---
title: "Liquid AI y sus modelos LFM: una alternativa a los transformers, de 2024 a LFM2.5"
description: "Qué son los Liquid Foundation Models de Liquid AI, cómo es su arquitectura híbrida, su licencia y su evolución desde 2024 hasta LFM2 y LFM2.5 en 2026."
author: "Marc Mayol"
lang: "es"
published: "2024-10-01"
updated: "2026-10-28"
canonical: "https://marcmayol.com/blog/es/liquid-ai-revoluciona-el-mundo-de-la-inteligencia/"
---

# Liquid AI y sus modelos LFM: una alternativa a los transformers, de 2024 a LFM2.5

![Liquid AI y sus modelos LFM: una alternativa a los transformers, de 2024 a LFM2.5](https://marcmayol.com/1727789914995.png)

El 30 de septiembre de 2024, **Liquid AI**, una empresa salida del MIT, presentó sus **Liquid Foundation Models (LFM)**: modelos de lenguaje que no seguían la receta del transformer. Prometían más calidad con menos memoria. Pero eran cerrados, y solo se podían probar en su web y en algunos socios. Dos años después todo eso ha cambiado: los modelos tienen pesos abiertos en Hugging Face, la arquitectura es un híbrido mucho más concreto y el foco está en ejecutar IA en el propio dispositivo, del móvil al coche. Aquí repaso qué son, cómo funcionan y qué ha pasado desde entonces.

## Qué presentó Liquid AI en 2024

Liquid AI presentó tres modelos de lenguaje construidos sobre una arquitectura propia, inspirada en sistemas dinámicos y no en el transformer. Eran LFM-1B, LFM-3B y LFM-40B, con contexto de 32.000 tokens, y no se podían descargar: solo se usaban desde la web de la empresa y algunos proveedores.

Los tres tamaños, según el [anuncio original de Liquid AI](https://www.liquid.ai/blog/liquid-foundation-models-our-first-series-of-generative-ai-models):

| Modelo | Parámetros | Tipo | MMLU (5-shot) |
|---|---|---|---|
| LFM-1B | 1.300 millones | Denso | 58,55 |
| LFM-3B | 3.100 millones | Denso, pensado para móvil y robótica | 66,16 |
| LFM-40B | 40.300 millones (12.000 activos) | Mezcla de expertos (MoE) | 78,76 |

La empresa afirmaba que LFM-3B superaba a modelos anteriores de 7.000 y 13.000 millones de parámetros y que se acercaba a Phi-3.5-mini de Microsoft. También reconocía puntos débiles: código sin ejemplos, cálculos numéricos precisos, información de actualidad y tareas como contar letras dentro de una palabra.

![Comparativa de benchmarks de los LFM frente a modelos transformer de tamaño similar](https://marcmayol.com/1727797907834.jpeg)

Conviene matizar una cosa: los LFM no ganaban en todo a los transformers de su tamaño. Eran competitivos en benchmarks como MMLU, y su ventaja clara estaba en la memoria cuando el contexto crecía.

## Por qué no son transformers

Un transformer guarda en memoria una caché de claves y valores (la caché KV) que crece con cada token del contexto. Liquid AI sustituye la mayoría de esas capas de atención por operadores lineales que se adaptan a la entrada, de modo que la memoria crece mucho menos con textos largos y la inferencia sale más barata. En LFM2, 10 de cada 16 bloques.

La idea viene de las **redes neuronales líquidas** que Ramin Hasani y su equipo desarrollaron en el laboratorio CSAIL del MIT: redes cuyo comportamiento cambia según la señal que reciben, como un sistema dinámico. Los LFM de 2024 se describían como "operadores lineales adaptativos cuyas acciones dependen de la entrada", sin publicar todos los detalles.

Con **LFM2** la arquitectura se hizo pública y más pragmática. Es un híbrido de 16 bloques:

- **10 bloques de convolución corta con doble compuerta.** Procesan la información cercana de forma muy barata.
- **6 bloques de atención con consultas agrupadas (GQA).** Se encargan de relacionar partes lejanas del texto.

