LFM3: Liquid AI publica seis pequeños modelos abiertos de 2.000 millones de parámetros, de texto a audio, para ejecutarse en el dispositivo

Liquid AI, que diseña modelos compactos destinados a ejecutarse en el dispositivo, ha lanzado este martes 27 de octubre LFM3, su tercera generación de Liquid Foundation Models. El anuncio oficial se publicó en X a las 18:07, hora de París, acompañado de una larga entrada de blog. Los pesos se pueden descargar desde hoy en Hugging Face, y los modelos también se ofrecen en el Playground y la API de la empresa.

La apuesta va a contracorriente de la carrera por los modelos muy grandes: LFM3 reúne seis modelos de unos 2.000 millones de parámetros, cada uno especializado, pensados para ejecutarse directamente en un teléfono, un portátil o una placa embebida, sin pasar por la nube.

Una familia, seis usos

Todos los modelos se derivan del mismo núcleo, LFM3-1.7B-Base, también publicado para quienes quieran entrenarlo a su manera:

• LFM3-1.7B: el modelo de texto, con una ventana de contexto de 256 000 tokens, postentrenado para pilotar agentes (herramientas, navegación web, tareas ofimáticas);
• LFM3-VL-2B: visión y lenguaje, que acepta por primera vez vídeo en entrada en Liquid AI;
• LFM3-Audio-2B: conversación de voz, transcripción, síntesis y traducción en 18 idiomas, con llamadas a herramientas;
• LFM3-Omni-2B (2,2 mil millones de parámetros): el primer modelo «omni» de la casa, que combina imagen, sonido y texto;
• d1-2B y d1-Omni-2B: modelos de decisión que, en lugar de redactar una respuesta, responden en una sola pasada a una lista de preguntas (sí/no, elección, extracción de campos, localización de objetos), cada una con una probabilidad.

Lo que cambia bajo el capó

Liquid AI mantiene su receta híbrida, pero la enriquece. En las 24 capas del modelo de texto, 13 son convoluciones cortas, 5 utilizan una atención de ventana deslizante de 256 tokens y 6 una atención global. El objetivo declarado es mantenerse rápido en contextos largos: según el desarrollador, un contexto completo de 128 000 tokens solo ocupa 1,6 GB de memoria caché, frente a 4,3 GB para Qwen3.5-4B. El preentrenamiento abarca 22 billones de tokens, con más código, matemáticas y trazas de agentes que la generación anterior.

La arquitectura se ha optimizado en 14 combinaciones de hardware, desde smartphones Samsung y OnePlus hasta el Raspberry Pi 5, pasando por chips de Apple, AMD, Qualcomm y GPU. El modelo de texto ocupa unos 1 GB en 4 bits, y cada modelo puede ajustarse en una sola GPU. En cuanto a herramientas, llama.cpp, MLX y vLLM tienen soporte desde el lanzamiento, con socios como AMD, Qualcomm, NVIDIA, Arm, OpenRouter y Vercel.

Puntuaciones halagüeñas, por verificar

Las cifras publicadas son las de Liquid AI, sin medición independiente por ahora. En su propia tabla, LFM3-1.7B obtiene una media de 49,37, por delante de Qwen3.5-9B (47,24), un modelo más de cinco veces más grande. La diferencia es clara en las tareas de agentes en navegador (38,42 frente a 28,94 en WebArena-Verified).

La tabla también muestra sus límites, y el desarrollador lo reconoce: en código agentico (43,40 frente a 51,20 en SWE-bench Verified) y conocimientos (63,37 frente a 80,40 en GPQA Diamond), los modelos más grandes mantienen la ventaja. Para la visión, LFM3-VL-2B mostraría una media de 71,4 en 62 pruebas, al nivel de Gemma 4 12B (71,7), un modelo seis veces más grande.

El punto que no hay que perderse: la licencia

Liquid AI habla de modelos «abiertos», pero se trata de pesos descargables bajo LFM Open License v1.0, no de una licencia libre como Apache 2.0 o MIT. El texto, consultable en Hugging Face, reserva el uso comercial a las entidades cuyo volumen de negocio anual es inferior a 10 millones de dólares. Más allá, hay que pasar por un acuerdo con Liquid AI. Para un desarrollador independiente o una start-up, no tiene consecuencias inmediatas; para una gran empresa, es un punto bloqueante que hay que verificar antes de cualquier despliegue.