Liquid AI lanza LFM2.5-2.6B: agentes de IA que funcionan en Raspberry Pi

LFM2.5-2.6B: El modelo que lleva agentes de IA a cualquier dispositivo

Liquid AI, la startup fundada en 2023 por excientíficos del MIT, acaba de lanzar LFM2.5-2.6B, un modelo de lenguaje de código abierto diseñado específicamente para cargas de trabajo agentivas que funciona completamente en hardware local — desde smartphones y laptops hasta un Raspberry Pi — sin depender de inferencia en la nube ni GPUs.

Con solo 2.6 mil millones de parámetros y una ventana de contexto de 128.000 tokens, este modelo especializado en el uso de herramientas representa un cambio fundamental en cómo las empresas pueden implementar IA en entornos con restricciones de conectividad, privacidad o costo.

¿Por qué un modelo pequeño es una gran ventaja para empresas?

La apuesta de Liquid AI no es competir con los modelos frontera más grandes, sino demostrar que un modelo suficientemente capaz y pequeño puede desbloquear categorías enteras de aplicaciones empresariales donde la latencia, la privacidad, la flexibilidad de despliegue o los costos de inferencia importan más que el liderazgo absoluto en benchmarks.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Maxime Labonne, jefe de post-entrenamiento de Liquid AI, explica en VentureBeat: «Creo que los mejores modelos estarán en la nube, y no hay problema con eso. Queremos hacer modelos para otro tipo de usuario, y la mejor manera de describirlo es: deberías usar [edge AI] cuando no puedes usar un modelo en la nube».

Rendimiento en hardware limitado: desde Raspberry Pi hasta smartphones

Las mediciones reportadas por la compañía indican un rendimiento impresionante para un modelo de este tamaño:

220 tokens por segundo en un Apple M5 Max
113 tokens por segundo en un AMD Ryzen AI Max+ 395
30 tokens por segundo en un smartphone
Menos de 2.5 GB de memoria utilizada

El modelo está diseñado explícitamente alrededor del rendimiento real en CPUs en lugar de benchmarks de GPUs. Labonne señala: «Creo que el mejor ejemplo es un Raspberry Pi. Tenemos muchos demos que muestran que, de hecho, funciona bastante rápido en el Raspberry Pi».

En el otro extremo del espectro de despliegue, el modelo alcanza casi 15.000 tokens de salida por segundo en una sola GPU NVIDIA H100 bajo carga concurrente sostenida — aproximadamente 1.300 millones de tokens por día en una sola tarjeta.

Entrenado específicamente para agentes, no para chatbots

LFM2.5-2.6B fue desarrollado bajo la premisa de que los modelos de lenguaje se consumen cada vez más a través de marcos agentivos en lugar de interfaces conversacionales tradicionales. El modelo fue entrenado directamente dentro de arneses de agentes de producción — incluyendo Hermes Agent y OpenClaw — en tareas realistas de productividad que involucran investigación, codificación, gestión de documentos, invocación de herramientas y automatización de flujos de trabajo.

El pipeline de post-entrenamiento de cuatro etapas incluye:

Fine-tuning supervisado
Especialización del profesor (entrenamiento de modelos expertos separados)
Destilación multi-dominio en política (MOPD)
Aprendizaje por refuerzo agentivo

Labonne describe este rediseño del pipeline como produciendo un «accidente feliz»: mejoras que se extendieron mucho más allá de los objetivos agentivos. «A través de estas nuevas técnicas de entrenamiento, también mejoramos en todo. Mejoramos en matemáticas, en seguimiento de instrucciones. Nunca hemos sido buenos en código, en realidad — y con esto, incluso nos volvimos realmente buenos en código», afirma.

Comparación con modelos competidores

Según los benchmarks publicados por Liquid AI, LFM2.5-2.6B se compara favorablemente contra modelos que las empresas probablemente consideran para los mismos despliegues edge:

Google Gemma 4 (5.1B y 8B parámetros)
Alibaba Qwen3.5 (4.7B y 9.7B parámetros)
DeepSeek-V4-Flash (284B parámetros)

El modelo más pequeño en la comparación lidera cada benchmark de seguimiento de instrucciones (IFBench, Multi-IF, IFStruct) y casi todos los benchmarks de uso de herramientas — 77.83 en ToolSandbox versus 76.44 para Qwen3.5-9B, un modelo casi cuatro veces su tamaño.

