Liquid AI, la empresa derivada del MIT detrás de la línea Liquid Foundation Models, anunció el martes LFM3, una nueva generación de modelos abiertos creados para llevar lo que la compañía llama "inteligencia especializada" a teléfonos, computadoras portátiles, robots y otro hardware de vanguardia. El lanzamiento cubre seis modelos en el rango de parámetros 2B (texto, visión, audio, omnidireccional y dos modelos de decisión), todos derivados de una columna vertebral LFM3-1.7B-Base compartida y disponibles hoy en Hugging Face, Liquid AI Playground y la API de la compañía.
Una arquitectura trihíbrida rediseñada para agentes Para más contexto sobre esta historia, consulta nuestra cobertura de la industria de IA.
LFM2 estableció que un híbrido de convoluciones cortas y atención podría ejecutarse rápidamente en el dispositivo sin renunciar a mucha calidad. Para LFM3, Liquid AI reejecutó su búsqueda automatizada de arquitectura hardware-in-the-loop teniendo en cuenta las cargas de trabajo agentes, ampliando el espacio de búsqueda desde CPU en un teléfono y una computadora portátil hasta 14 combinaciones de dispositivos y backend. El hardware medido ahora incluye el Samsung Galaxy S26 Ultra, el OnePlus 15, una Raspberry Pi 5, el M4 Max de Apple, las computadoras portátiles AMD Ryzen AI, las CPU en la nube Arm y x86, las GPU y la NPU Hexagon de Qualcomm.
El resultado es una pila "trihíbrida" de 24 capas: 13 capas cerradas de convolución corta, 5 capas de atención de ventana deslizante con una ventana de 256 tokens y 6 capas de atención global. Los tamaños de los núcleos de convolución aumentaron de 3 a 7, y los nuevos mecanismos incluyen atención controlada por cabeza (una puerta sigmoidea que puede apagar cabezas individuales), RoPE parcial en capas globales y normalización tipo sándwich. La compañía dice que los cambios agregan expresividad donde es necesario y al mismo tiempo mantienen rápida la inferencia de contexto largo.
Entrenado con 22 billones de tokens
LFM3-1.7B-Base fue entrenado previamente con 22 billones de tokens, con una combinación de datos que agrega más artículos científicos, código a nivel de repositorio y matemáticas que LFM2. Los últimos 3,5 billones de tokens forman una etapa de capacitación intermedia sobre datos seleccionados y de mayor calidad que tienen muchos rastros de agentes y diversas llamadas de herramientas, y esa etapa también extiende la ventana de contexto a 256.000 tokens.
La capacitación posterior se desarrolló en cuatro etapas: ajuste supervisado de 1,75 billones de tokens que abarcan chat, razonamiento y llamadas de herramientas; aprendizaje por refuerzo mixto en matemáticas, código, SQL y resultados estructurados; destilación de políticas multidominio, en la que seis profesores especializados en RL (código, matemáticas, uso de herramientas, contexto extenso, trabajo de agencia y flujos de trabajo empresariales) se resumen en un solo modelo; y RL agente, donde tareas desde la navegación web hasta el trabajo de oficina se ejecutan dentro de arneses de agentes reales como Hermes Agent, Pi y OpenClaw.
Modelo pequeño, resultados agentes adyacentes a la frontera
Liquid AI afirma que el LFM3-1.7B supera al LFM2.5-2.6B anterior y utiliza un 35 por ciento menos de parámetros. En las evaluaciones de agentes, la compañía dice que el modelo lidera el seguimiento de instrucciones y la llamada de funciones en BFCL y ToolSandbox, y supera al Qwen3.5-9B, sustancialmente más grande, en tareas de navegador y aplicaciones comerciales de largo horizonte en WebArena-Verified y AutomationBench. Los modelos más grandes aún ganan en codificación y conocimiento agentes, aunque la compañía informa que la búsqueda de herramientas casi duplica la puntuación del modelo pequeño en el último examen de la humanidad.
