Liquid AI lanza LFM2.5-24B-A2B: modelo local para agentes
Liquid AI presenta LFM2.5-24B-A2B, un modelo con arquitectura MoE de 24B parámetros que solo activa 2B para ejecutar agentes rápidos y privados en local.
👁 117 lecturas
Liquid AI publicó el 5 de agosto de 2025 en la plataforma Hugging Face el modelo LFM2.5-24B-A2B, una arquitectura diseñada específicamente para agentes de IA rápidos y privados que se ejecutan directamente en el dispositivo final. Se trata de uno de los pocos modelos de esta clase que combina un gran número nominal de parámetros con un coste de activación extremadamente bajo.
24 mil millones sobre el papel, 2 mil millones en la práctica
Las cifras de su nombre no son casuales. LFM2.5-24B-A2B es un modelo con 24 mil millones de parámetros en total, pero su mecanismo de mezcla de expertos (Mixture of Experts, MoE) hace que en cada inferencia solo se activen 2 mil millones de ellos. Este enfoque ya es conocido gracias a modelos como Mixtral de Mistral o Google Gemini, pero Liquid AI lo traslada a un contexto que hasta ahora rara vez ha sido prioritario: la ejecución de agentes en local, al margen de la infraestructura en la nube.
?Que significa esto en la practica? Que el modelo puede funcionar en hardware de consumo o en equipos de edge computing sin requerir un centro de datos. Un espacio activo de 2B parametros implica que las exigencias de memoria y computacion son comparables a las de modelos compactos de clase 2-3B, mientras que el sistema dispone de una representacion de conocimiento mucho mas amplia codificada en sus 24 mil millones de parametros completos, activados segun el contexto de cada consulta.
Para quienes desarrollan aplicaciones basadas en agentes, representa un cambio cualitativo notable. Un agente de IA convencional ejecuta decenas o cientos de llamadas al modelo por cada petición del usuario: comprueba el estado, planifica pasos, invoca herramientas y verifica resultados. Cada llamada a un modelo en la nube genera una latencia de cientos de milisegundos y exige enviar datos a través de la red. Disponer de un modelo on-device reduce radicalmente este bucle y elimina por completo la transmisión externa de información.
Privacidad como pilar arquitectónico
Liquid AI posiciona con claridad LFM2.5-24B-A2B como una solución idónea para escenarios donde la privacidad resulta indispensable. El mercado de modelos on-device crece impulsado por dos factores: la regulación (como el RGPD en Europa y las normativas sectoriales en finanzas y salud) y la reticencia de los usuarios a enviar datos sensibles a servidores ajenos.
En Europa, este factor resulta clave. Las organizaciones que implementan soluciones de IA en departamentos de recursos humanos, áreas jurídicas o entornos médicos se enfrentan a un dilema habitual: recurrir a potentes modelos en la nube asumiendo riesgos de cumplimiento normativo con el RGPD, o utilizar modelos locales con menor capacidad. LFM2.5-24B-A2B aspira a ocupar esa vía intermedia: un modelo con suficiente rendimiento para ser útil y lo bastante ligero para ejecutarse en tu propio equipo.
No es la primera iniciativa en explorar este espacio. Apple Intelligence aplica una filosofía similar basada en el procesamiento en el dispositivo con escalado puntual a la nube para tareas complejas. Microsoft experimenta con modelos Phi en portátiles con Copilot+, mientras Qualcomm y NVIDIA ofrecen kits de desarrollo optimizados para inferencia en local. Liquid AI entra en este terreno con un modelo que, según su documentación, no está enfocado a simples benchmarks genéricos, sino a un patrón específico: tareas complejas de agentes en múltiples pasos.
LFM: una arquitectura distinta a los Transformers
Conviene recordar las bases de la familia LFM (Liquid Foundation Models). Liquid AI, fundada por investigadores del MIT, desarrolla desde su origen modelos basados en las denominadas Liquid Neural Networks: una arquitectura inspirada en sistemas biológicos donde la dinámica de la red se adapta al flujo de datos procesados. Se trata de un enfoque fundamentalmente diferente al de los Transformers clásicos en los que se basan sistemas como GPT, Claude, Gemini o Llama.
Las entregas anteriores de LFM demostraron un comportamiento especialmente sólido en contextos largos y procesamiento secuencial, rasgos clave para un agente que debe monitorizar flujos de trabajo extensos. La ficha del modelo en Hugging Face describe LFM2.5-24B-A2B como un avance dentro de esta línea, incorporando MoE para escalar el conocimiento reteniendo un coste de inferencia mínimo.
LFM2.5 supone también una evolución frente a la generación previa LFM2. Aunque Liquid AI es una compañía comparativamente pequeña frente a OpenAI, Anthropic o Mistral, el interés en Hugging Face (más de 2,91 mil me gusta y 351 descargas a los pocos días de su publicación) refleja la atención que la comunidad open source presta a estos avances.
Google · Tus fuentesBrilla más alto en tu Google - con un solo clicAñadir a fuentes preferidas →Qué implica para el desarrollo de software con IA
El lanzamiento de LFM2.5-24B-A2B encaja en una tendencia al alza: la descentralización de la inferencia. Tras años en los que el mercado se centró en competir por modelos en la nube cada vez mayores, cada vez más actores tecnológicos apuestan por esquemas híbridos. En ellos, la nube se reserva para el entrenamiento y las tareas excepcionalmente complejas, mientras los modelos ligeros y especializados en el dispositivo asumen el trabajo operativo diario de los agentes.
Para desarrolladores y proyectos técnicos, esto abre una alternativa práctica: en lugar de depender de un único proveedor de API y acumular costes por consulta, es posible integrar un modelo local como capa base del sistema. LFM2.5-24B-A2B está disponible en Hugging Face para descargar sus pesos y desplegarlo en tu propia infraestructura, sin tarifas por token, sin límites de peticiones y sin la incertidumbre de posibles cambios comerciales o de servicio.
Queda pendiente ver cómo responderá LFM2.5-24B-A2B frente a competidores directos como Mistral Small, Phi-3.5, Gemma o Qwen en pruebas estandarizadas de agentes. Liquid AI todavía no ha facilitado comparativas completas con cifras rigurosas, que son las que determinarán si este desarrollo logra una adopción generalizada o permanece como una propuesta de interés para seguidores de arquitecturas alternativas.
Agentes de OpenAI escanearon el sitio de estadísticas de la ONU más de 16.000 vecesNoticias
Una startup israelí está detrás de múltiples incidentes de agentes IA descontrolados en 2026Noticias
Un agente de OpenAI accedió a archivos no públicos del sistema Medicare de Australia sin autorizaciónNoticiasMore on this from FULGOR
guías·Política de uso de IA en la empresa: plantilla y erroresPlantilla de política de uso de IA en 10 puntos para empresas, obligaciones del AI Act, errores más frecuentes y guía de implantación en 5 pasos.