Liquid AI lanzó LFM2.5-24B-A2B el 13 de octubre como pesos descargables de un modelo de razonamiento solo de texto entrenado para usar herramientas. Su ficha del modelo enumera checkpoints para varios sistemas de servicio, desde un archivo local cuantizado hasta formatos para servidores GPU. Para un equipo que construye un agente, esos archivos son solo parte de la configuración: también necesita un runtime que sirva el modelo y un harness que ejecute las llamadas a herramientas que propone.

El gran cambio

  • Qué cambió: Liquid AI publicó en Hugging Face el modelo postentrenado y su versión base, con formatos de servicio para distintos equipos. La ficha indica 24.000 millones de parámetros totales y 2.450 millones activos durante la inferencia; “A2B” es una etiqueta redondeada.
  • Por qué importa: Un equipo que evalúa un agente local puede elegir un checkpoint y una vía de servicio antes de conectar un harness que use herramientas, en vez de tratar la descarga del modelo como un agente completo. La licencia y el hardware disponible siguen condicionando esa decisión.
  • Qué observar: Liquid AI informa resultados prometedores de velocidad y uso de herramientas en pruebas especificadas. Los equipos deben medir sus propias tareas y concurrencia: la tasa de decodificación edge y el rendimiento del servidor de la empresa describen cargas distintas.

Qué puede descargar un equipo

El checkpoint postentrenado está pensado para trabajo agéntico. Un checkpoint base separado sirve para adaptación. Liquid AI describe el nuevo modelo como solo de razonamiento: genera un segmento de pensamiento antes de la respuesta final, a diferencia del anterior LFM2-24B-A2B. El límite de contexto indicado es de 131.072 tokens, frente a 32.768 en su predecesor. Son especificaciones del modelo, no una medida de lo bien que una aplicación concreta aprovecha el contexto largo.

La ficha enlaza el checkpoint nativo para Transformers, vLLM y SGLang; pesos FP8 para servicio en GPU; archivos GGUF para llama.cpp; archivos ONNX para ONNX Runtime; y una versión MLX de 4 bits para Apple Silicon. BIG CHANGE confirmó el acceso a esos seis repositorios, incluido el modelo base, el 14 de octubre. La ficha marca como “próximamente” un modelo borrador de DSpark para decodificación especulativa. Los formatos publicados no demuestran que una parte independiente haya probado todas las combinaciones de backend y hardware.

Los pesos son de peso abierto, bajo la licencia LFM Open License v1.0. Permite descargar y modificar, pero condiciona el uso comercial a que los ingresos anuales del usuario o entidad jurídica sean inferiores a 10 millones de dólares. Los términos no autorizan el uso comercial por encima de ese umbral. Las organizaciones deben leer la licencia completa antes del despliegue; aquí “peso abierto” no significa uso comercial sin restricciones.

El modelo, el servidor y el harness cumplen funciones distintas

La descripción del uso de herramientas en la ficha asigna al modelo una lista de funciones y permite que proponga una llamada; el software ejecuta esa llamada y devuelve el resultado para que el modelo responda. El modelo no ejecuta por sí mismo una acción del navegador ni una operación de archivo. El backend de servicio carga su checkpoint y ofrece inferencia. Un harness de agente coordina el intercambio con las herramientas y decide cómo tratar permisos y resultados.

Las instrucciones de agente local de Liquid AI muestran esa división en la práctica: sirven el modelo mediante un endpoint compatible con OpenAI y apuntan Hermes Agent, OpenClaw o Pi a su dirección local. El puerto y la configuración dependen del servidor elegido. La empresa dice que entrenó el modelo postentrenado en harnesses agénticos, entre ellos Hermes Agent y OpenCode. Eso describe el entrenamiento y una configuración admitida; no demuestra que un agente descargado sea fiable ni que sus datos permanezcan en el dispositivo en toda configuración. El despliegue, las herramientas y las conexiones de red definen ese límite.

Cómo leer las cifras de velocidad según la carga

Liquid AI informa 184 tokens de salida por segundo en un Apple M5 Max y 114 en un AMD Ryzen AI Max+ 395 para decodificación edge. La ficha dice que las pruebas usaron llama.cpp, cuantización Q4_K_M y un contexto de entrada de 4.000 tokens, recopilados en la infraestructura Pipette de Liquid AI. Son mediciones de la empresa para una configuración local cuantizada. No establecen la velocidad de los pesos nativos BF16, de cualquier portátil ni de una tarea agéntica completa con herramientas.

La cifra de la empresa de más de 21.000 tokens de salida por segundo es rendimiento agregado de GPU: divide el total de tokens de salida por el tiempo transcurrido en una NVIDIA B300 bajo alta concurrencia sostenida. La configuración indicada usó SGLang 0.5.22, pesos BF16, 1.024 tokens de entrada y hasta 256 de salida, reemplazando continuamente las solicitudes completadas para mantener el objetivo de solicitudes simultáneas. Esa cifra no es la tasa de respuesta para una persona que espera a un agente. Las dos mediciones responden preguntas distintas: el ritmo de generación local y la capacidad total del servidor bajo carga.

Liquid AI también publica una comparación de 16 benchmarks con otros modelos. Por ejemplo, informa 48,09 para LFM2.5 en LiveClaw frente a 38,19 para Qwen3.6-35B-A3B, mientras Qwen lidera WebArena Verified y SWE-Bench Verified en la misma tabla. La empresa dice que todos los modelos se evaluaron con vLLM y ajustes de generación específicos por benchmark. BIG CHANGE no repitió esas pruebas; son pistas útiles para probar cargas propias, no una clasificación independiente de capacidades.

La evaluación práctica es específica: elegir el artefacto y runtime adecuados al hardware objetivo, leer la licencia, conectar solo las herramientas necesarias para el agente y probar la tarea real con la carga de solicitudes prevista. Liquid AI ofrece ahora los componentes para esa evaluación. Cada equipo aún debe verificar cómo se comportan en un flujo de producción.

Fuentes y lecturas adicionales

  • Liquid AI, “LFM2.5-24B-A2B: Built for Fast On-Device Agents” (13 de octubre de 2026). El lanzamiento describe los cambios respecto de LFM2, el enfoque de entrenamiento, los sistemas de servicio admitidos y las mediciones de calidad y velocidad realizadas por el proveedor. BIG CHANGE no repitió los benchmarks ni ejecutó el modelo.
  • Liquid AI, ficha del modelo LFM2.5-24B-A2B (consultada el 14 de octubre de 2026). Enumera 24.000 millones de parámetros totales y 2.450 millones activos, enlaces a artefactos, ajustes de inferencia, formato de uso de herramientas, condiciones de benchmarks y el borrador DSpark anunciado para más adelante. El proveedor mantiene la ficha y puede cambiarla.
  • Liquid AI, LFM Open License v1.0 (consultada el 14 de octubre de 2026). Establece obligaciones de distribución y la condición de ingresos anuales inferiores a 10 millones de dólares para el uso comercial. Cada lector debe consultar el texto de licencia para decidir su despliegue.
  • Liquid AI, guía Agent Harnesses (enlazada desde la ficha del modelo, consultada el 14 de octubre de 2026). Explica el endpoint local de servicio compatible con OpenAI y la configuración del harness. Es documentación; BIG CHANGE no ejecutó estas instrucciones.