Liquid AI lanza LFM2.5, un agente local de 2.6B

Liquid AI ha puesto a disposición LFM2.5-2.6B, un modelo de IA diseñado para ejecutar agentes directamente en tu ordenador, móvil o servidor. Tiene 2.600 millones de parámetros y necesita menos de 2,5 GB de memoria para funcionar.

La propuesta es sencilla: hacer tareas que van más allá de responder preguntas. El modelo puede seguir instrucciones, usar herramientas, buscar información y completar procesos de varios pasos sin depender siempre de una API en la nube.

Un modelo pequeño centrado en actuar

Liquid AI asegura que LFM2.5-2.6B compite con modelos de hasta cuatro veces su tamaño en seguimiento de instrucciones, uso de herramientas y tareas agénticas. En este contexto, un agente es un sistema que decide qué pasos dar y qué herramientas utilizar para alcanzar un objetivo.

Por ejemplo, en vez de limitarse a explicar cómo investigar un tema, el modelo puede trabajar dentro de un agente de investigación: consultar fuentes, organizar los datos y preparar un resumen. También puede integrarse con entornos como OpenClaw, Hermes Agent o Pi.

La compañía entrenó el modelo con unos 34 billones de tokens, las unidades de texto que utilizan los modelos para aprender. Después amplió su ventana de contexto hasta 128.000 tokens, lo que le permite manejar conversaciones, documentos o historiales de tareas extensos.

Entrenamiento dentro de agentes reales

El modelo no se entrenó solo con preguntas y respuestas. Liquid AI utilizó un proceso en cuatro etapas:

• Dos rondas de ajuste supervisado, con mucho peso en uso de herramientas, búsquedas web y trayectorias de agentes.
• Profesores especializados en áreas como matemáticas, código y uso de herramientas.
• Destilación de esos profesores en un único modelo, para reunir sus capacidades.
• Aprendizaje por refuerzo dentro de agentes reales y tareas de varios turnos.

El aprendizaje por refuerzo permite que el modelo reciba una señal sobre si sus acciones fueron útiles y ajuste su comportamiento. En este caso, las acciones se ejecutan en un entorno aislado, o sandbox, que separa el entrenamiento del agente de las herramientas y tareas con las que interactúa.

Este enfoque busca que el modelo sea compatible con distintos sistemas de agentes, instrucciones iniciales y secuencias de herramientas, en lugar de funcionar bien solo en una prueba controlada.

Los resultados: fuerte en instrucciones y herramientas

Según las pruebas publicadas por Liquid AI, LFM2.5-2.6B fue el modelo más pequeño de la comparación y se midió frente a modelos de entre 4.700 y 9.700 millones de parámetros.

Sus resultados más destacados aparecen en estas áreas:

• Seguimiento de instrucciones: obtuvo 59,17 en IFBench, 80,07 en Multi-IF y 85,49 en IFStruct.
• Uso de herramientas: alcanzó 77,83 en ToolSandbox y 56,88 en BFCLv4.
• Tareas agénticas: logró 62,85 de media en Claw-Eval en inglés y 26,89 en BrowseComp+ con OpenClaw.

Liquid AI afirma que el modelo lidera todas las pruebas de seguimiento de instrucciones de la comparación y todas las de uso de herramientas salvo BFCLv4, donde el modelo Qwen3.5-9B obtiene una puntuación ligeramente superior.

No gana en todo. En programación, los modelos más grandes mantienen una ventaja clara: Qwen3.5-9B obtuvo 69,86 en LiveCodeBenchv6, frente a 59,41 del modelo de Liquid AI. Para escribir código complejo, sigue teniendo sentido utilizar un modelo de mayor tamaño.

Velocidad para funcionar en local

La principal ventaja práctica está en el coste y la velocidad. Liquid AI midió 220 tokens por segundo en un Apple M5 Max y 113 tokens por segundo en un procesador AMD Ryzen AI Max+ 395, utilizando CPU.

Eso permite ejecutar agentes sin una GPU dedicada y, según la compañía, incluso usarlo en un teléfono a 30 tokens por segundo. En una GPU H100, el modelo llega a casi 15.000 tokens por segundo con muchas solicitudes simultáneas, equivalente a unos 1.300 millones de tokens diarios en una sola tarjeta.

El modelo ofrece soporte desde el primer día en herramientas como llama.cpp, MLX, vLLM, SGLang y ONNX. También puede probarse mediante una demostración WebGPU en el navegador, sin instalar un entorno completo.

Para ti, esto significa que algunas tareas que hoy envías a un servicio externo podrían ejecutarse en tu propio dispositivo: clasificar documentos, consultar una base de datos, automatizar procesos internos o coordinar varias herramientas. La contrapartida es que el modelo está más especializado en seguir instrucciones y actuar que en resolver los problemas de programación más exigentes.

LFM2.5-2.6B y su versión base ya están disponibles en Hugging Face. Lo importante ahora será comprobar cómo se comporta fuera de las pruebas de Liquid AI: en tareas largas, con herramientas imperfectas y en dispositivos reales. Si mantiene esa velocidad y fiabilidad, los agentes locales podrán resultar mucho más fáciles de desplegar y más baratos de operar.