Liquid AI lanza LFM3: IA multimodal de 2B para el edge

Liquid AI pone seis modelos multimodales en un mismo backbone de 2B

Liquid AI acaba de publicar LFM3, una familia de seis modelos multimodales que caben en el rango de los 2.000 millones de parámetros y que se ajustan con una sola GPU. El dato que importa: el modelo de texto LFM3-1.7B supera a LFM2.5-2.6B usando 35% menos parámetros, y en tareas de agente la diferencia es enorme — 38.42 contra 3.02 en WebArena-Verified.

Para un founder, la lectura es directa: la IA que antes exigía una instancia en la nube ahora puede vivir dentro del producto, en el teléfono del usuario o en un servidor privado. Eso cambia el costo por inferencia, el cumplimiento de privacidad y la latencia que percibe el cliente.

¿Qué cambia LFM3 frente a la generación anterior?

La compañía —un spin-off del MIT que se separó en 2023, según The Next Web— resume la nueva generación en cuatro movimientos:

• Más capacidad por parámetro: una arquitectura tri-híbrida y una nueva receta de entrenamiento permiten que LFM3-1.7B rinda por encima de LFM2.5-2.6B con 35% menos parámetros.
• Todas las modalidades en un backbone: seis modelos de clase 2B (texto, visión, audio, omni y decisión) entrenados desde LFM3-1.7B-Base, incluido el primer modelo omni de la casa y entrada de video en el modelo de visión.
• Diseñado para el edge: el modelo de texto ocupa cerca de 1 GB en precisión de 4 bits, y su ventana de contexto de 256K tokens permite que los agentes corran en el dispositivo.
• Hecho para especializarse: cada modelo se ajusta en una sola GPU, así que puedes adaptarlo a tus datos, tu terminología y tu entorno de despliegue.

La arquitectura merece un párrafo aparte porque explica el rendimiento. LFM3-1.7B-Base tiene 24 capas con un mix tri-híbrido: 13 convoluciones cortas con compuerta, 5 capas de atención de ventana deslizante (ventana de 256 tokens) y 6 capas de atención global. A eso se suman atención con compuerta por cabeza, RoPE parcial y una normalización tipo sándwich en cada bloque.

El resultado se ve en contexto largo: por parámetro, LFM3-1.7B iguala a LFM2-1.2B en prompts cortos en dispositivos edge, y con 8K tokens en contexto es cerca de 25% más rápido. El modelo base se preentrenó con 22 billones de tokens y una etapa final de 3,5 billones sobre datos curados con más trazas de agente y llamadas a herramientas.

¿Qué modelo elegir para cada caso de uso?

La propuesta es no usar un modelo generalista gigante, sino elegir el que encaja con tus entradas. Cada modelo parte de LFM3-1.7B-Base:

• LFM3-1.7B (texto a texto): agentes locales, llamadas a herramientas, salidas estructuradas o base para fine-tuning de dominio. Está post-entrenado para correr en harnesses como Hermes Agent, Pi y OpenClaw.
• LFM3-VL-2B (texto, imágenes y video a texto): comprensión visual en el dispositivo. Es el primer modelo de visión de Liquid AI que acepta video y razona paso a paso antes de responder. Con 1.9B parámetros frente a los 3.1B de LFM2.5-VL-3B, sube el promedio en 62 benchmarks de visión de 57.6 a 71.4, a la par de Gemma 4 12B, un modelo más de seis veces más grande.
• LFM3-Audio-2B (texto y audio a texto y voz): chat de voz, reconocimiento y síntesis de habla y traducción en 18 idiomas en un portátil. Frente a LFM2.5-Audio-1.5B mejora la calidad de voz (UTMOSv2 3.83 contra 3.22) y suma comprensión de audio y llamadas a herramientas.
• LFM3-Omni-2B (texto, imágenes, video y audio): el primer modelo omni de la compañía, que ve, escucha y responde. En comprensión de video audiovisual supera a modelos de hasta 10.7B parámetros, como Qwen2.5-Omni-7B, en Daily-Omni, WorldSense y AV-SpeakerBench.
• d1-2B y d1-omni-2B: en lugar de generar texto, responden una lista de preguntas en una sola pasada, cada una con una probabilidad calibrada. d1-2B reemplaza a d1-3B con un tercio menos de parámetros y mejor puntaje en las cuatro suites de decisión (75.5 contra 64.0 en ImajevBench).

