Liquid AI lanza LFM2.5-24B-A2B, un modelo de pesos abiertos para agentes de IA en el dispositivo
Liquid AI ha publicado LFM2.5-24B-A2B, un modelo de razonamiento de pesos abiertos con 24.000 millones de parámetros que activa solo 2.000 millones por token, orientado a agentes locales.
El 13 de octubre de 2026, Liquid AI presentó LFM2.5-24B-A2B, un modelo de razonamiento de tipo Mixture-of-Experts con 24.000 millones de parámetros en total, pero solo 2.000 millones activos por cada token. La compañía lo diseñó para impulsar agentes rápidos y privados que se ejecutan en el propio hardware de los usuarios. Tanto el modelo como una versión base, LFM2.5-24B-A2B-Base, están disponibles como pesos abiertos en Hugging Face.
Según Liquid AI, el modelo siempre escribe una cadena de razonamiento explícita antes de responder, puede invocar herramientas y gestiona tareas de varios pasos dentro de los entornos de agentes más populares. Como se activan muy pocos parámetros por token, cada paso de razonamiento resulta económico, lo que, según la empresa, hace viable mantener agentes funcionando de forma continua en equipos locales.
Arquitectura y entrenamiento
La versión mantiene la arquitectura de su predecesor, LFM2-24B-A2B: 40 capas, 64 expertos por bloque MoE con enrutamiento top-4, y una combinación de convoluciones cortas con compuerta y atención de consultas agrupadas. La ventana de contexto pasa de 32K a 131K tokens, y el vocabulario se duplica de 65K a 128K tokens para mejorar el manejo de escrituras no latinas. El preentrenamiento creció de unos 17 billones a cerca de 33 billones de tokens, seguido de un proceso de posentrenamiento de cinco etapas que termina con aprendizaje por refuerzo dentro de entornos como OpenClaw, Hermes Agent, Pi y OpenCode.
Puntos de referencia y velocidad
En las pruebas propias de Liquid AI, realizadas sobre 16 benchmarks, el modelo obtuvo 48,09 en LiveClaw frente a 38,19 de Qwen3.6-35B-A3B, que tiene alrededor de un 50 % más de parámetros totales y activos. La empresa afirma que triplicó con creces la mejor puntuación siguiente en AutomationBench y que lideró los tres benchmarks de seguimiento de instrucciones. Gemma-4-26B-A4B-it y Nemotron-3.5-Lightning también formaban parte de la comparación.
Los resultados no son uniformemente favorables. Los rivales más grandes siguen por delante en pruebas intensivas en conocimiento, como GPQA Diamond y HLE, y en tareas de programación: en SWE-Bench Verified el modelo logró 51,00 frente a 66,20 de Qwen3.6-35B-A3B. Liquid AI recomienda combinarlo con recuperación de información o búsqueda web para trabajos que requieran mucho conocimiento. Todas las cifras son autodeclaradas y no han sido verificadas de forma independiente.
En cuanto al rendimiento, la compañía informa de 184 tokens por segundo en un Apple M5 Max, 114 en un AMD Ryzen AI Max+ 395 y más de 21.000 tokens de salida por segundo con alta concurrencia en una única GPU NVIDIA B300. El soporte para llama.cpp, MLX, vLLM, SGLang y ONNX está disponible desde el lanzamiento. La publicación refleja un impulso más amplio hacia agentes capaces que funcionan localmente en lugar de depender de servicios en la nube.
Comentarios
Todavía no hay comentarios. Inicia el debate o haz una pregunta.
Relacionadas
Google DeepMind y GovTech Singapur han ajustado un detector de estafas basado en Gemma que funciona íntegramente en los teléfonos de los usuarios, con el objetivo de señalar la manipulación sin exponer las conversaciones.
El 12 de octubre de 2026, Meta presentó Muse Wonder y Muse Wonder Full, modelos de agentes con una ventana de contexto de 1 millón de tokens que, según la compañía, están entre los más capaces del mundo.
El 13 de octubre de 2026, Google puso Gemini 4 Argon, su modelo más capaz hasta la fecha, a disposición de los suscriptores de pago de la aplicación Gemini, mientras que los precios de la API se duplicarán después del 30 de noviembre.