Liquid AI, la startup fundada en 2023 por antiguos investigadores del MIT, ha presentado LFM2.5-2.6B, un modelo de lenguaje de peso abierto pensado para ejecutar agentes de inteligencia artificial directamente en el dispositivo, sin depender de la nube ni de tarjetas gráficas. El modelo cuenta con 2.690 millones de parámetros repartidos en 30 capas, combina 22 bloques de convolución corta con doble compuerta junto a 8 bloques de atención por consulta agrupada, y ha sido entrenado con aproximadamente 34 billones de tokens. Su ventana de contexto alcanza los 131.072 tokens gracias a una fase de entrenamiento intermedio dedicada específicamente a extenderla, mientras que el vocabulario se ha duplicado hasta las 128.000 entradas para mejorar el soporte de idiomas que no usan el alfabeto latino. Todo ello en un paquete que ocupa menos de 2,5 GB de memoria y que puede correr, según sus creadores, en un teléfono, un portátil o incluso una Raspberry Pi.

Un modelo pensado para agentes, no para conversar

El planteamiento de Liquid AI parte de una idea que cada vez gana más peso en el sector: los modelos de lenguaje ya no se usan sobre todo desde una ventana de chat, sino integrados en marcos de trabajo que ejecutan tareas de forma autónoma. Así lo explicaron los investigadores de la compañía en declaraciones recogidas por VentureBeat, donde señalaron que los modelos actuales se consumen sobre todo a través de arneses de agentes como OpenClaw o Hermes Agent, y no como simples chatbots. Por eso, el desarrollo de LFM2.5-2.6B se ha centrado en que el modelo sea competente usando herramientas externas, más que en que destaque en matemáticas o en la resolución de problemas de programación complejos.

El proceso de entrenamiento posterior al preentrenamiento se organiza en cuatro etapas sucesivas: dos rondas consecutivas de ajuste supervisado, una fase de especialización por dominios en la que se entrenan modelos expertos independientes mediante aprendizaje por refuerzo con recompensas verificables, una destilación multidominio sobre la política del propio modelo y, por último, un aprendizaje por refuerzo agente que se realiza directamente dentro de arneses reales como Pi, Hermes Agent y OpenClaw. Esta última fase resulta especialmente relevante porque el modelo no se limita a aprender de ejemplos estáticos, sino que practica sobre las mismas condiciones en las que después funcionará en producción.

Rendimiento frente a modelos varias veces más grandes

Liquid AI ha comparado su modelo con Gemma-4-E2B, Gemma-4-E4B, Qwen3.5-4B y Qwen3.5-9B, todos ellos con un número de parámetros muy superior, hasta casi cuatro veces mayor en el caso del más grande. Según los datos publicados y recogidos por MarkTechPost, LFM2.5-2.6B lidera todos los bancos de pruebas de seguimiento de instrucciones y prácticamente todos los de uso de herramientas, quedando por detrás de Qwen3.5-9B únicamente en la prueba BFCLv4. La velocidad de inferencia también resulta llamativa: el modelo alcanza 220 tokens por segundo sobre un chip Apple M5 Max y ronda los 30 tokens por segundo en un teléfono móvil convencional, cifras que lo sitúan como una opción viable para tareas que antes exigían conexión constante a servidores remotos.

Donde el modelo pierde terreno es en programación intensiva y en tareas que requieren un conocimiento general muy amplio. En la prueba LiveCodeBenchv6, LFM2.5-2.6B obtiene una puntuación de 59,41 frente a los 69,86 de Qwen3.5-9B, una diferencia que confirma que, pese a su eficiencia, este tipo de modelos compactos sigue teniendo límites claros frente a arquitecturas de mayor tamaño quen se apoyan en más parámetros para tareas de razonamiento complejo.

El enfoque de producto: agentes que caben en cualquier dispositivo

Lo más interesante de LFM2.5-2.6B no es solo su rendimiento en bancos de pruebas, sino el tipo de despliegue que habilita. Al funcionar íntegramente en local, sin enviar datos a servidores externos, resulta especialmente atractivo para empresas de sectores regulados o que manejan información sensible, así como para entornos con conectividad limitada como vehículos o sistemas de robótica. Liquid AI ha publicado los pesos del modelo bajo su propia licencia, junto con versiones listas para usar en formatos GGUF, MLX y ONNX desde el primer día, con soporte para motores de inferencia como llama.cpp, vLLM y SGLang, y compatibilidad con hardware de AMD, Qualcomm, Apple, NVIDIA e Intel. Según detalla la propia compañía en su blog publicado en Hugging Face, el objetivo es que cualquier desarrollador pueda montar un agente local en dos pasos: levantar el modelo tras un punto de acceso compatible con la API de OpenAI y conectar después su arnés de agentes preferido. La propia documentación reconoce que el sistema no está exento de fallos: en una de las pruebas internas, el modelo introdujo datos en un formato incorrecto a través de una herramienta MCP y, en lugar de señalar la anomalía, presentó el resultado erróneo como si fuera correcto, un recordatorio de que los errores en un flujo de agentes pueden propagarse a los pasos siguientes sin que nadie los detecte a tiempo.

Parte de una familia más amplia

LFM2.5-2.6B no es el único modelo de esta generación. Liquid AI ya había presentado en junio LFM2.5-230M, una versión mucho más ligera con 230 millones de parámetros pensada para los dispositivos más limitados, capaz de alcanzar 42 tokens por segundo en una Raspberry Pi 5 y más de 200 tokens por segundo en un teléfono de gama alta. La compañía, que ha conseguido 250 millones de dólares en una ronda de financiación serie A, plantea así una familia de modelos escalonada según el hardware disponible, desde microcontroladores y placas de bajo coste hasta portátiles y servidores ligeros, todos ellos orientados a que la ejecución de agentes deje de depender de la infraestructura en la nube.

Reflexión final

La aparición de modelos como LFM2.5-2.6B confirma una tendencia que lleva tiempo dibujándose en el sector de la inteligencia artificial: la potencia ya no se mide solo en el tamaño del modelo, sino en su capacidad para actuar de forma autónoma dentro de las limitaciones reales de memoria, energía y conectividad de cada dispositivo. Que una Raspberry Pi pueda ejecutar un sistema capaz de planificar tareas, llamar a herramientas externas y mantener conversaciones de varios pasos sin salir de la red local abre la puerta a aplicaciones domésticas y profesionales que hasta ahora dependían por completo de servicios externos. Habrá que ver si esta generación de modelos compactos logra mantener ese equilibrio entre eficiencia y fiabilidad conforme se les exijan tareas cada vez más complejas.