Liquid AI supera a Qwen3.5‑9B con modelos multimodales de 2 B y 256 K de contexto
Liquid AI lanzó LFM3, una familia de seis modelos multimodales de alrededor de 2 B de parámetros que pueden ejecutarse en una GPU de consumo y superan a Qwen3.5‑9B en varios benchmarks.
Liquid AI ha puesto a disposición del público LFM3, una nueva generación de Liquid Foundation Models compuesta por seis variantes multimodales de 2 B de parámetros. Cada modelo parte de un mismo backbone y está diseñado para entrenarse y desplegarse en dispositivos con apenas 1 GB de memoria usando cuantización a 4-bit, lo que permite su ejecución en teléfonos, portátiles, servidores privados o la nube.
Arquitectura tri‑híbrida y ajustes para dispositivos locales
La columna vertebral de LFM3 combina tres tipos de operadores distribuidos en 24 capas: 13 convoluciones cortas con compuertas, 5 capas de atención de ventana deslizante (sliding‑window attention) y 6 capas de atención global. La ventana de atención deslizante cubre 256 tokens y los kernels de convolución varían de 3 a 7. Este diseño surgió de una búsqueda de arquitectura hardware‑in‑the‑loop que probó configuraciones en 14 combinaciones de dispositivos, entre ellos un Raspberry Pi 5 y el NPU Qualcomm Hexagon.
Los cambios adicionales incluyen compuertas sigmoides por cabeza en la atención, RoPE parcial en capas globales y una normalización tipo sandwich norm. El modelo base procesó 22 trillones de tokens, con los últimos 3.5 trillones dedicados a entrenamiento orientado a agentes, lo que también amplió el contexto a 256 K tokens.
Rendimiento en pruebas estandarizadas y comparación con rivales
Según los datos publicados por Liquid AI, LFM3‑1.7B alcanza una media de 49.37 puntos en 29 benchmarks, superando al Qwen3.5‑9B (47.24). En pruebas específicas destaca:
- IFEval: 96.66 frente a 15.10 de Qwen3.5‑9B.
- AutomationBench: 41.29 frente a 15.10.
- WebArena‑Verified: 38.42 frente a 28.94.
- BFCL V4: 71.39 frente a 62.83.
Los resultados más bajos aparecen en Humanity’s Last Exam (7.17 sin herramientas) y en RULER 128K (65.56 frente a 87.11 de Qwen3.5‑9B), lo que indica áreas de mejora en razonamiento sin apoyo de herramientas.
Ventajas para desarrolladores en Latinoamérica y España
La capacidad de ejecutar los modelos con menos de 1 GB de RAM a 4-bit abre la puerta a una adopción masiva en regiones donde el acceso a infraestructura de cómputo de alto nivel sigue siendo limitado. Start‑ups y equipos de investigación pueden entrenar versiones afinadas en una sola GPU de gama media, reducir costos de nube y mantener los datos bajo control local.
Los pesos están disponibles bajo licencia abierta en Hugging Face, y los checkpoints se distribuyen en formatos GGUF, MLX, ONNX, FP8 y NVFP4, facilitando su integración en entornos de desarrollo habituales en la región.
Retos y perspectivas de adopción a corto plazo
Aunque LFM3 ofrece una propuesta atractiva, la calidad del procesamiento de video (2 fps) y la cobertura de idiomas en el modelo de audio todavía son limitadas. Además, la comunidad necesita herramientas de orquestación y paquetes de inferencia que simplifiquen la puesta en producción en entornos locales.
Liquid AI ha anunciado que continuará afinando la familia con datos de agentes y que planea lanzar versiones especializadas para dominios como salud y finanzas, lo que podría reforzar aún más su posición frente a competidores como MiniCPM5‑2B o Gemma 4 E4B.
En los próximos meses, la disponibilidad de modelos abiertos de 2 B parámetros y la facilidad de despliegue prometen acelerar la experimentación en universidades y empresas latinoamericanas, marcando un paso significativo hacia la democratización de la IA multimodal.