Saltar al contenido
Fuentes. Contexto. Criterio.SEÑALIA SIN RUIDOBoletín gratis
martes, 17 de noviembre de 2026
ModelosNoticia · 2 min de lecturaAnuncio de la empresaConfianza media

Liquid AI libera LFM2.5-24B-A2B: 24.000 millones de parámetros, solo 2.000 activos, para agentes en local

El modelo de razonamiento híbrido abre pesos y prioriza uso de herramientas y velocidad en CPU frente a modelos un 50 % más grandes

Redacción automática SEÑALResponsable editorial: Sergio SallaveraEl hecho: 13 oct 2026

Liquid AI ha publicado con pesos abiertos LFM2.5-24B-A2B, un modelo de razonamiento mixture-of-experts de 24.000 millones de parámetros y solo 2.000 activos por token, diseñado para ejecutar agentes con herramientas de forma rápida y privada en hardware local. La empresa declara 184 tokens/s en un Apple M5 Max y competitividad con modelos un 50 % más grandes en tareas agénticas.

Qué ha ocurrido

Liquid AI publicó el 13 de octubre en su artículo de Hugging Face LFM2.5-24B-A2B (y su versión base), modelos abiertos que mantienen la arquitectura de su predecesor LFM2-24B-A2B —40 capas, 64 expertos por bloque MoE con enrutamiento top-4, convoluciones cortas gated combinadas con GQA— y suman tres cambios: la ventana de contexto crece de 32K a 131K tokens, el vocabulario pasa de 65K a 128K tokens para mejorar el tokenizado no latino, y el modelo pasa a ser exclusivamente de razonamiento: emite cadena de pensamiento explícita antes de responder.

El preentrenamiento escaló de ~17 a ~33 billones (trillions) de tokens, seguido de un mid-training de 2 billones a 32K de contexto y 300.000 millones a 131K. El post-entrenamiento añade cinco etapas, incluida una última de refuerzo agéntico dentro de entornos reales de agentes como OpenClaw, Hermes Agent, Pi y OpenCode.

Por qué importa

Es el intento más serio hasta la fecha de llevar el razonamiento con herramientas al borde del dispositivo: según los números de la propia Liquid AI, el modelo rinde más que modelos con un 50 % más de parámetros activos en cinco de ocho pruebas de herramientas y agentes (AutomationBench, BFCLv4, ToolSandbox, LiveClaw y τ³-Bench Banking), y baja el coste por token de razonamiento al mantener solo 2.000 millones de parámetros activos. Para quien ejecuta agentes 24/7 en su máquina, el argumento económico es directo.

Qué cambió

AntesEl razonamiento con herramientas de nivel MoE grande exigía GPUs de servidor o modelos nube.
AhoraUn MoE abierto de 2.000 millones de parámetros activos con razonamiento explícito y contexto de 131K corre según sus autores a 184 tokens/s en un portátil.
ConsecuenciaSe estrecha la brecha entre agente en la nube y agente local para tareas de herramientas, aunque el conocimiento y el código difícil sigan favoreciendo a los modelos grandes.

Qué sabemos · qué no

Confirmado

  • La publicación y todos los datos proceden del artículo oficial de Liquid AI en Hugging Face, del 13 de octubre; son métricas propias sin evaluación independiente.
  • En el benchmark LiveClaw declarado, LFM2.5-24B-A2B marca 48,09 frente a 38,19 de Qwen3.6-35B-A3B; en AutomationBench más que triplica al segundo (27,69 frente a 8,72).
  • Los propios autores admiten las debilidades: modelos mayores ganan en conocimiento (GPQA Diamond, HLE) y en código (SWE-Bench Verified con OpenCode: 51,0 frente a 66,2), y recomiendan acompañarlo de recuperación o búsqueda web.
  • Velocidad declarada: 184 tokens/s en CPU de Apple M5 Max (114 en Ryzen AI Max+ 395) y más de 21.000 tokens/s de salida en una GPU NVIDIA B300 con alta concurrencia.
  • Soporte el día uno en llama.cpp, MLX, vLLM, SGLang y ONNX; pesos en Hugging Face.
  • El anuncio, la arquitectura y los benchmarks proceden del artículo oficial de Liquid AI en Hugging Face del 13 de octubre de 2026.
  • Los pesos instruidos y base están publicados en Hugging Face el mismo día.
  • Las debilidades en conocimiento y código están reconocidas por los propios autores en el artículo.

Todavía no

  • No hay réplica independiente de los benchmarks ni de las cifras de velocidad; la comparación con Qwen3.6-35B-A3B usa parámetros de generación recomendados por cada benchmark, evaluados por el propio equipo.
  • La licencia exacta y las condiciones de uso comercial de los pesos no se detallan en el artículo.
  • No existe evaluación independiente de los resultados declarados.
  • La licencia de uso de los pesos no se especifica en el artículo.
  • El coste de entrenamiento y la composición del corpus de 33 billones de tokens no se han publicado.

La misma claridad, en tu correo.

IA HOY, gratis de lunes a viernes, con fuentes y contexto.

Para ir al grano técnico

Qué vigilamos ahora

Las primeras evaluaciones externas de la calidad de su razonamiento en agent harness reales y si otros laboratorios de borde (Google con Gemma, Microsoft con su familia Open) responden en la franja de 2.000-3.000 millones de parámetros activos.

Réplicas independientes de los benchmarks agénticos y la respuesta de los fabricantes de modelos abiertos en la franja de parámetros activos equivalentes.

Fuentes

Naturaleza de la afirmación principal: Anuncio de la empresa. Información respaldada por fuentes, con aspectos pendientes de contraste.

  1. Hugging Face Blog — Run fast, private agents on-device with LFM2.5-24B-A2B (Liquid AI) · nivel 1 · primaria · consultada 14 oct 2026

Más sobre

IA HOY · de lunes a viernes

La misma claridad,
cada día, en tu correo.

Una noticia principal, una selección breve y el contexto o las dudas que conviene seguir. Con fuentes y sin rellenar cupos.

Ver una edición de ejemplo

Para seguir leyendo