JOURNAL / 2026.10.28

Liquid AI lanza LFM3: visión y voz locales con límites distintos para cada modelo

La nueva familia publica pesos de modelos pequeños para texto, visión, audio y decisiones. La oportunidad está en especializar aplicaciones locales; las ventanas de contexto y el soporte de ejecución exigen leer cada tarjeta por separado.

Liquid AI presentó LFM3 el 27 de octubre. La familia comparte una base y se ramifica en seis modelos de alrededor de dos mil millones de parámetros: texto, visión, audio, una combinación multimodal y dos variantes de decisiones. Los pesos ya están publicados. El interés práctico es poder elegir y adaptar una pieza pequeña para una aplicación que deba trabajar cerca de sus datos.

La arquitectura introduce atención de ventana deslizante junto a las convoluciones cortas y la atención global de la generación anterior. Liquid declara 22 billones de tokens de preentrenamiento y presenta la especialización como objetivo central. Eso da una dirección técnica al lanzamiento, pero ni el volumen de entrenamiento ni compartir una base convierten las variantes en productos intercambiables.

La tarjeta de LFM3-1.7B describe un modelo textual para agentes, herramientas y salidas estructuradas, con 256K tokens de contexto. En las pruebas del proveedor mejora frente a LFM2.5-2.6B en BFCL v4, que evalúa llamadas a funciones, y ToolSandbox, que añade interacciones con herramientas y estado. Es evidencia pertinente para automatizaciones; no demuestra fiabilidad sostenida en una aplicación propia. La propia tarjeta desaconseja programación agéntica y razonamiento complejo de varios pasos.

La variante visual LFM3-VL-2B incorpora vídeo por primera vez en los modelos visuales LFM. Admite 128K tokens y muestrea el vídeo a dos fotogramas por segundo. Puede servir para preguntar por una grabación o localizar elementos en una imagen, pero ese muestreo invita a comprobar qué ocurre con sucesos breves. La tarjeta tampoco recomienda conversaciones de múltiples turnos ni razonamiento complejo.

LFM3-Omni-2B combina imágenes, vídeo, audio y texto, y responde con texto o voz. Tiene unos 2.170 millones de parámetros, una ventana de 32K y no ofrece modo de razonamiento. La diferencia importa: los 256K del modelo textual no describen la capacidad de conversación de toda la familia.

Imaginemos una aplicación de mantenimiento que recibe una foto y la pregunta hablada «¿qué pieza estoy señalando?». Omni permite ensayar esa interacción conjunta; una variante visual puede encajar si la pregunta llega escrita. Mi lectura es que la ganancia potencial está en reducir componentes y adaptar el sistema a un vocabulario concreto. Todavía habría que comprobar si reconoce la pieza correcta entre modelos casi idénticos y si pide otra foto cuando falta evidencia. Es una propuesta de uso, no un resultado observado.

Hay además una distancia entre publicar pesos y tener todas las rutas de ejecución maduras. Aunque el anuncio destaca soporte desde el lanzamiento, la tarjeta visual indica que la integración con llama.cpp sigue en revisión y aún no incluye vídeo; también señala trabajo pendiente en vLLM y SGLang. La elección depende del modelo, la modalidad y la versión del motor. Un ejemplo de arranque no garantiza que una instalación estable admita todas esas funciones.

Algo parecido sucede con la memoria. Liquid sitúa el modelo textual cuantizado a cuatro bits alrededor de 1 GB, pero sus comparaciones de velocidad en dispositivos usan 32K de contexto. Esa cifra inicial no es un presupuesto completo para una conversación de 256K, una cámara y una interfaz de voz. Yo mediría memoria máxima, tiempo hasta la primera respuesta y consumo durante una sesión representativa, junto con los errores que requieren intervención.

Los pesos descargables tampoco eliminan las condiciones de uso. La LFM Open License 1.0 incorpora una limitación comercial ligada a un umbral de diez millones de dólares de ingresos anuales. Conviene revisar sus términos para el despliegue concreto.

LFM3 merece atención porque amplía lo que un equipo puede intentar especializar y conservar bajo su control. Para mí, la prueba decisiva sería una tarea estrecha que funcione mejor gracias a unir percepción y lenguaje, con una ruta de ejecución reproducible y errores identificables. Ahí se verá cuánto de este lanzamiento se convierte en una aplicación útil.

Fuentes primarias consultadas el 28 de octubre de 2026. Hemos revisado tarjetas y disponibilidad de archivos de pesos; no hemos ejecutado los modelos ni reproducido las evaluaciones.

← Volver al diario