marc mayol
← Volver al blog

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

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:

ModeloParámetrosTipoMMLU (5-shot)
LFM-1B1.300 millonesDenso58,55
LFM-3B3.100 millonesDenso, pensado para móvil y robótica66,16
LFM-40B40.300 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

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:

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: 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:

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.

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.

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.

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.

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.