Los encoders propios y el audio en tiempo real

Dos piezas nuevas sostienen la parte multimodal. El encoder de visión combina convolución y atención y usa 3 veces menos cómputo que el encoder SigLIP2 de los modelos VL anteriores: el encoder de 164M parámetros iguala en precisión al de Qwen3.5-2B con 2,2 veces menos FLOPs. Para video, embebe cada par de fotogramas muestreados en una sola rebanada temporal, reduciendo a la mitad la longitud de la secuencia.

En audio, el encoder mezcla atención de ventana deslizante con convoluciones cortas y es totalmente causal, así que el modelo puede hacer prefill mientras hablas, con un tiempo hasta el primer token de apenas 50 ms. LiquidCodec, el nuevo tokenizador de audio, convierte tokens generados en voz a unas 87 veces el tiempo real en un solo hilo de CPU de un Apple M4 Max, y soporta decodificación en streaming.

¿Qué significa esto para tu startup?

El mensaje de fondo es que la especialización vuelve a ser competitiva frente al tamaño. Los modelos frontera son generalistas potentes, pero no necesariamente expertos en tu caso de uso. Un modelo de 2B con un fine-tune corto puede convertirse en un especialista confiable en tu tarea, con tus datos y tu terminología, y desplegarse donde corre tu aplicación.

Hay dos consecuencias prácticas que conviene tener en el radar:

• El costo de inferencia deja de ser variable. Si el modelo corre en el dispositivo del usuario, no pagas por token. Para productos con uso intensivo —soporte, transcripción, análisis de documentos— eso puede cambiar por completo el margen unitario.
• La privacidad se vuelve un argumento de venta. Procesar datos sensibles en el propio hardware evita enviarlos a la nube. En sectores regulados o en ventas a empresas, eso acorta ciclos de compra.

Acciones concretas para tu equipo

• Prueba el modelo de texto en tu caso de uso real. Instala la última versión de transformers y corre LiquidAI/LFM3-1.7B con pipeline sobre una muestra de tus datos. Mide latencia y calidad antes de decidir si vale un fine-tune.
• Empieza por un notebook de fine-tuning. La compañía publicó cuadernos para texto, visión, audio y omni, con tareas completas desde la preparación de datos hasta la evaluación. Es la forma más rápida de saber si tu problema se resuelve con SFT, DPO o GRPO.
• Si tu producto es de voz o visión, evalúa el modelo específico. LFM3-VL-2B para lectura de documentos y fotos, LFM3-Audio-2B para comandos hablados, LFM3-Omni-2B si necesitas una sola pieza en lugar de encadenar ASR, VLM, LLM y TTS.

El contexto: Liquid AI ya venía empujando el edge

LFM3 no llega aislado. La compañía viene construyendo su apuesta por la IA en el dispositivo desde hace tiempo. En octubre de 2026 publicó LFM2.5-24B-A2B, un modelo abierto de 24.000 millones de parámetros que activa solo 2.000 millones por token, alcanza hasta 184 tokens por segundo en el chip Apple M5 Max y cubre 16 idiomas, según Crypto Briefing.

También trabaja en la capa de contexto personal. Liquid Context, optimizado para los procesadores Snapdragon de Qualcomm, construye un perfil del usuario en el propio dispositivo y solo comparte con los agentes lo que el usuario autoriza, según The Next Web. Y SiliconANGLE reporta una colaboración con Mercedes-Benz para llevar IA embebida a sus vehículos.

Ese es el terreno donde LFM3 compite: no por ser el modelo más grande, sino por ser el más fácil de especializar y desplegar. Para un equipo pequeño, esa es una ventaja que se puede aprovechar hoy.

Fuentes

• Liquid AI — Build specialized multimodal models with LFM3 (fuente original)
• SiliconANGLE — Liquid AI builds personal AI around device-level context
• The Next Web — Liquid AI puts a personal context layer for AI agents on Snapdragon chips
• Crypto Briefing — Liquid AI releases LFM2.5-24B-A2B