Liquid AI lanzó el 13 de octubre de 2026 LFM2.5-24B-A2B, un modelo con pesos descargables diseñado para ejecutar agentes de inteligencia artificial en hardware local. Su propuesta permite procesar las consultas en una computadora propia y conectar el modelo con herramientas para resolver tareas de varios pasos.
La publicación de Liquid AI en Hugging Face confirma la disponibilidad de dos versiones: una base para personalización y otra entrenada para trabajar como agente. Esta última genera texto de razonamiento antes de la respuesta final y puede solicitar el uso de herramientas durante una tarea.
Menos cálculo por token, pero archivos de varios gigabytes
El modelo utiliza una arquitectura de mezcla de expertos, o MoE, que activa una parte de sus parámetros para procesar cada token, las unidades de texto con las que trabaja. Aunque la empresa lo presenta como un sistema con unos 2,000 millones de parámetros activos, su ficha técnica precisa 2,450 millones activos y 24,000 millones en total.
Esa diferencia reduce el trabajo de cálculo por token. El tamaño de los archivos sigue dependiendo del conjunto de pesos y del formato utilizado: el repositorio oficial de versiones GGUF lista unos 14.5 GB para Q4_K_M y 48 GB para BF16. La cuantización permite representar los pesos con menos precisión y reducir su tamaño.
El requisito completo de memoria también depende de la cuantización y la longitud de contexto, como explica la documentación de Liquid AI. A los pesos se suma el trabajo de procesar la conversación del agente.
La ventana de contexto crece de 32,768 a 131,072 tokens frente a LFM2-24B-A2B. Eso amplía el espacio disponible para documentos e interacciones sucesivas. El español figura entre los idiomas incluidos en la ficha del nuevo modelo.
Cómo se midieron las velocidades anunciadas
Liquid AI reporta 184 tokens por segundo en un Apple M5 Max y 114 en un AMD Ryzen AI Max+ 395. Según su ficha técnica, esas pruebas se hicieron con llama.cpp, cuantización Q4_K_M y un contexto de entrada de 4K tokens. Ese contexto de prueba es mucho menor que la ventana máxima del modelo.
La cifra superior a 21,000 tokens de salida por segundo en una NVIDIA B300 corresponde al rendimiento agregado con muchas solicitudes simultáneas. La compañía utilizó SGLang, pesos BF16, entradas de 1,024 tokens y salidas de hasta 256. Ese resultado suma las salidas de las solicitudes concurrentes.
También hay diferencias entre tareas. En las evaluaciones publicadas por Liquid AI, LFM2.5 obtuvo 48.09 en LiveClaw, frente a 38.19 de Qwen3.6-35B-A3B. En SWE-Bench Verified, una prueba de resolución de problemas de software, las puntuaciones fueron 51.00 y 66.20, respectivamente. Las comparaciones proceden del fabricante; la propia empresa recomienda complementar el modelo con recuperación de información o búsqueda web en trabajos que exijan mucho conocimiento.
Ejecutarlo localmente exige configurar el agente
La guía oficial de agentes locales describe cómo conectar un servidor del modelo con programas como Hermes Agent, OpenClaw o Pi. La inferencia y la ejecución de herramientas son partes distintas: el modelo solicita una acción y el programa que lo integra la ejecuta.
La consecuencia práctica es que la privacidad también depende de las herramientas elegidas. Procesar una consulta localmente mantiene esa inferencia en el equipo; incorporar búsquedas web o servicios externos añade conexiones fuera de él.
Los pesos se distribuyen bajo la LFM Open License v1.0, que permite uso, modificación y redistribución con condiciones. Establece un umbral comercial de 10 millones de dólares de ingresos anuales; la definición de entidad incluye empresas bajo control común. Liquid AI indica que, al superar ese umbral, hace falta adquirir una licencia comercial.
Para utilizarlo mediante su API, el anuncio publica tarifas de 0.10 dólares por millón de tokens de entrada y 1.00 dólar por millón de salida. La entrada en caché cuesta 0.05 dólares por millón.
El lanzamiento deja disponibles pesos y formatos para adaptar el agente al hardware propio. La elección de formato, contexto y herramientas determina cuánto ocupa y qué parte de cada tarea se procesa dentro del equipo.