En evaluaciones agentivas, supera a ambos modelos Gemma en todos los aspectos y esencialmente empata con los Qwen: 26.89 en BrowseComp+ versus 27.23 para Qwen3.5-9B.

Licenciamiento comercial: un punto medio pragmático

LFM2.5-2.6B se distribuye bajo la LFM Open License v1.0, que permite uso, modificación y redistribución — incluyendo uso comercial — para organizaciones con menos de $10 millones en ingresos anuales. El uso comercial por empresas más grandes no está cubierto por la licencia, requiriendo un acuerdo separado con Liquid AI.

Labonne enmarca esta estructura como una forma de sostener el desarrollo de modelos: «Los modelos son realmente las ventajas competitivas, por lo que necesitamos ser sensatos en la forma en que los licenciamos; de lo contrario, no podemos ganar dinero, así que no podemos hacer más modelos».

¿Qué significa esto para tu startup?

1. Automatización a costo marginal cero

La capacidad de ejecutar agentes de IA continuamente, en cualquier lugar, a costo marginal de token cero cambia la economía de la automatización. Para empresas que manejan datos sensibles o operan en industrias reguladas, poder ejecutar agentes completamente en dispositivos locales elimina preocupaciones de privacidad y cumplimiento normativo.

2. Flexibilidad de despliegue sin precedentes

Puedes implementar el mismo modelo en múltiples contextos cambiando solo las herramientas que lo rodean, no el modelo mismo. Como explica Labonne: «Puedes tener un asistente de calendario, y puedes reutilizar el mismo modelo y hacer un asistente de reuniones que grabará lo que todos dijeron y lo resumirá. No cambias el modelo; solo cambias el arnés. Solo cambias las herramientas a su alrededor».

3. Barrera de entrada reducida para fine-tuning

La compañía ofrece un marco de fine-tuning de código abierto llamado LEAP, y Labonne señala que «la barrera para poder hacer fine-tuning ahora es súper baja. Es muy accesible para todos». Para despliegues de producción, recomienda fine-tuning siempre que sea factible: «Si no lo ajustas, dejas algo de calidad sobre la mesa. Si lo ajustas bien, igualará el rendimiento de GPT y Claude».

Implementaciones prácticas que puedes considerar hoy

Para empresas B2B con datos sensibles

Si manejas información de clientes, propiedad intelectual o datos regulados, implementar agentes locales elimina el riesgo de enviar datos a la nube. LFM2.5-2.6B puede procesar documentos, automatizar flujos de trabajo y gestionar calendarios completamente en tus propios servidores o dispositivos.

Para productos IoT y dispositivos embebidos

La capacidad de ejecutar en un Raspberry Pi abre posibilidades para productos inteligentes que necesitan procesamiento de lenguaje natural sin conectividad constante. Desde asistentes de voz locales hasta sistemas de diagnóstico automático, el modelo proporciona capacidades avanzadas en paquetes pequeños.

Para aplicaciones móviles

Con rendimiento verificable en smartphones, puedes integrar capacidades agentivas avanzadas en aplicaciones móviles sin depender de conexiones de red. Esto es especialmente valioso para aplicaciones en vehículos, entornos remotos o donde la latencia es crítica.

Conclusión

El lanzamiento de LFM2.5-2.6B por Liquid AI marca un punto de inflexión en la democratización de la IA agentiva. Al priorizar la eficiencia sobre el tamaño bruto, la compañía está abriendo categorías enteras de aplicaciones que antes eran inviables por razones técnicas o económicas.

Para founders hispanohablantes, este desarrollo significa que las capacidades de IA más avanzadas están ahora al alcance de startups con presupuestos limitados y necesidades específicas de despliegue. Ya sea que estés construyendo un producto IoT, una aplicación empresarial con requisitos de privacidad estrictos o simplemente buscando automatizar procesos internos de manera más eficiente, los modelos edge como LFM2.5-2.6B ofrecen una vía práctica hacia la implementación real de IA en tu negocio.