Liquid AI publica LFM2.5-2.6B, un agente local de 2.690 millones de parámetros

Liquid AI publicó el 4 de agosto los pesos de LFM2.5-2.6B, un modelo de texto pensado menos como enciclopedia o programador general que como motor de agentes pequeños. Puede razonar, emitir llamadas a funciones y trabajar durante varios pasos dentro de arneses como OpenClaw o Hermes Agent. Su tamaño permite ejecutar una versión cuantizada en un teléfono o un portátil sin enviar cada token a una API.

La novedad no está en haber inventado una arquitectura desde cero. LFM2-2.6B ya combinaba 22 bloques de convolución corta con ocho bloques de atención y ya admitía herramientas. El nuevo checkpoint conserva esa estructura de 30 capas, pero eleva el entrenamiento previo declarado de 10 a unos 34 billones de tokens, duplica el vocabulario hasta 128.000 unidades, amplía el contexto de 32K a 128K y cambia de forma sustancial el postentrenamiento. Liquid ha publicado tanto el modelo base como el postentrenado, además de formatos para Transformers, GGUF, MLX y ONNX.

Eso convierte una afirmación de producto en algo que desarrolladores e investigadores pueden someter a pruebas propias. También hace visible una distinción que se pierde en el lema «agentes en todas partes»: mover el modelo al dispositivo reduce una dependencia de la nube, pero no elimina el sistema que lo rodea.

Entrenar dentro del arnés cambia la destreza que se aprende

El informe técnico de LFM2 describe la arquitectura híbrida y el entrenamiento de la generación anterior. Para LFM2.5-2.6B, la documentación principal es por ahora el anuncio de Liquid AI y su tarjeta de modelo. Allí se detalla una secuencia de cuatro etapas: dos rondas de ajuste supervisado; especialización de varios modelos profesores; destilación on-policy de esos especialistas en un único alumno; y aprendizaje por refuerzo dentro de entornos de agentes.

La última etapa es la más interesante. El modelo no aprende sólo a producir una llamada de función aislada. Liquid lo ejecuta dentro de arneses reales, cada tarea en su propio sandbox, para que observe resultados, corrija el plan y termine trabajos de investigación, escritura, análisis de datos, documentos o código. La recompensa combina una rúbrica juzgada por otro modelo, comprobaciones programáticas y una barrera de seguridad cuyo funcionamiento no se publica.

Entrenar en el mismo protocolo que se usará al desplegar puede reducir fallos banales de formato y coordinación. También estrecha lo que demuestra el resultado: una mejora dentro de OpenClaw o Hermes puede ser habilidad transferible, familiaridad con sus mensajes de sistema o una mezcla de ambas. No se han publicado las tareas de entrenamiento, la distribución de éxitos, una evaluación de contaminación ni una tarjeta de seguridad específica para este checkpoint. La propia tarjeta de LFM2.5-2.6B desaconseja usarlo para programación agéntica y tareas intensivas en conocimiento, dos límites importantes para un modelo que el anuncio presenta como agente general.

Los benchmarks apoyan una afirmación más acotada. En las ejecuciones del proveedor, el modelo queda por delante de variantes mayores de Gemma y cerca de Qwen3.5 en varias pruebas de instrucciones, uso de herramientas y tareas agénticas; las familias mayores conservan ventaja en programación y parte del conocimiento. BFCL v4 comprueba selección y composición de llamadas, interacciones multietapa, memoria y búsqueda; ToolSandbox añade estado y dependencias entre herramientas. Son pruebas pertinentes para saber si un modelo habla el idioma de un agente. No miden si sus permisos están bien diseñados, si resiste instrucciones maliciosas devueltas por una web o si puede operar una semana sin acumular errores.

Las cifras siguen siendo resultados de Liquid, no una reproducción independiente. El blog sí publica temperaturas y límites de generación, y reconoce una configuración distinta para Qwen porque la decodificación voraz le producía bucles. En el marcador oficial de BFCL, consultado al publicar esta entrada, todavía no figura LFM2.5-2.6B. Que los pesos estén disponibles hace posible cerrar ese hueco; no lo cierra por sí solo.

