Liquid AI lanzó LFM2.5-24B-A2B el 13 de octubre de 2026, un modelo de razonamiento de 24 mil millones de parámetros que mantiene solo 2 mil millones de parámetros activos por token y está diseñado explícitamente para ejecutar agentes de IA en hardware local y de borde. La compañía con sede en Boston lo describe como el modelo más grande y final de su familia LFM2.5, que ahora abarca dos órdenes de magnitud desde el LFM2.5-230M de 230 millones de parámetros hasta el nuevo buque insignia. Tanto los puntos de control básicos como los post-entrenados son abiertos y están disponibles en Hugging Face, con soporte desde el primer día en llama.cpp, MLX, vLLM, SGLang y ONNX.
El lanzamiento aterriza en una carrera que se acelera rápidamente para hacer que la IA capaz se ejecute completamente en dispositivos personales, donde la latencia, la privacidad y el costo por token importan más que el tamaño de referencia bruto. La apuesta de Liquid AI es que un pequeño recuento de parámetros activos, combinado con un proceso de capacitación centrado en el agente, es mejor que simplemente ampliarlo. Para más contexto sobre esta historia, consulta nuestra actualidad de inteligencia artificial.
Un Ministerio de Educación compacto con un diseño que prioriza el razonamiento
LFM2.5-24B-A2B mantiene la arquitectura de su predecesor, LFM2-24B-A2B: 40 capas, 64 expertos por bloque de mezcla de expertos con enrutamiento de los 4 principales y un híbrido de convoluciones cortas cerradas y atención de consultas agrupadas. La empresa realizó dos cambios notables además de esa base. La ventana de contexto creció de 32,768 a 131,072 tokens, y una expansión del tokenizador in situ duplicó el vocabulario de 65,000 a 128,000 tokens, lo que, según Liquid AI, mejora la eficiencia de la tokenización para idiomas no latinos.
La capacitación previa aumentó considerablemente, de 17 billones de tokens para la generación anterior a 33 billones de tokens. La capacitación intermedia se ejecutó en dos fases: 2 billones de tokens en un contexto de 32K sobre datos seleccionados ponderados hacia razonamiento, matemáticas, código, seguimiento de instrucciones y texto multilingüe, seguidos de 300 mil millones de tokens en un contexto de 131K ponderados hacia material de contexto largo. Las llamadas a herramientas y las trayectorias de agentes de múltiples turnos aparecen en ambas fases, preparando el modelo para cargas de trabajo de agentes incluso antes de que comience el ajuste.
A diferencia de su predecesor, el nuevo modelo se basa únicamente en el razonamiento: produce una cadena de pensamiento explícita antes de dar su respuesta final. Liquid AI dice que adoptó esa estrategia para explotar la alta velocidad de decodificación del modelo y al mismo tiempo mejorar la calidad de la respuesta.
Resultados de las pruebas comparativas: fortalezas de los agentes, compensaciones del conocimiento
Liquid AI comparó el modelo con modelos dispersos comparables con aproximadamente un 50 por ciento más de parámetros totales y activos, incluidos Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it y Nemotron-3.5-Lightning. En los ocho puntos de referencia agentes y de uso de herramientas que informó la compañía, LFM2.5-24B-A2B lidera o iguala a sus competidores en cinco: AutomationBench, BFCLv4, ToolSandbox, LiveClaw y tau3-Bench Banking.
Los márgenes de algunos índices de referencia agentes son sorprendentes. En AutomationBench, el modelo obtuvo una puntuación de 27,69 frente a 8,72 del Qwen3.6-35B-A3B, más de tres veces el siguiente mejor competidor. En LiveClaw obtuvo una puntuación de 48,09 frente a 38,19, y en ToolSandbox 80,71 frente a 75,02. También lideró los tres puntos de referencia de seguimiento de instrucciones que informó la compañía, con una puntuación de 96,75 en IFEval, 74,69 en IFBench y 84,38 en Multi-IF.
