Qué anuncia Liquid AI y por qué importa
Liquid AI ha publicado LFM2.5-24B-A2B, un modelo de razonamiento de 24.000 millones de parámetros del que solo 2.000 millones están activos por cada token generado. Según el anuncio de la compañía, está diseñado para ejecutar agentes «en el dispositivo»: el modelo razona antes de responder, llama a herramientas y resuelve tareas de varios pasos dentro de entornos de agente habituales. Ambos pesos, la versión final y la base, están disponibles en Hugging Face el mismo día del anuncio.
La arquitectura es la clave. Al mantener solo 2B activos por token, cada paso de razonamiento resulta barato de calcular, lo que permite, según Liquid AI, mantener agentes funcionando de forma continua sobre hardware propio en lugar de depender de una API externa.
Qué cambia respecto al modelo anterior
LFM2.5-24B-A2B conserva la arquitectura de LFM2-24B-A2B: 40 capas, 64 expertos por bloque con enrutado top-4 y una mezcla de convoluciones cortas con compuerta y GQA. Los cambios son concretos:
- La ventana de contexto pasa de 32K a 131K tokens.
- El vocabulario se duplica de 65K a 128K tokens mediante una expansión del tokenizador, orientada a mejorar la tokenización de idiomas no latinos.
- El preentrenamiento crece de unos 17 billones a unos 33 billones de tokens.
- A diferencia de su predecesor, es un modelo solo de razonamiento: genera una cadena de pensamiento explícita antes de la respuesta final.
El postentrenamiento se organiza en cinco etapas, con destilación sobre tareas agénticas y aprendizaje por refuerzo dentro de entornos como OpenClaw, Hermes Agent, Pi y OpenCode.
Resultados declarados y sus límites
Liquid AI compara el modelo con Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it y Nemotron-3.5-Lightning en 16 pruebas. Son cifras del proveedor, no una evaluación independiente. Según esos datos, LFM2.5-24B-A2B lidera o iguala en cinco de las ocho pruebas de uso de herramientas y flujos agénticos, y encabeza las tres de seguimiento de instrucciones. En AutomationBench obtiene 27,69 frente a 8,72 del siguiente mejor.
El propio anuncio reconoce dónde pierde: los modelos mayores mantienen ventaja en conocimiento (GPQA Diamond, HLE, AA-Omniscience) y en código (SWE-Bench Verified con OpenCode, SciCode). La recomendación de Liquid AI es emparejarlo con recuperación de información o búsqueda web para cargas intensivas en conocimiento.
Rendimiento y despliegue
El anuncio indica soporte desde el primer día en llama.cpp, MLX, vLLM, SGLang y ONNX. En inferencia local, la compañía declara 184 tokens por segundo en un Apple M5 Max y 114 en un Ryzen AI Max+ 395, y más de 21.000 tokens de salida por segundo con alta concurrencia en una única GPU NVIDIA B300. Son medidas del proveedor en hardware concreto; el rendimiento en tu equipo dependerá de la configuración.
El uso previsto es servir el modelo en local detrás de un backend compatible con la API de OpenAI y apuntar a él un entorno de agente. El anuncio detalla la configuración para Hermes Agent y remite a la model card para OpenClaw y Pi.
Antes de decidir nada conviene comprobar tres cosas: si el hardware disponible sostiene la latencia que exige tu proceso, si la licencia y las condiciones de uso de los pesos encajan con tu caso, y si las tareas que quieres automatizar son de herramienta e instrucción (donde el modelo destaca) o de conocimiento profundo (donde el propio proveedor recomienda apoyarse en recuperación).
Qué significa para un proceso de empresa
La novedad no es que exista otro modelo abierto, sino que un agente con llamadas a herramientas pueda ejecutarse en infraestructura propia con un coste por token bajo. Eso cambia el cálculo sobre qué datos conviene sacar de casa.
Como ejemplo hipotético, un equipo podría tener un agente local que reciba solicitudes internas, consulte el sistema de gestión mediante una herramienta, prepare un borrador de respuesta y lo deje pendiente de revisión humana antes de enviarlo. Es una posibilidad de diseño, no una función descrita por Liquid AI, y exige construir la integración y definir los controles.
El límite es claro: ejecutar en local reduce la dependencia de un proveedor externo, pero no convierte por sí solo el sistema en seguro ni en conforme a la normativa aplicable. Eso depende de cómo se diseñen accesos, registros y revisiones.
Conecta un agente local con tus herramientas
Si tu equipo ya dedica tiempo a mover información entre el correo, el CRM y el sistema de gestión, un agente que razone y llame a herramientas puede aliviar esa carga. En Wemvy desarrollamos software a medida e integramos herramientas para que las solicitudes lleguen al sistema correcto y los pendientes queden listos para que alguien los revise. También automatizamos aprobaciones entre aplicaciones y desplegamos agentes de IA con un alcance acordado.
El primer paso es analizar tu proceso y decidir qué conviene automatizar y qué debe seguir pasando por una persona. Cuéntanos cómo gestionas hoy esas solicitudes y te proponemos por dónde empezar.
Fuente: huggingface.co
