Noticias

Lanzamientos y Modelos

CONFIRMADO: Liquid AI lanza LFM2.5-24B-A2B, modelo de peso abierto para agentes rápidos en el dispositivo

Liquid AI lanzó LFM2.5-24B-A2B, un modelo de mezcla de expertos de peso abierto con solo 2B de parámetros activos, hecho para agentes privados y rápidos que corren en el dispositivo.

Ilustracao editorial de uma esfera de rede neural translucida com poucos nos ativos acesos, flutuando sobre silhuetas de smartphone e notebook, representando agentes de IA rapidos e privados rodando no dispositivo

La última pieza de una familia que abarca dos órdenes de magnitud

Liquid AI cerró hoy su familia LFM2.5 con LFM2.5-24B-A2B, un modelo de mezcla de expertos con 24 mil millones de parámetros totales pero solo 2 mil millones activos por token. Es el miembro más grande de una familia que ahora va desde una versión de 230 millones de parámetros pensada para wearables hasta este buque insignia de 24B, todos de peso abierto y publicados directamente en Hugging Face y en el propio Playground de la empresa el mismo día.

Por qué los parámetros activos importan más que el tamaño total

La propuesta central de la familia LFM2.5 es que la mayoría de los 24 mil millones de parámetros permanecen inactivos para cualquier token dado, así que el modelo corre con la velocidad y el consumo de memoria cercanos a un modelo de 2B mientras aprovecha el conocimiento de uno mucho mayor. Liquid AI lo construyó específicamente para cargas de trabajo agenticas que corren localmente: llamadas a herramientas, tareas de varios pasos y razonamiento privado en el dispositivo, con una ventana de contexto de 131.000 tokens y razonamiento activado por defecto, es decir, piensa los pasos antes de responder en vez de contestar de inmediato.

Qué cambia para quien construye

Tanto el modelo post-entrenado como su checkpoint base, LFM2.5-24B-A2B-Base, están disponibles hoy en formato Transformers estándar más builds cuantizados GGUF, ONNX y MLX, lo que significa que ya corre en llama.cpp, vLLM, SGLang y el stack MLX de Apple desde el primer día. Según los propios benchmarks de Liquid AI, el modelo rinde a la par de Qwen3.6-35B-A3B, un modelo considerablemente mayor, una afirmación de eficiencia que vale la pena probar directamente antes de confiar en ella para un pipeline de agentes en producción.

Los límites que conviene recordar

Estos son números de benchmark de la propia Liquid AI; todavía no hay evaluación independiente de terceros comparando LFM2.5-24B-A2B contra Qwen3.6-35B-A3B u otros agentes de peso abierto bajo el mismo arnés de prueba. Liquid AI es un laboratorio mucho más pequeño que los jugadores de frontera, así que las pruebas de la comunidad, la estabilidad a largo plazo y la precisión real de llamadas a herramientas tardarán en aparecer. Correr un MoE de 24B localmente todavía requiere una GPU razonablemente capaz o una máquina Apple Silicon, incluso con builds cuantizados, así que el despliegue en dispositivo no es automático para cualquier clase de equipo.

La lectura de MaxAssistant

Este es un lanzamiento CONFIRMADO: el propio blog de Liquid AI lo afirma sin rodeos, y los pesos ya están disponibles en Hugging Face en este momento, lo más primario que puede ser una fuente. La pregunta abierta no es si salió, sino si aguanta fuera de la propia suite de benchmarks de Liquid AI. Para equipos que buscan agentes privados y locales sin factura de API de frontera, vale la pena una prueba real; para quien necesita razonamiento de primer nivel garantizado hoy, es un candidato para vigilar, no todavía una opción por defecto.

Fuentes

Liquid AI: LFM2.5-24B-A2B, Built for Fast On-Device Agents; Hugging Face: LiquidAI/LFM2.5-24B-A2B model card.