2026-10-27 · ← Noticias
Liquid AI metió seis modelos en 2000 millones de parámetros, pero las grandes empresas no pueden usarlos comercialmente
La familia LFM3 de Liquid AI reúne en una sola base modelos de texto, visión, audio y decisión, y el modelo de texto ocupa alrededor de 1 GB con precisión de 4 bits. Los pesos se descargan gratis, pero la licencia solo permite el uso comercial a empresas con ingresos anuales inferiores a 10 millones de dólares.
No se pudo cargar la imagen.
Liquid AI presentó el 27 de octubre la familia LFM3: seis modelos de unos 2000 millones de parámetros que parten de una misma base, LFM3-1.7B-Base. Con precisión de 4 bits, el modelo de texto cabe en aproximadamente 1 GB de memoria y, según la empresa, supera en tareas agénticas al anterior LFM2.5-2.6B con un 35 % menos de parámetros.
Una base, seis especialistas y un modelo de texto en 1 GB
De LFM3-1.7B-Base salen el modelo de texto LFM3-1.7B, el de visión LFM3-VL-2B, el de audio LFM3-Audio-2B, LFM3-Omni-2B, que maneja imagen y sonido a la vez, y dos modelos de decisión, d1-2B y d1-omni-2B. La base se entrenó con 22 billones de tokens. Los últimos 3,5 billones incluían una proporción mayor de trazas agénticas y llamadas a herramientas, lo que además amplió la ventana de contexto a 256 000 tokens.
La empresa diseñó la arquitectura midiéndola directamente en 14 combinaciones de dispositivos y backends, desde teléfonos y una Raspberry Pi 5 hasta la NPU Qualcomm Hexagon. El resultado tiene 24 capas: 13 convoluciones cortas, 5 capas de atención con ventana deslizante y 6 de atención global. Por parámetro, y con 8000 tokens en contexto, Liquid AI asegura que es un 25 % más rápido que LFM2-1.2B.
La empresa también ofrece cifras concretas. LFM3-1.7B obtiene 38,42 puntos en WebArena-Verified, frente a los 3,02 del anterior LFM2.5-2.6B. LFM3-VL-2B, con 1900 millones de parámetros, eleva la media en 62 benchmarks de visión de 57,6 a 71,4, lo que según la empresa lo pone a la altura de Gemma 4 12B. El modelo de audio habla 18 idiomas y puede devolver el primer token en apenas 50 ms. El modelo de decisión d1-2B sustituye a d1-3B y logra 75,5 puntos frente a 64,0 en ImajevBench, un conjunto propio de la compañía.
Los equipos con hardware propio meten más modelos en la misma memoria
Liquid AI apuesta por lo contrario de lo que hacen los grandes laboratorios. En lugar de un modelo general que lo hace todo desde la nube, ofrece pequeños especialistas que el equipo elige según el tipo de entrada, ajusta con una sola GPU y ejecuta allí donde vive la aplicación. Para fabricantes de dispositivos, equipos de robótica o empresas que no pueden sacar datos fuera, eso supone un único conjunto de herramientas para control por voz, lectura de tiques y clasificación de incidencias.
El modelo de texto está además entrenado expresamente para entornos agénticos como Hermes Agent, Pi u OpenClaw. Liquid apunta a desarrolladores que quieren un agente local en el portátil sin cuenta en un proveedor de API. Añade diez notebooks listos para fine-tuning, desde convertir tiques en JSON hasta elegir la herramienta correcta entre 108.
Frente a d1-3B, del que hablamos hace tres semanas, Liquid respalda ahora sus modelos de decisión con cifras. Siguen saliendo, eso sí, de cuatro conjuntos de pruebas propios, no de una comparación pública.
La licencia de pesos abiertos se detiene en 10 millones de dólares de ingresos
En Hugging Face los modelos figuran como open-weight, pero la LFM Open License v1.0 condiciona el uso comercial a que la empresa no supere los 10 millones de dólares de ingresos anuales. Una compañía mayor puede descargar y probar los pesos, pero esta licencia no cubre su despliegue comercial. La única excepción son las organizaciones sin ánimo de lucro con fines no comerciales o de investigación.
El segundo límite son las cifras. Casi todas las comparaciones proceden de Liquid AI y se midieron en sus condiciones. La equiparación con Gemma 4 12B es una media de 62 benchmarks, no una garantía de que el modelo pequeño resuelva las mismas tareas en producción. El salto en WebArena-Verified de 3,02 a 38,42 muestra sobre todo lo flojo que era el predecesor en trabajo agéntico.
Las pruebas independientes y los primeros despliegues ajustados dirán cuánto se sostiene
La primera señal llegará de benchmarks independientes y de la comunidad de agentes locales. Si LFM3-1.7B rinde en harnesses ajenos, y no solo en el notebook del fabricante, será un argumento más sólido que cualquier tabla de un blog.
La segunda señal es la robótica, que Liquid presenta como su ejemplo estrella. La empresa declara un 96,2 % de éxito en las pruebas LIBERO y generación de acciones en menos de 50 ms en un Jetson AGX Orin. Solo los despliegues fuera del laboratorio mostrarán si un especialista pequeño aguanta el trabajo que hoy hace un gran modelo general en la nube.
El veredicto de Lilith
Liquid AI reparte seis pequeños especialistas que caben en el bolsillo, el de texto en un solo gigabyte. Quien supere los 10 millones de dólares de ingresos descubrirá que le dieron una muestra gratuita de farmacia, y que el envase completo le espera en la caja.