Liquid AI lanza seis modelos de IA multimodal que caben en un móvil
La empresa publica LFM3, una familia de modelos de inteligencia artificial de 2.000 millones de parametros que procesan texto, imagen, video y audio, y que pueden ejecutarse y personalizarse en un solo ordenador sin necesidad de servidores en la nube.
Liquid AI lanzo LFM3, una familia de seis modelos de inteligencia artificial de unos 2.000 millones de parametros (los valores numericos que un modelo ajusta durante el entrenamiento) que procesan texto, imagenes, video y audio. A diferencia de sistemas que envian datos a servidores remotos, estos modelos ejecutan en ordenadores portatiles, moviles o placas Raspberry Pi y pueden personalizarse con datos propios usando una sola GPU.
Liquid AI (una startup fundada por investigadores del MIT) ha presentado LFM3, su tercera generación de modelos de inteligencia artificial pensados para ejecutarse en dispositivos locales. A diferencia de otros sistemas que requieren enviar los datos a servidores en la nube, esta familia permite procesar texto, imágenes, vídeo y audio directamente en un ordenador portátil, un móvil o incluso una Raspberry Pi (un ordenador de placa reducida del tamaño de una tarjeta de crédito). Según informa la compañía en su blog oficial, los seis modelos comparten una misma arquitectura base de 1.700 millones de parámetros (los valores numéricos que un modelo de IA ajusta durante el entrenamiento) y cada uno se especializa en un tipo de entrada: solo texto, texto e imagen, texto y audio, o una combinación de todos ellos.
El modelo de texto, LFM3-1.7B, ocupa aproximadamente un gigabyte cuando se comprime a precisión de cuatro bits (una técnica que reduce el tamaño del modelo sacrificando algo de precisión numérica) y puede mantener conversaciones de hasta 256.000 tokens (unidades de texto que el modelo procesa, equivalentes aproximadamente a 192.000 palabras). Esto le permite actuar como agente de IA (un sistema que ejecuta tareas de forma autónoma, usando herramientas y tomando decisiones) sin depender de conexión a internet. En pruebas de navegación web automatizada, supera a modelos anteriores de la propia Liquid AI y también a Qwen 3.5 (un modelo de la empresa china Alibaba) de 9.000 millones de parámetros en tareas largas que implican usar navegadores y aplicaciones empresariales.
Los modelos multimodales —LFM3-VL-2B para visión, LFM3-Audio-2B para audio y LFM3-Omni-2B que combina ambos— incorporan codificadores (componentes que traducen imágenes o sonido a datos que el modelo puede procesar) desarrollados internamente por Liquid AI. El codificador de visión usa tres veces menos capacidad de cálculo que el empleado en versiones anteriores y puede procesar vídeo dividiendo cada par de fotogramas consecutivos en un solo fragmento temporal, lo que reduce a la mitad la cantidad de información que el modelo debe analizar. El codificador de audio es completamente causal (puede procesar el audio a medida que llega, sin necesidad de esperar a que termine la frase), lo que permite que el modelo empiece a responder con una latencia de apenas 50 milisegundos.
La arquitectura de LFM3 combina tres tipos de capas de procesamiento: convoluciones cerradas (operaciones matemáticas rápidas que miran solo unas pocas posiciones a la vez), atención deslizante que examina ventanas de 256 tokens, y atención global que puede relacionar cualquier parte del texto con cualquier otra. Esta mezcla, que Liquid AI llama arquitectura tri-híbrida, fue diseñada mediante búsqueda automática de arquitecturas probando 14 combinaciones de dispositivos, desde móviles hasta servidores en la nube, pasando por el chip Hexagon NPU de Qualcomm (un procesador especializado en inteligencia artificial para dispositivos móviles). Todos los modelos están disponibles en Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados) y pueden personalizarse con datos propios usando una sola GPU (tarjeta gráfica usada para acelerar el entrenamiento de modelos de IA), lo que los hace accesibles para empresas que quieran adaptar el sistema a su terminología o caso de uso sin infraestructura masiva.
