Liquid AI ha publicado LFM3, una familia de seis modelos pequeños pensada para correr en el propio dispositivo. Comparten una misma base, cubren texto, imagen, audio y decisiones, y sus pesos ya están disponibles para descargar. La idea es elegir el que encaja con cada tarea en lugar de usar un único modelo gigante.
Qué es la familia LFM3
Liquid AI presentó LFM3 entre el 26 y el 27 de octubre bajo una etiqueta propia: "inteligencia especializada". El planteamiento es sencillo de resumir. En vez de entrenar un modelo enorme para todo el mundo, la compañía apuesta por varios modelos medianos que se pueden ajustar y ejecutar en el dispositivo del usuario.
La primera entrega cubre la clase de los 2.000 millones de parámetros y está formada por seis modelos. Todos salen de la misma base, llamada LFM3-1.7B-Base. Cuatro de ellos se ocupan de las distintas entradas, texto, visión, audio y omni, y los otros dos son modelos de decisión derivados de los de visión y omni.
Lo importante es que la familia es multimodal de nacimiento. No se trata de un modelo de texto al que luego se le añaden parches de imagen y sonido, sino de una sola estructura compartida de la que se ramifican las distintas capacidades.
Una arquitectura hecha para caber en el dispositivo
El diseño interno busca un equilibrio entre calidad y consumo. LFM3 usa una combinación de tres tipos de capas repartidas en 24 niveles. Trece son convoluciones cortas con puerta, cinco son atención de ventana deslizante con un margen de 256 tokens y seis son atención global. A eso se suman la atención con puerta por cabeza, el RoPE parcial y la normalización tipo sándwich.
Hay un detalle técnico que habla del objetivo. El núcleo de las convoluciones pasó de 3 a 7 respecto a la generación anterior. En lenguaje llano, el modelo mira un tramo algo más largo de señales alrededor de cada punto, lo que ayuda a que entienda mejor el contexto inmediato sin dispararse en cómputo.
El vocabulario también se hereda de un modelo mayor de la casa, con 128.000 entradas, y está pensado para idiomas que no usan el alfabeto latino. Menos piezas por palabra se traduce en menos trabajo para escribir en esos idiomas.
Cómo se entrenaron: 22 billones de tokens y más contexto
El entrenamiento previo consumió 22 billones de tokens, la unidad con la que se mide el texto, el audio y las imágenes que ve un modelo durante su formación. Los últimos 3,5 billones sirvieron para una segunda fase con datos de mayor calidad, más centrados en el uso de herramientas y en tareas con varios pasos encadenados.
En esa fase, Liquid AI estiró el contexto del modelo hasta los 256.000 tokens, una medida que indica cuánta información puede tener en cuenta de golpe. Para hacerse una idea, es material equivalente a varias novelas a la vez. Después del entrenamiento base, la compañía aplicó cuatro etapas de ajuste fino, entre ellas aprendizaje por refuerzo y una técnica de destilación con seis modelos instructores especializados.
Los números que destaca Liquid AI: velocidad y memoria
Aquí conviene recordar que todas las cifras que siguen las da la propia compañía y no han pasado por una verificación independiente. Con ese aviso por delante, son llamativas.
Según Liquid AI, el modelo de 1.700 millones iguala en peticiones cortas al de la generación anterior y es un 25% más rápido cuando el contexto llega a los 8.000 tokens. En el dispositivo, dice que es el más veloz en tres de las plataformas probadas, con una decodificación entre 1,8 y 2,8 veces más rápida que el segundo clasificado, y el que menos memoria ocupa. Un contexto de 128.000 tokens requeriría solo 1,6 gigabytes de caché, frente a los 4,3 de un Qwen3.5-4B o los 5,6 de un MiniCPM5-2B.
La prueba de esfuerzo más sonada va en la dirección del servidor. En una sola tarjeta NVIDIA B300 con SGLang, el sistema aguantaría 1.024 peticiones simultáneas y generaría hasta 3.600 millones de tokens al día. Es el tipo de dato pensado para quien sirve el modelo desde una máquina y no desde un móvil.
Merece la pena detenerse en el banco de pruebas de dispositivos. La generación anterior se había probado en un teléfono y un portátil, dos equipos en total. Ahora la búsqueda de la configuración adecuada se hizo sobre 14 combinaciones de aparato y motor, desde móviles como el Galaxy S26 Ultra de Samsung o el OnePlus 15 hasta una Raspberry Pi 5, portátiles con chips Apple M4 Max y AMD Ryzen AI, procesadores en la nube de Arm y x86, tarjetas gráficas y el acelerador Hexagon de Qualcomm.
Los benchmarks que presume la empresa
Liquid AI también ha publicado comparaciones con otros modelos. Insiste en que, en tareas de agente, LFM3 compite con sistemas varias veces más grandes. Dice que va por delante en seguimiento de instrucciones y en llamada de funciones, con un 71,39 en BFCL V4 y un 80,36 en ToolSandbox, dos pruebas que miden si el modelo hace bien lo que se le pide y si usa bien las herramientas a su disposición.
En tareas largas dentro de un navegador o de una aplicación de empresa, medidas con pruebas como WebArena-Verified y AutomationBench, la compañía afirma que supera a un Qwen3.5-9B. Son resultados que, si se sostienen fuera del laboratorio, apuntan a que un modelo pequeño bien afinado puede rendir bien en automatizaciones concretas.
Dónde no llega LFM3
La propia Liquid AI marca el límite, y conviene hacerle caso. En programación con agentes y en tareas de conocimiento puro, los modelos grandes siguen ganando. Ahí no hay truco que compense la diferencia de tamaño. Y eso importa.
Eso dibuja un perfil claro. Ni más ni menos. LFM3 no aspira a sustituir a los modelos de frontera. Se posiciona en lo contrario, en tareas cercanas, repetitivas y sensibles a la latencia, donde llevar el modelo al dispositivo pesa más que exprimir la última gota de razonamiento. Si alguien busca el mejor rendimiento absoluto en preguntas complejas, este no es su terreno.
Cómo conseguir los modelos y para qué sirven
Los pesos de los modelos base y de los ya ajustados están disponibles desde el primer día en Hugging Face, en Liquid Playground y a través de la API de Liquid AI. Sin listas de espera. Quien quiera probarlos sin montar nada puede empezar por el entorno de pruebas; quien piense en producción tiene la vía de la API o la descarga directa.
¿Para quién tiene sentido LFM3? El uso más natural es el ajuste fino sobre un modelo pequeño para una tarea concreta, por ejemplo clasificar documentos, atender una función de voz o correr en un dispositivo sin conexión. La propuesta de Liquid AI solo tiene sentido si el modelo cabe donde hace falta. Para todo lo demás, siguen mandando los gigantes. Y no parece que eso vaya a cambiar pronto.