La velocidad es el titular. Medido con llama.cpp con una cuantificación de 4 bits y un contexto de 32K, Liquid AI dice que LFM3-1.7B fue el modelo más rápido en los tres dispositivos de borde probados, decodificando entre 1,8 y 2,8 veces más rápido que el siguiente competidor y usando la menor cantidad de memoria. Un contexto completo de 128K token necesita alrededor de 1,6 GB de caché KV, frente a 4,3 GB para Qwen3.5-4B y 5,6 GB para MiniCPM5-2B, y el modelo cabe en aproximadamente 1 GB de memoria con una precisión de 4 bits. En el centro de datos, una sola NVIDIA B300 que ejecuta SGLang en BF16 puede producir 3.600 millones de tokens por día con 1.024 solicitudes simultáneas. Para mostrar lo que permite ese rendimiento, Liquid AI ejecutó más de 300.000 agentes LFM3-1.7B paralelos en el archivo de correo electrónico de Enron como demostración.
Visión, audio y un primer modelo Omni
LFM3-VL-2B trae un nuevo codificador de visión interno con 164 millones de parámetros que, según Liquid AI, utiliza 3 veces menos computación que el codificador SigLIP2 en modelos de visión LFM anteriores, al tiempo que iguala la precisión del codificador Qwen3.5-2B con 2,2 veces menos FLOP. En 62 puntos de referencia de visión, la compañía dice que el modelo 2B obtiene al menos 7,4 puntos por delante de todos los modelos de tamaño similar, iguala a Gemma 4 12B, un modelo más de seis veces más grande, supera a Gemini 3.5 Flash Lite y queda a 2 puntos de GPT-5.6 Luna. También es el primer modelo de visión de LFM que acepta entrada de vídeo.
LFM3-Audio-2B maneja reconocimiento, síntesis y traducción de voz en 18 idiomas, impulsado por un nuevo codificador interno y un tokenizador llamado LiquidCodec que convierte los tokens generados en voz aproximadamente 87 veces en tiempo real en un solo subproceso de CPU. Con la entrada de micrófono en streaming, el tiempo hasta el primer token puede ser tan bajo como 50 milisegundos.
LFM3-Omni-2B, con 2.200 millones de parámetros, es el primer modelo omni de la compañía, que combina visión, audio y lenguaje para que los usuarios puedan hacer preguntas habladas sobre imágenes o videos con sonido sincronizado. Dos modelos de decisión, d1-2B y d1-Omni-2B, cierran la familia: en lugar de generar respuestas de forma libre, responden muchas preguntas escritas o habladas en un solo paso hacia adelante, cada una con una probabilidad calibrada, y admiten tipos de respuestas estructuradas como Señalar (dibujar un cuadro delimitador), Leer, Estimar y Seleccionar.
Construido para ser especializado
Liquid AI posiciona a la familia como un punto de partida para realizar ajustes en lugar de un modelo de frontera de propósito general. En una demostración, la empresa ajustó el LFM3-VL-2B en unas 3.000 fotografías públicas de palas de turbinas eólicas para clasificar defectos. Desde el primer momento, tanto LFM3-VL-2B como GPT-6 Luna identificaron correctamente los tipos de defectos en menos del 10 por ciento de las imágenes de prueba; Después de unas horas de entrenamiento en un solo A100, el LFM3 optimizado alcanzó una precisión de clasificación del 67 por ciento y mejoró la detección F1 de 0,003 a 0,11, en comparación con 0,01 del GPT-6 Luna. La compañía también publicó los primeros experimentos de robótica que cubren la orquestación de herramientas, la navegación visión-lenguaje y la manipulación de brazos robóticos de bajo nivel.
Los socios de lanzamiento del día cero incluyen Ambarella, AMD, Arm, Intel a través de OpenVINO, NVIDIA, OpenRouter, Qualcomm a través de AI Hub y GenieX, y Vercel, con Mercedes-Benz y Shopify participando en las pruebas previas al lanzamiento. Los tiempos de ejecución comunitarios, incluidos llama.cpp, MLX, LM Studio, Ollama y vLLM, admiten los modelos en el lanzamiento.
El comunicado subraya una división más amplia de la industria: mientras los laboratorios de vanguardia persiguen modelos generalistas cada vez más grandes, Liquid AI apuesta a que los modelos pequeños, rápidos y especializados (lo suficientemente baratos para ajustarlos en una GPU y lo suficientemente pequeños para ejecutarse localmente) serán donde aterrice gran parte del valor práctico.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