No abandonan la atención. La reservan para donde hace falta, y ese equilibrio es lo que permite que un modelo de 1.200 millones de parámetros funcione con soltura en un portátil sin GPU.

Los LFM más grandes, como LFM-40B en 2024 o LFM2-24B-A2B en 2026, usan **mezcla de expertos**: el modelo tiene muchos parámetros, pero en cada token solo se activan unos pocos. Es una idea distinta de la mezcla de modelos ya entrenados, que expliqué en [la mezcla de modelos en IA](https://marcmayol.com/blog/es/la-mezcla-de-modelos-en-ia/): aquí los expertos se entrenan juntos dentro de un solo modelo.

## Para qué sirven en la práctica

Los modelos de Liquid AI sirven sobre todo para ejecutar IA en el dispositivo, sin enviar datos a la nube: asistentes en el móvil, extracción de datos de documentos, agentes locales que llaman a herramientas o sistemas embebidos en coches y robots. Donde brillan es en velocidad por vatio y en memoria, no en competir con los modelos más grandes.

Cuatro casos concretos donde encajan LFM2 y LFM2.5:

- **Privacidad.** Procesar correos, notas o documentos médicos sin que salgan del equipo.
- **Agentes locales.** LFM2.5 está entrenado para llamar a herramientas, así que puede automatizar tareas en el propio dispositivo sin pasar por la nube.
- **Extracción y RAG en el borde.** Resumir o estructurar texto en equipos con pocos recursos.
- **Multimodal pequeño.** Hay variantes de visión y de audio.

Si te interesa montar este tipo de agentes, por ejemplo con LFM2.5-2.6B y sus 131.072 tokens de contexto, el planteamiento general lo cuento en [mi artículo sobre agentes autónomos](https://marcmayol.com/blog/es/la-revolucion-de-los-agentes-autonomos-en-la-inteligencia-artificial-estas-preparado/).

## Licencia y precio

Los LFM de 2024 eran cerrados: Liquid AI dijo expresamente que no iba a publicar los pesos. Desde LFM2, en julio de 2025, los pesos son abiertos en Hugging Face, pero con una licencia propia que pone un límite a las empresas grandes, así que no es una licencia de código abierto en sentido estricto.

La licencia se llama **LFM Open License v1.0** y está basada en Apache 2.0. Permite usar, modificar y redistribuir los modelos, también con fines comerciales, a organizaciones con menos de **10 millones de dólares** de facturación anual; las que superan esa cifra necesitan un acuerdo comercial con Liquid AI. Para un desarrollador independiente o una startup pequeña es, en la práctica, una licencia abierta. Una gran empresa tendrá que leerla con calma.

Quien no quiera ejecutarlos en local puede usar la API de Liquid. El modelo LFM2.5-24B-A2B cuesta 0,10 $ por millón de tokens de entrada y 1 $ por millón de salida, según el [anuncio del modelo](https://www.liquid.ai/blog/lfm2-5-24b-a2b).

## Limitaciones

Las limitaciones de los LFM son las de cualquier modelo pequeño, más alguna propia. No compiten con los modelos grandes en razonamiento complejo ni en programación, la licencia no es libre para empresas grandes y las cifras de rendimiento que se citan casi siempre vienen de la propia Liquid AI.

- **Techo de capacidad.** En GPQA Diamond o SWE-Bench Verified, LFM2.5-24B-A2B queda por debajo de modelos como Qwen3.6-35B-A3B, según los propios datos de Liquid.
- **Benchmarks propios.** Muchas comparativas de velocidad y calidad las publica la empresa. Mide en tu caso.
- **Ecosistema.** Hay soporte en llama.cpp, MLX, vLLM, SGLang y ONNX, aunque las arquitecturas no estándar a veces tardan más en tener soporte completo en otras herramientas.
- **Idiomas.** LFM2.5-1.2B-Instruct cubre ocho idiomas, entre ellos el español. No todos los de un modelo grande.

## Qué ha pasado desde entonces

Desde el anuncio de 2024, Liquid AI ha pasado de modelos cerrados a una familia abierta centrada en el dispositivo, ha cerrado una ronda de 250 millones con AMD y ha lanzado tres generaciones. Los LFM originales ya están marcados como obsoletos en su propia web.

