Empresa
Liquid AI
Liquid AI es una empresa que desarrolla modelos de IA de pesos abiertos y arquitecturas eficientes (familia LFM2.5) orientadas a ejecución en dispositivos edge y agentes autónomos. Publica regularmente en Hugging Face con foco en velocidad de inferencia, bajo consumo de memoria y multimodalidad.
IA para hoy ha analizado 7 noticias sobre Liquid AI, procedentes de 1 medio distinto. No ha habido cobertura nueva en la última semana. La fiabilidad media de esa cobertura es de 3,9 sobre 5, medida con las reglas de nuestro método. Las áreas de impacto que más se repiten son Desarrollo, IT, Automatización. Aparece en 7 historias en seguimiento.
Evolución en 16 semanas
El momentum semanal se estima con la misma fórmula que el momentum actual: volumen, aceleración respecto a la semana anterior, diversidad de fuentes e impacto.
Análisis Qué significa para una empresa
- Oportunidades
- Permite desplegar IA avanzada en dispositivos locales (móviles, portátiles, edge) sin depender de la nube, reduciendo costes y latencia en casos de uso offline o sensibles a privacidad. Facilita construir agentes y asistentes multimodales eficientes con menor infraestructura.
- Riesgos
- Las métricas de rendimiento provienen mayoritariamente de autoevaluaciones de la propia empresa, sin validación independiente consistente. Es un proveedor relativamente nuevo, con riesgo de discontinuidad del soporte y un ecosistema de herramientas aún en consolidación frente a actores más establecidos.
- Qué debería hacer una empresa
- Evaluar en entornos de prueba los modelos LFM2.5 para casos de uso edge o de baja latencia antes de adoptarlos en producción, contrastando sus resultados con benchmarks independientes en los próximos 6-12 meses.
Análisis generado por IA a partir de las noticias disponibles; actualizado 16 oct.
Relacionadas
LLM ×7edge-ai ×4Hugging Face ×3agentes ×2Nvidia ×2multimodal ×2RAG ×1chips ×1fine-tuning ×1LoRA ×1
Historias
Liquid AI lanza LFM2.5-24B-A2B, modelo abierto para agentes en dispositivo
Liquid AI lanza modelos de decisión d1 open-weight para edge
Liquid AI lanza drafter DSpark para acelerar su modelo de visión-lenguaje LFM2.5-VL
Hugging Face demuestra mejora de salidas estructuradas con GRPO en modelo 350M
Modelos LFM2.5-DSpark con decodificación especulativa optimizada
Liquid AI lanza modelo visión-lenguaje optimizado para ejecución en dispositivos
Liquid AI lanza modelo de agentes eficiente para despliegue local sin cloud
Noticias
Liquid AI lanza LFM2.5-24B-A2B, un modelo abierto de razonamiento orientado a agentes en el dispositivo
Liquid AI publicó en Hugging Face LFM2.5-24B-A2B, un modelo de pesos abiertos solo de razonamiento, con ventana de contexto de 131K tokens y entrenamiento…
Por qué importaPara equipos que quieran agentes locales con privacidad, un modelo abierto de su tamaño que cumpla con llamadas a herramientas podría reducir costes…
Liquid AI lanza modelos de decisión multimodales d1 para dispositivos edge
Liquid AI publicó en Hugging Face los modelos abiertos d1-3B y d1-omni-600M, basados en sus Liquid Foundation Models, que responden con una única pasada hacia…
Por qué importaOfrece una alternativa eficiente a los LLM generativos para tareas de clasificación y decisión estructurada en dispositivos con recursos limitados…
Liquid AI lanza LFM2.5-VL-DSpark para acelerar modelos de visión y lenguaje en edge y GPU
Liquid AI presentó LFM2.5-VL-DSpark, un modelo 'draft' de decodificación especulativa de 280M de parámetros para acelerar su modelo de visión-lenguaje…
Por qué importaReducir la latencia de inferencia de modelos multimodales en dispositivos edge y GPU abarata y acelera el despliegue de aplicaciones de visión…
Hugging Face muestra cómo GRPO mejora salidas estructuradas en un modelo de 350M parámetros
Un tutorial de Hugging Face aplica fine-tuning con GRPO y LoRA sobre LFM2.5-350M usando ~500 muestras y 100 pasos de entrenamiento, dirigido a mejorar el…
Por qué importaDemuestra que el fine-tuning con RL de bajo coste puede mejorar sustancialmente la fiabilidad de salidas estructuradas en modelos pequeños…
Liquid AI logra aceleración de hasta 3,2x en inferencia con LFM2.5-DSpark
Liquid AI ha publicado modelos de decodificación especulativa (DSpark) para su serie LFM2.5, logrando mejoras de velocidad de hasta 3,2x en inferencia. Los…
Por qué importaLa decodificación especulativa es técnicamente efectiva para reducir latencia en inferencia de LLM, factor crítico para aplicaciones en tiempo real…
Liquid AI lanza LFM2.5-VL-3B, modelo multimodal eficiente para inferencia en dispositivos
Liquid AI ha anunciado LFM2.5-VL-3B, un modelo de visión-lenguaje de 3 mil millones de parámetros optimizado para ejecución en dispositivos periféricos. El…
Por qué importaRepresenta un avance en la viabilidad de modelos multimodales avanzados sin depender de infraestructura en la nube, reduciendo latencia, costes…
Liquid AI lanza LFM2.5-2.6B, modelo de agentes eficiente para despliegue local
Liquid AI ha presentado LFM2.5-2.6B, un modelo de 2.6 mil millones de parámetros pre-entrenado en 34 billones de tokens con contexto extendido a 128K. El…
Por qué importaEste modelo representa un avance significativo en la accesibilidad de agentes IA locales: permite desplegar agentes capaces directamente en…