Liquid AI lanza LFM3: 6 modelos de 2B para IA local

Qué anunció Liquid AI con LFM3

Liquid AI presentó LFM3, su nueva generación de Liquid Foundation Models, con seis modelos open-weight de alrededor de 2.000 millones de parámetros que comparten un mismo backbone: LFM3-1.7B-Base. La familia cubre texto, visión, audio, omni y decisión, y todos los pesos base y post-entrenados están disponibles desde ya en Hugging Face, el Playground de la compañía y su API.

El dato que importa para un founder no es el tamaño, sino la promesa que lo acompaña: cada modelo se puede afinar en una sola GPU y correr en el dispositivo donde vive tu aplicación. En un mercado donde los lanzamientos se miden por cientos de miles de millones de parámetros, Liquid AI apuesta por lo contrario.

Una arquitectura tri-híbrida pensada para el edge

LFM2 ya había mostrado que un híbrido de convoluciones cortas y atención podía correr rápido en dispositivo sin sacrificar calidad. Para LFM3, Liquid AI rediseñó esa arquitectura con su búsqueda automatizada de hardware-in-the-loop, que esta vez cubrió 14 combinaciones de dispositivos y backends: teléfonos como el Samsung Galaxy S26 Ultra y el OnePlus 15, una Raspberry Pi 5, laptops con Apple M4 Max y AMD Ryzen AI, CPUs cloud Arm y x86, GPUs y la NPU Qualcomm Hexagon.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El resultado es lo que la compañía llama una arquitectura tri-híbrida. De sus 24 capas, 13 son convoluciones cortas con gate, 5 son atención de ventana deslizante con ventana de 256 tokens y 6 son atención global. Las convoluciones suben su kernel de 3 a 7 respecto a LFM2.

Tres cambios más completan el diseño:

Atención con gate por cabeza: una sigmoid escala la salida de cada cabeza de atención, de modo que una cabeza puede apagarse cuando no aporta nada. Esto ayuda a suprimir los valores atípicos de activación que dañan la cuantización.
RoPE parcial: las capas de atención global rotan solo la mitad de mayor frecuencia de cada cabeza, dejando la mitad de baja frecuencia sin rotar.
Sandwich norm: cada bloque normaliza tanto su entrada como su salida.

El pago se ve en contexto largo. Según Liquid AI, por parámetro LFM3-1.7B iguala a LFM2-1.2B en prompts cortos en dispositivos edge y, con 8K tokens de contexto, es cerca de 25% más rápido.

Los seis modelos de la familia LFM3

Todos los modelos salen del mismo backbone y rondan los 2B de parámetros:

LFM3-1.7B (texto): ventana de contexto de 256K tokens, post-entrenado para correr en harnesses agénticos como Hermes Agent, Pi y OpenClaw. Puede triagear correo, gestionar calendario, investigar en la web o enviar briefings por WhatsApp.
LFM3-VL-2B (visión): es el primer modelo de visión de Liquid que acepta video como entrada, además de razonamiento espacial y embodied.
LFM3-Audio-2B: entrada de texto o audio, salida de texto o voz, con soporte para 18 idiomas.
LFM3-Omni-2B: el primer modelo omni de la compañía, que combina visión, audio y lenguaje en un solo modelo de 2,2B parámetros.
d1-2B y d1-Omni-2B (decisión): no escriben respuestas, deciden. Reciben una situación y una lista de preguntas, y las responden en un solo forward pass, cada una con una probabilidad calibrada.

Los modelos de decisión incorporan respuestas tipadas: pueden señalar (dibujar una caja alrededor de lo que describes), leer (extraer texto, números y fechas de un documento con el span exacto de origen), estimar (dar un número con su rango probable) y elegir (seleccionar cada opción aplicable con su probabilidad).

¿Qué tan buenos son? Los números que reporta Liquid AI

Todas las cifras de esta sección son mediciones de la propia compañía y conviene leerlas como tales.

En tareas agénticas, Liquid AI reporta que LFM3-1.7B obtiene 38,42 en WebArena-Verified frente a 3,02 de LFM2.5-2.6B. La propia model card aclara que el modelo no está recomendado para coding agéntico ni razonamiento multi-paso complejo por su tamaño reducido.