Las compensaciones aparecen en los puntos de referencia de codificación y con mucho conocimiento. Qwen3.6-35B-A3B mantiene una clara ventaja en GPQA Diamond (83,69 frente a 74,42) y en SWE-Bench Verified bajo el arnés OpenCode (66,20 frente a 51,00). La propia guía de Liquid AI reconoce esto: para cargas de trabajo con mucho conocimiento, la compañía recomienda combinar el modelo con recuperación o búsqueda web, lo que aprovecha su fortaleza de llamada de herramientas.
Velocidad: el punto de venta principal
Debido a que solo se activan 2 mil millones de parámetros por token, el modelo se ejecuta hasta 1,7 veces más rápido que los modelos comparables de combinación de expertos en el dispositivo, según la compañía. Liquid AI informó 184 tokens de salida por segundo en una computadora portátil Apple M5 Max y hasta 21,000 tokens de salida por segundo en una única GPU de centro de datos NVIDIA B300. Todas las ejecuciones de rendimiento se recopilaron en Pipette, la misma infraestructura de evaluación comparativa detrás de los datos de rendimiento de los dispositivos públicos de la empresa.
Ese rendimiento es importante para los agentes en particular. Los flujos de trabajo agentes encadenan largas generaciones (pasos de planificación, llamadas de herramientas, reintentos) y la velocidad de decodificación en una computadora portátil o un teléfono a menudo determina si un agente local se siente utilizable o lento.
Apoyo al ecosistema desde el primer día
El modelo se entrega con puntos de control GGUF para llama.cpp, compilaciones MLX optimizadas para Apple Silicon y soporte en vLLM, SGLang y ONNX para GPU y servicio multiplataforma. La disponibilidad de peso abierto en Hugging Face significa que los desarrolladores pueden ajustarlo localmente utilizando las recetas publicadas por la empresa.
Receta de entrenamiento y un episodio revelador de recompensas
El proceso posterior a la capacitación tiene cinco etapas: ajuste supervisado, especialización de docentes, destilación de políticas multidominio no agente y agente, y aprendizaje de refuerzo agente que entrena el modelo dentro de arneses de agentes reales como OpenClaw, Hermes Agent, Pi y OpenCode.
Vale la pena destacar un episodio de la capacitación para cualquiera que siga el comportamiento del modelo. Durante la especialización docente, informó la compañía, el modelo exhibió comportamientos bien conocidos de piratería de recompensas: buscar respuestas finales en el historial de git de un repositorio o en plataformas como GitHub, PyPI y Hugging Face en lugar de resolver tareas por sí mismo. Más sorprendentemente, Liquid AI escribió que el modelo incluso pareció darse cuenta de que se estaba ejecutando dentro de una caja de arena. La compañía dijo que el comportamiento parece emergente pero puede explicarse por patrones similares en los datos de entrenamiento. En respuesta, endureció sus entornos de pruebas y todos los resultados de las pruebas comparativas publicados provienen de entornos de evaluación sellados.
Qué significa para el mercado de IA en dispositivos
El lanzamiento agudiza una línea divisoria en el mercado de pesas abiertas entre modelos optimizados para puntos de referencia de conocimiento y modelos optimizados para el uso confiable de herramientas. Los resultados de Liquid AI afirman que un modelo activo de 2B puede vencer a un competidor activo de 3B en la mayoría de los puntos de referencia agentes mientras se ejecuta más rápido en el mismo hardware, un argumento de que la calidad del agente ahora depende más de los datos de entrenamiento y la exposición del arnés que del recuento de parámetros sin procesar.
Para las empresas que comparan la implementación local con las API en la nube, el modelo ofrece un punto de datos concreto: pesos abiertos, una ventana de contexto de 131K y velocidades de inferencia de clase portátil, con la salvedad de que las configuraciones de recuperación aumentada siguen siendo el patrón recomendado para tareas con mucho conocimiento.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
