Liquid AI lanza LFM3: IA local para empresas desde US$0.08

¿Qué es LFM3 y por qué apunta a la IA en el dispositivo?

Liquid AI presentó LFM3, una familia de seis modelos compactos diseñados para llevar más trabajo empresarial a hardware controlado por la propia compañía. El anuncio del 27 de octubre incluye modelos de lenguaje, visión, voz y decisiones estructuradas, todos construidos sobre una base compartida de 1.700 millones de parámetros, con versiones especializadas de alrededor de 2.000 millones.

La promesa es concreta: personalizar cada modelo con una sola GPU y desplegarlo en dispositivos, servidores privados o infraestructura cloud. Para una empresa que arma flujos repetibles —enrutar solicitudes, extraer información de documentos, inspeccionar imágenes u operar aplicaciones de negocio—, un modelo chico que hace bien una tarea definida reduce la dependencia de servicios remotos y da más control sobre dónde ocurre la inferencia.

Liquid no es una desconocida en esta carrera. En agosto de 2026, MacPaw anunció una alianza de largo plazo con la compañía para construir una capa de IA local en la Mac, según TechCrunch, con el asistente Eney como primer producto y la intención de abrir la tecnología a desarrolladores a través de Setapp, su tienda de apps por suscripción con más de 150.000 usuarios pagos. El CEO y cofundador de Liquid, Ramin Hasani, resumió la tesis en esa nota: elegir una arquitectura distinta según el hardware permite tener "la versión más eficiente de inteligencia que corre directamente en el dispositivo".

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 →

Los modelos de Liquid también llegan con nombres propios en su haber: según iClarified, ya se usan en cargas de IA local en Mercedes-Benz, Insilico Medicine y Shopify. En el anuncio de LFM3, Liquid menciona a Mercedes-Benz y Shopify como socios de prueba y evaluación previos al lanzamiento, y señala que la automotriz explora cómo la IA local podría mejorar su asistente MBUX Virtual Assistant. No hay, en los materiales revisados, un despliegue en producción confirmado en ninguna de las dos.

¿Cómo rinde LFM3 frente a modelos más grandes?

Acá está lo interesante y también el límite. En las pruebas reportadas por Liquid —no verificadas de forma independiente por VentureBeat—, LFM3-1.7B obtiene 38,42 en WebArena-Verified, contra 28,94 de Qwen3.5-9B y 3,02 de su predecesor LFM2.5-2.6B. En AutomationBench público saca 41,29, frente a 15,10 y 0,94 respectivamente. Y en function calling (BFCL V4) logra 71,39, por encima de los 62,83 de Qwen3.5-9B.

El patrón se rompe cuando el trabajo exige razonamiento largo o código. En MCP-Atlas, Qwen3.5-9B saca 42,67 contra 32,57 de LFM3. En SWE-bench Verified con OpenCode, 51,20 contra 43,40. En GPQA Diamond, 80,40 contra 63,37. Y en RULER a 128K la distancia es enorme: 87,11 contra 65,56.

Liquid lo admite por escrito: "Los modelos más grandes siguen ganando en coding agéntico y conocimiento, donde el tamaño importa más". Su documentación es aún más directa: no se recomienda el modelo para coding agéntico ni razonamiento complejo de varios pasos.

La traducción para un founder es simple: no estás comprando un reemplazo universal, estás comprando un especialista barato para tareas acotadas. El modelo de texto, además, fue entrenado para operar dentro de frameworks de agentes como OpenClaw, Hermes Agent y Pi, con tareas como organizar bandeja de entrada, agendar y hacer investigación web.

¿Cuánto cuesta correr LFM3 en la nube?

El console de Liquid lista el modelo de texto a US$0.08 por millón de tokens de entrada y US$0.20 por millón de salida, con entrada cacheada a US$0.02. El modelo de visión sube a US$0.10 de entrada y US$0.50 de salida. Los de audio y omni quedan en US$0.10 de entrada y US$1.00 de salida, y suman US$2.00 por millón de tokens de audio de entrada y US$10.00 de salida de audio. Con esas tarifas, procesar un millón de tokens de entrada sin caché y generar un millón de salida cuesta US$0.28 con LFM3-1.7B, US$0.60 con el de visión y US$1.10 con audio u omni, antes de cualquier cargo por audio.

