Liquid AI ha presentado la familia de modelos LFM3, formada por seis modelos de la clase de 2B que se ramifican todos de la misma base de 1.7B: uno de texto, uno de visión, uno de audio y uno omnimodal, además de dos modelos de decisión especializados a partir de las versiones de visión y omnimodal. Los pesos están en Hugging Face, etiquetados como pesos abiertos, y también se pueden usar a través de LFM Playground y de la API propia de Liquid.
En arquitectura, LFM3 sigue el camino de Liquid de no usar un Transformer puro:
"LFM3 combines three operators: gated short convolutions, sliding-window attention (SWA), and global attention."
(LFM3 combina tres operadores: convoluciones cortas con compuertas, atención de ventana deslizante y atención global.)
Las convoluciones cortas y la ventana deslizante se encargan de la mayoría de las capas, y la atención global se reserva para unas pocas. Así consigue reducir el uso de memoria con contextos largos.
El boletín de notas, por partes
El modelo de texto LFM3-1.7B obtiene una media de benchmarks de 49.37. Entre los modelos que Liquid usa como referencia, su generación anterior, LFM2.5-2.6B, marca 31.55, MiniCPM5-2B marca 39.19 y Qwen3.5-9B, con más de cinco veces sus parámetros, marca 47.24.
Los resultados individuales son muy desiguales. El seguimiento de instrucciones en IFEval (96.66) y la llamada a herramientas en BFCL V4 (71.39) son muy altos, y son justo las dos capacidades que más usan los agentes en el dispositivo. En cambio, el contexto largo y el conocimiento duro le pasan factura: RULER 128K se queda en 65.56 frente a los 87.11 de Qwen3.5-9B, y en GPQA Diamond son 63.37 contra 80.40. Es decir, la ventaja en la media se apoya sobre todo en tareas de instrucciones y herramientas; en tareas intensivas en conocimiento sigue siendo un modelo de 2B.
El nombre exacto de la licencia no figura en la parte visible del blog oficial, así que las condiciones de uso comercial deben consultarse en la ficha del modelo.
Una cuenta de rendimiento
Los datos en el dispositivo son el principal reclamo. Con llama.cpp, cuantización Q4_0 y contexto de 32K, Liquid afirma que LFM3 decodifica entre 1.8 y 2.8 veces más rápido que el segundo modelo más veloz en tres dispositivos, con el menor consumo de memoria.
También hay una cifra para servidor: en una sola NVIDIA B300, con SGLang, BF16 y 1024 solicitudes concurrentes, genera unos 3.6 mil millones de tokens al día. Haciendo una cuenta aproximada, 3.6 mil millones entre 86400 segundos son unos 42 000 tokens por segundo; repartidos entre 1024 solicitudes, salen unos 40 tokens por segundo cada una, bastante más rápido de lo que lee una persona. Con ese criterio, una sola tarjeta sostiene más de mil conversaciones a la vez sin atascos, lo que interesa más a los equipos que usan modelos pequeños para clasificar, extraer y enrutar por lotes.
Estas cifras son mediciones de la propia Liquid, sin reproducción de terceros, y tampoco se indican la longitud del prompt ni la de la salida usadas en la prueba; con otra carga, el resultado puede variar mucho.
Pensado para el ajuste fino
El argumento de venta que Liquid repite esta vez es que "cada modelo se puede ajustar en una sola GPU". Como los seis modelos comparten base, los equipos pueden desarrollar primero la capacidad de negocio en la versión de texto y luego trasladarla a las ramas de visión o audio. Liquid también ofrece documentación para ejecución local y ajuste fino.
Para móviles, sistemas de vehículo y equipos industriales, donde no resulta práctico estar conectado, 1 GB de tamaño, contexto de 256K y ajuste en una sola GPU son el hueco que LFM3 quiere ocupar. Que lo logre dependerá de los resultados de ajuste fino de la comunidad en tareas reales, y no solo de esta tabla de notas.
Fuentes: blog oficial de Liquid AI, CocoLoop, página del modelo en Hugging Face; las puntuaciones de benchmark, los múltiplos de decodificación en el dispositivo y el rendimiento diario en B300 se basan en las mediciones propias de Liquid, y el rendimiento por segundo es un cálculo aproximado de la redacción a partir del rendimiento diario.