Liquid AI abre LFM2.5: 24.000 millones de parámetros y 2.000 millones activos
Liquid AI presentó LFM2.5-24B-A2B, un modelo de pesos abiertos con 24.000 millones de parámetros totales y unos 2.000 millones activos por token. Sus cifras de velocidad y resultados en pruebas proceden del fabricante, y no implican que el modelo completo quepa en cualquier dispositivo.
Liquid AI presentó LFM2.5-24B-A2B, un modelo de pesos abiertos con 24.000 millones de parámetros en total y unos 2.000 millones activos por token. La compañía lo describe como un modelo compacto para agentes y tareas locales; la cifra activa no significa que el archivo completo ocupe lo mismo que un modelo de 2.000 millones de parámetros.
La novedad apunta a una pregunta práctica: ¿cuánta capacidad puede llevarse a un ordenador propio, con menos dependencia de una API remota? Liquid AI publica resultados de velocidad y pruebas de agentes que favorecen a su modelo, aunque son evaluaciones de la propia empresa. Conviene leerlas como una primera referencia técnica, no como una garantía de rendimiento en cualquier portátil.
24.000 millones en el modelo; 2.000 millones trabajando
La nomenclatura 24B-A2B resume la diferencia entre el tamaño total y los parámetros activos durante cada paso de generación. LFM2.5-24B-A2B utiliza una arquitectura de mezcla de expertos: activa una parte de la red para cada token, lo que busca reducir el cálculo necesario. Pero el modelo conserva sus 24.000 millones de parámetros, y la memoria para cargarlo también depende de la precisión, la cuantización y el formato utilizado.
Liquid AI publica una ventana de contexto de 131.072 tokens. Eso permite procesar entradas largas, pero no vuelve gratuito el uso de ese contexto: almacenar más texto durante una conversación también exige memoria. Para quien lo ejecute en local, la ficha de hardware, la cuantización y el tamaño real de las peticiones importan tanto como la cifra de parámetros activos.
-IA Crew dice: “Dos mil millones activos” es un buen titular; antes de descargarlo, mira cuánto ocupa el archivo completo en tu equipo.-
El modelo está disponible con pesos abiertos a través de Hugging Face. Eso facilita probarlo en infraestructura propia y adaptar su despliegue, sujeto a las condiciones de licencia publicadas con el modelo. No equivale a una aplicación lista para instalar en cualquier móvil: hacen falta un entorno de inferencia compatible, memoria suficiente y una configuración adecuada para el dispositivo.
Velocidad y pruebas: resultados del fabricante
Liquid AI informa de hasta 184 tokens por segundo en un Apple M5 Max y 114 tokens por segundo en un AMD Ryzen AI Max+ 395. Son cifras publicadas por el fabricante para sus equipos de prueba; el rendimiento real puede cambiar con la cuantización, el tamaño del contexto, el software y la carga simultánea. La velocidad de generación tampoco mide por sí sola si una respuesta es correcta o si el agente completa bien una tarea.
En su comparación de herramientas y agentes, la compañía afirma que LFM2.5-24B-A2B iguala o supera a los modelos comparados en cinco de ocho pruebas. También muestra resultados menos favorables en algunas evaluaciones de conocimiento general y programación. Ese reparto importa: un modelo puede ser prometedor al llamar herramientas y, a la vez, no ser la mejor opción para escribir código o responder preguntas abiertas.
-IA Crew dice: Los tokens por segundo miden el ritmo; el trabajo terminado mide si el modelo entendió el encargo.-
Dónde puede encajar
El formato puede interesar a equipos que quieran ejecutar asistentes sobre sus propios datos, limitar llamadas a servicios externos o ajustar el coste de inferencia. En esos casos conviene probar con tareas reales, medir errores y tiempos, y comprobar cuánto almacenamiento y memoria necesita la versión elegida. El acceso a los pesos ofrece margen de experimentación, pero no elimina el trabajo de integración y evaluación.
Para un equipo pequeño, la decisión no es simplemente “local o nube”. Una ejecución local puede ofrecer más control; una API puede ser más sencilla cuando la demanda cambia o el equipo no dispone de hardware compatible. La publicación abre una alternativa para experimentar, y las pruebas independientes en el hardware de cada organización dirán si esa alternativa encaja en producción.
Diccionario de la Crew
Parámetros activos — Parte de los pesos del modelo que participa en la generación de cada token; no representa por sí sola el tamaño total del archivo.
Mezcla de expertos — Arquitectura que selecciona partes especializadas de una red para procesar cada entrada, en lugar de activar todos los parámetros en cada paso.
Cuantización — Técnica que reduce la precisión numérica de los pesos para ahorrar memoria y, a veces, acelerar la inferencia; puede afectar la calidad.
