Un modelo de IA de 24.000 millones de parámetros que corre en un portátil como si tuviera 2.000 millones
Liquid AI lanza LFM2.5-24B-A2B, un modelo capaz de razonar, llamar herramientas y ejecutar tareas complejas sin conexión a internet, activando solo una décima parte de sus parámetros en cada respuesta.
Liquid AI lanzó LFM2.5-24B-A2B, un modelo de lenguaje de 24.000 millones de parametros que solo activa 2.000 millones por cada palabra generada gracias a una arquitectura Mixture-of-Experts. Esto le permite razonar antes de responder, llamar herramientas y ejecutar tareas de agentes autonomos en un ordenador personal sin conexion a internet, generando 184 tokens por segundo en un MacBook M5 Max.
Liquid AI (una startup de inteligencia artificial fundada por investigadores del MIT) acaba de lanzar LFM2.5-24B-A2B, un modelo de lenguaje de 24.000 millones de parámetros (los valores que el modelo ajusta durante el entrenamiento para aprender a predecir texto) que, sin embargo, se comporta como uno mucho más pequeño: solo activa 2.000 millones de parámetros por cada palabra que genera. El resultado es un modelo capaz de razonar antes de responder, llamar a herramientas externas y ejecutar tareas complejas en un ordenador personal, sin necesidad de enviar datos a la nube.
La clave está en su arquitectura Mixture-of-Experts o MoE (una técnica que divide el modelo en grupos de especialistas y activa solo los relevantes para cada consulta). LFM2.5-24B-A2B tiene 64 expertos en cada una de sus 40 capas, pero solo cuatro se activan por token (la unidad mínima de texto que procesa el modelo, aproximadamente una palabra o fragmento de palabra). Eso reduce el coste computacional de cada paso de razonamiento y permite que el modelo genere 184 tokens por segundo en un MacBook con chip M5 Max, según Liquid AI. En una GPU Nvidia B300 (un acelerador de última generación pensado para centros de datos), alcanza más de 21.000 tokens por segundo.
El modelo fue entrenado con 33 billones de tokens —el doble que su predecesor— y luego afinado en cinco etapas que incluyen aprendizaje supervisado, destilación de modelos especializados y aprendizaje por refuerzo dentro de entornos de agentes (programas que pueden planificar, ejecutar acciones y usar herramientas de forma autónoma). El resultado es un modelo que piensa antes de responder: genera una cadena de razonamiento explícita antes de dar su respuesta final, igual que hacen modelos cerrados como o1 de OpenAI.
En las pruebas publicadas por Liquid AI, LFM2.5-24B-A2B compite con Qwen3.6-35B-A3B (un modelo de código abierto de Alibaba con un 50% más de parámetros totales y activos) en tareas de uso de herramientas y ejecución de flujos de agentes. En el benchmark LiveClaw (una prueba que evalúa la capacidad del modelo para completar tareas reales en entornos digitales), LFM2.5-24B-A2B obtuvo 48,09 puntos frente a los 38,19 de Qwen, y superó a Gemma-4-26B-A4B-it de Google (41,25) y Nemotron-3.5-Lightning de Nvidia (37,72). También lideró en tres de tres pruebas de seguimiento de instrucciones y en cinco de ocho pruebas de uso de herramientas.
El modelo está disponible desde hoy en Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados) con pesos abiertos (los parámetros del modelo se pueden descargar y ejecutar sin restricciones técnicas, aunque no se publica el código de entrenamiento). Es compatible con llama.cpp, MLX, vLLM, SGLang y ONNX (diferentes herramientas para ejecutar modelos en local), y puede integrarse en frameworks de agentes como OpenClaw, Hermes Agent o Pi. Liquid AI ofrece también guías de configuración y ejemplos en vídeo para que desarrolladores lo prueben en sus propios dispositivos.
Según informó Liquid AI en su blog oficial, el objetivo es permitir que aplicaciones de agentes autónomos corran de forma privada en hardware local, sin enviar datos a servidores externos. Los modelos grandes siguen teniendo ventaja en tareas que exigen mucho conocimiento —como GPQA Diamond (una prueba de preguntas científicas complejas) o SWE-Bench Verified (un benchmark de resolución de problemas de programación real)— pero LFM2.5-24B-A2B ofrece un equilibrio entre capacidad de razonamiento, velocidad y privacidad que hasta ahora solo estaba al alcance de modelos mucho más grandes o de servicios en la nube.