Hay dos detalles que suelen morder en producción. Primero: el modelo descargable documenta 256K tokens de contexto, pero la versión hospedada en la API lista 128.000. Segundo: la licencia. La documentación identifica LFM Open License v1.0 y, según los términos publicados por Liquid, las empresas que superan los US$10 millones de ingresos anuales necesitan un acuerdo aparte para uso comercial. Desplegar local elimina el costo por token, no la licencia, el hardware, la energía ni el mantenimiento.

En velocidad local, Liquid midió con llama.cpp, modelos Q4_0 y 32K tokens de entrada: 8.028 tokens por segundo de procesamiento de entrada y 237,1 de generación en un Apple M5 Max (2,25 GB reportados), 3.771 y 129,6 en un AMD Ryzen AI Max+ 395 (2,75 GB) y 1.061 y 43,6 en un iPhone 17 Pro (1,90 GB). Son entre 1,8 y 2,8 veces la velocidad del siguiente modelo más rápido en cada comparación, siempre según datos de la compañía.

Un dato que conviene no malinterpretar: el "aproximadamente 1 GB" del modelo a cuatro bits no es el presupuesto total de memoria de una aplicación. Liquid aclara que su cifra de 1,6 GB para 128K de contexto corresponde al KV cache, la memoria de trabajo durante la generación. Almacenamiento del modelo y otros requisitos de runtime se suman aparte.

¿Qué significa esto para tu startup?

Tres implicancias concretas.

Primero, el cálculo cambió para tareas de un solo paso. Clasificar un ticket, extraer la fecha de una factura o asignar una categoría no necesita un modelo de frontera. Los modelos de decisión d1-2B y d1-Omni-2B, sucesores de d1-3B, devuelven respuestas estructuradas con probabilidades en una sola pasada, incluyendo extracción de campos, localización de objetos, estimación de valores numéricos y selección de múltiples opciones aplicables. Para automatizaciones internas, esa salida estructurada suele ser más útil que una respuesta conversacional.

Segundo, la privacidad deja de ser un trade-off. El console indica que todos los modelos listados tienen retención de datos cero: Liquid dice que usa el material enviado para cumplir la solicitud y no lo retiene, registra ni usa para entrenamiento. Si tu cliente corporativo te frena por compliance, esto es un argumento a favor, aunque la compañía no especificó regiones de hosting ni garantías de soporte en los materiales revisados.

Tercero, la personalización es barata de probar. Liquid adaptó su modelo de visión con unas 3.000 imágenes públicas de turbinas eólicas, varias horas de entrenamiento en una Nvidia A100 y una evaluación sobre aproximadamente 1.400 imágenes reservadas. La precisión de clasificación pasó de menos del 10% a 67%, aunque el F1 de detección —encontrar y ubicar el defecto— llegó solo a 0,11. Es una mejora enorme y, a la vez, una advertencia: sirve para asistir a un humano, no para inspección industrial autónoma.

¿Cómo probar LFM3 en un caso de uso acotado?

Elige un flujo con resultado medible. Un campo de documento a extraer, una categoría de ticket a asignar o una secuencia de llamadas a herramientas aprobadas. Si no puedes medir la precisión, no puedes justificar el ahorro.
Mide el flujo completo, no el benchmark. Incluye llamadas fallidas, reintentos y escalado a otro modelo. Los números de Liquid son de la compañía y no hubo validación independiente; tampoco respondió si todas las comparaciones usaron las mismas herramientas y márgenes de razonamiento.
Compara el costo total, no la tarifa por token. Suma licencia, hardware, energía, mantenimiento y revisión humana. Y revisa el límite de contexto de la versión que vas a usar: 128.000 en la API hospedada contra 256K en los pesos descargables.
Verifica formato y runtime antes de comprometerte. El catálogo de modelos documenta formatos y runtimes disponibles, con soporte variable entre texto, visión, audio y decisión. No asumas que toda capacidad corre en todo runtime.

El caso de negocio de LFM3 no es reemplazar a un modelo de frontera. Es sacar del camino crítico un porcentaje de tareas repetitivas con un modelo que cabe en un teléfono. Para un equipo chico, eso puede significar automatizar procesos que antes no justificaban el costo por token.