- **13 de diciembre de 2024.** [Ronda de 250 millones de dólares](https://www.liquid.ai/blog/we-raised-250m-to-scale-capable-and-efficient-general-purpose-ai) liderada por AMD Ventures, según [TechCrunch](https://techcrunch.com/2024/12/20/heres-the-full-list-of-49-us-ai-startups-that-have-raised-100m-or-more-in-2024/), con un acuerdo para entrenar y desplegar los modelos en GPU AMD Instinct.
- **10 de julio de 2025.** [LFM2](https://www.liquid.ai/blog/liquid-foundation-models-v2-our-second-series-of-generative-ai-models): modelos de 350, 700 y 1.200 millones de parámetros, entrenados con 10 billones de tokens, con pesos abiertos y el doble de velocidad que Qwen3 en CPU según la empresa.
- **5 de enero de 2026.** Ramin Hasani presenta LFM2.5 en la conferencia inaugural del CES junto a Lisa Su, de AMD. El preentrenamiento sube a 28 billones de tokens y llegan variantes base, instruct, japonesa, de visión y de audio.
- **20 de enero de 2026.** LFM2.5-1.2B-Thinking. Razona y cabe en menos de 1 GB de memoria en un móvil. La familia LFM2 supera los 10 millones de descargas en Hugging Face.
- **24 de febrero de 2026.** LFM2-24B-A2B, su primer modelo grande abierto. Tiene 24.000 millones de parámetros y 2.000 millones activos.
- **4 de agosto de 2026.** [LFM2.5-2.6B](https://www.liquid.ai/blog/lfm2-5-2-6b), pensado para agentes, con 131.072 tokens de contexto y llamadas a herramientas nativas, según su [ficha en Hugging Face](https://huggingface.co/LiquidAI/LFM2.5-2.6B).
- **13 de octubre de 2026.** LFM2.5-24B-A2B, el último y mayor modelo de la familia LFM2.5: solo razonamiento, 131.072 tokens de contexto y 184 tokens por segundo en un Apple M5 Max según Liquid.

El cambio de estrategia es lo más interesante. En 2024 Liquid AI competía con un discurso de "arquitectura nueva que supera a los transformers". En 2026 compite en un terreno más concreto: modelos pequeños, abiertos y rápidos para el dispositivo, donde la memoria y la latencia importan más que el último punto en un benchmark.

## Conclusión

Liquid AI demostró que hay alternativas viables al transformer puro, aunque la versión que ha cuajado es un híbrido que conserva algo de atención. ¿Merece la pena? Para quien quiera IA local, privada y barata de ejecutar, sus modelos LFM2 y LFM2.5 son hoy una opción seria, siempre que se revise la licencia si la empresa es grande.

## Preguntas frecuentes

### ¿Qué es Liquid AI?

Una empresa salida del laboratorio CSAIL del MIT. Diseña modelos de lenguaje con arquitecturas distintas del transformer clásico y su CEO es Ramin Hasani, coautor de las redes neuronales "líquidas". En diciembre de 2024 cerró una ronda de 250 millones de dólares liderada por AMD.

### ¿En qué se diferencian los LFM de un transformer?

Sustituyen buena parte de las capas de atención por operadores que vienen de los sistemas dinámicos y el procesamiento de señales. En LFM2, de 16 bloques, 10 son convoluciones cortas con compuertas y solo 6 son de atención. Menos memoria. Y una inferencia más rápida en CPU y móvil.

### ¿Los modelos de Liquid AI son de código abierto?

Los primeros LFM de 2024 no lo eran. Desde LFM2, en julio de 2025, los pesos son abiertos en Hugging Face bajo la LFM Open License v1.0, basada en Apache 2.0, que permite uso comercial gratuito a empresas con menos de 10 millones de dólares de facturación anual.

### ¿Para qué sirven los modelos LFM?

Sobre todo para ejecutar IA en el propio dispositivo: móviles, portátiles, coches o una Raspberry Pi. Sus puntos fuertes son la velocidad en CPU, el poco consumo de memoria y, en las versiones LFM2.5, las llamadas a herramientas para agentes locales.