En visión, la compañía afirma que LFM3-VL-2B sube el promedio de 62 benchmarks de 57,6 a 71,4 frente a LFM2.5-VL-3B, usando 1,9B parámetros contra 3,1B, y que iguala a Gemma 4 12B, un modelo más de seis veces más grande. El nuevo encoder de visión interno de 164M de parámetros usa, según la empresa, 3 veces menos cómputo que el encoder SigLIP2 de generaciones anteriores.

En audio, Liquid AI reporta calidad de voz de 3,83 en UTMOSv2 contra 3,22 de LFM2.5-Audio-1.5B, un encoder totalmente causal con tiempo hasta el primer token de apenas 50 ms, y un tokenizador propio, LiquidCodec, que genera voz a unas 87 veces el tiempo real en un solo hilo de CPU.

En eficiencia de despliegue, la compañía dice que LFM3-1.7B puede producir 3.600 millones de tokens por día en una sola NVIDIA B300 con SGLang en BF16 y 1.024 peticiones concurrentes. Y en memoria: un contexto completo de 128K tokens necesita 1,6 GB de caché KV, frente a 4,3 GB de Qwen3.5-4B y 5,6 GB de MiniCPM5-2B.

Especialización: el argumento central para founders

El caso más útil del anuncio está en los ejemplos de fine-tuning. Liquid AI afinó LFM3-VL-2B para detectar defectos en fotos de drones de aspas de turbinas eólicas, con unas 3.000 fotos públicas y unas pocas horas en una sola A100. Según la compañía, la precisión de clasificación subió a 67% y el F1 de detección pasó de 0,003 a 0,11.

También adaptó el modelo de visión a tres tareas de robótica: orquestación, navegación y manipulación. El modelo visión-lenguaje-acción entrenado en 15 encarnaciones alcanzó, según Liquid AI, 96,2% de éxito promedio en las cuatro suites de LIBERO y 45,7% en tareas de mesa RoboCasa-GR1, generando bloques de acción en menos de 50 ms en una Jetson AGX Orin.

Para dimensionar a la empresa detrás del lanzamiento: Liquid AI se fundó en 2023 y ha levantado aproximadamente US$287,5 millones, de los cuales la mayor parte corresponde a una Serie A de US$250 millones en diciembre de 2024, según CryptoBriefing.

¿Qué significa esto para tu startup?

El mensaje central de LFM3 es que la especialización dejó de ser un privilegio de quienes tienen presupuesto de data center. Un modelo de 2B que se afina en una GPU y corre en el dispositivo cambia tres cosas concretas para un equipo pequeño.

Primero, el costo de inferencia. Si tu producto hace miles de llamadas por usuario al día —clasificar tickets, etiquetar imágenes, rutear consultas—, el gasto por token define tu margen. Correr el modelo en el dispositivo del cliente o en tu propio hardware elimina esa factura variable y, de paso, mantiene los datos sensibles dentro de la infraestructura del cliente.

Segundo, la privacidad como argumento de venta. Para verticales reguladas (salud, legal, financiero, industrial), poder decir que el dato nunca sale del edificio es una objeción menos en la mesa de ventas.

Dos acciones que puedes ejecutar esta semana:

Prueba el fine-tuning con tus propios datos. Los modelos están en Hugging Face y Liquid AI publicó notebooks de SFT, DPO, GRPO y pre-entrenamiento continuado para texto, visión, audio y omni. Toma un caso de uso acotado —clasificar documentos, detectar anomalías en imágenes— y mide si un ajuste corto supera a tu prompt engineering actual.
Evalúa el modelo de decisión para tus flujos estructurados. Si tu producto ya usa un LLM grande solo para responder preguntas de sí/no, elegir categorías o extraer campos de un documento, d1-2B está diseñado exactamente para eso: respuestas con probabilidad calibrada en un solo forward pass, sin generar texto. Es el tipo de cambio que reduce latencia y costo sin tocar la arquitectura de tu producto.

La advertencia razonable: los benchmarks son de la compañía y la propia model card acota dónde el modelo no rinde. Antes de mover un flujo de producción, corre tu propia evaluación con datos reales. La ventaja de un modelo abierto es justamente esa: puedes medirlo tú mismo antes de comprometerte.