como se señala en el blog técnico de la empresa, el modelo toma una instrucción de forma libre como, "Mantente quieto por 2 segundos, luego camina hacia adelante a 1 metro por segundo durante 3 metros, mantén una rodilla hacia adelante en una pierna por 5 segundos, y retrocede a 0.5 metros por segundo durante 3 metros," y traduce automáticamente en un plan estructurado de múltiples pasos que invoca habilidades de bajo nivel preentrenadas proporcionadas por el marco SONIC de NVIDIA. Los modelos base y post-entrenados están disponibles de inmediato en Hugging Face, con soporte nativo de día uno en todo el ecosistema de inferencia para llama.cpp (GGUF), MLX, vLLM, SGLang y ONNX. Licencia LFM abierta de doble uso y personalizada Liquid AI distribuye LFM2.5-230M bajo la Licencia LFM Abierta 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 de doble uso. Para desarrolladores independientes, investigadores y startups en etapas tempranas, 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 declaren de manera prominente cualquier modificación. Sin embargo, la licencia incluye una estricta "Limitación de Uso Comercial". Cualquier entidad legal que genere 10 millones de dólares o más en ingresos anuales pierde el derecho a usar el modelo comercialmente bajo este acuerdo. Las grandes empresas que superan este umbral financiero deben negociar un acuerdo comercial de pago separado con Liquid AI para desplegar el modelo en producción. Esta estrategia protege a la empresa de que su propiedad intelectual sea absorbida por grandes conglomerados tecnológicos de forma gratuita, mientras continúa sembrando el modelo a nivel de desarrolladores de base.