128K de contexto no caben en una sola cifra de memoria

Liquid informa de 220 tokens por segundo en un M5 Max, 113 en una CPU Ryzen AI Max+ 395 y 30 en un teléfono, con menos de 2,5 GB de memoria. Son mediciones atractivas, pero esa frase reúne decisiones diferentes. Los archivos GGUF oficiales ocupan unos 1,59–1,67 GB en Q4, 1,94 GB en Q5 y 2,22 GB en Q6; el modelo BF16 ocupa 5,40 GB antes de reservar memoria para el contexto, el arnés o las herramientas. Por tanto, el umbral de 2,5 GB describe necesariamente una variante cuantizada y una carga concreta, no todo uso posible del modelo.

La caché que conserva el contexto también crece con la conversación. La página publica una metodología precisa para la prueba en H100 —BF16, 1.024 tokens de entrada, hasta 256 de salida y tres repeticiones—, pero no ofrece el mismo detalle textual para la gráfica de CPU y teléfono ni una curva de calidad, latencia y memoria hasta los 128K. Una ventana admitida por la configuración no prueba que el modelo recupere con fiabilidad cada dato repartido por ella, ni que el dispositivo mantenga su velocidad cuando el historial se acerca al máximo.

La prueba útil para un proyecto no sería «¿arranca en mi móvil?», sino «¿termina mi flujo con esta cuantización, este historial y este conjunto de herramientas?». Habría que medir éxito de extremo a extremo, consumo energético, crecimiento de memoria, degradación por cuantización y recuperación tras una llamada fallida. En español y en los otros quince idiomas declarados conviene además comprobar instrucciones y argumentos de herramientas propios: el anuncio no desglosa los resultados por lengua.

Local no significa aislado, gratis ni libre de condiciones

Un agente local puede mantener el prompt, los documentos y el razonamiento en el equipo. Esa es una ganancia real para tareas sin conexión o datos que no deberían llegar a un proveedor de modelos. Pero si el agente busca en la web, consulta un CRM o envía un correo, los argumentos de esas herramientas abandonan el dispositivo. La privacidad depende del trayecto completo: permisos, registros, servicios remotos y datos que cada herramienta devuelve al contexto.

Tampoco desaparece el coste. Se elimina el precio por token de una API, no la energía, el hardware, la batería, el mantenimiento ni el tiempo de revisar acciones. Precisamente porque un modelo pequeño permite ejecutar muchos bucles en paralelo, un error barato puede repetirse a gran escala. El sandbox de entrenamiento no viaja dentro de los pesos; quien despliega el agente todavía debe limitar red, archivos, credenciales, gasto y acciones irreversibles.

Hay además una restricción jurídica que el lenguaje promocional oculta. Liquid llama a los pesos «abiertos» y afirma que se pueden desplegar «sin restricciones». Sin embargo, su LFM Open License 1.0 no autoriza el uso comercial a una entidad con ingresos anuales de 10 millones de dólares o más. Los archivos son descargables, modificables e inspeccionables, pero no tienen una licencia permisiva para cualquier uso. «Pesos abiertos» es aquí una descripción de acceso técnico, no un sinónimo de software de código abierto ni de libertad comercial universal.

Mi lectura es que LFM2.5-2.6B importa por dónde coloca una capacidad suficiente, no porque sustituya a modelos mucho mayores. Un motor pequeño que selecciona herramientas, mantiene una conversación con estado y funciona sin conexión puede ocuparse de automatizaciones privadas, repetitivas y acotadas allí donde una API remota sería cara, lenta o inaceptable. Su papel razonable se parece más al de un operador especializado que al de una autoridad: ejecutar dentro de límites verificables, pedir ayuda cuando sale de su dominio y dejar trazas de las acciones.

Los pesos permiten averiguar si esa propuesta sobrevive fuera de las gráficas de Liquid. La señal decisiva será que terceros reproduzcan el rendimiento en dispositivos concretos y publiquen tasas de finalización y fallo bajo cuantización, contextos largos, otros idiomas y entradas hostiles. Hasta entonces, el lanzamiento amplía de forma material lo que se puede probar en local; no convierte el dispositivo en una nube gratuita ni el agente en un proceso seguro por defecto.

Fuentes

• Liquid AI, LFM2.5-2.6B: Deploy Agents Everywhere, 4 de agosto de 2026.
• Liquid AI, tarjeta, configuración y pesos de LFM2.5-2.6B y variantes GGUF, consultados el 9 de agosto de 2026.
• Liquid AI, LFM2 Technical Report, versión consultada el 9 de agosto de 2026.
• Liquid AI, LFM Open License 1.0, consultada el 9 de agosto de 2026.
• UC Berkeley, Berkeley Function-Calling Leaderboard v4, y Lu et al., ToolSandbox, consultados el 9 de agosto de 2026.