Liquid AI lanza LFM2.5-2.6B, modelo de agentes eficiente para despliegue local
Hecho Qué ha ocurrido
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 modelo está optimizado mediante un pipeline de RL agentico de cuatro fases para funcionar como agente autónomo. Según evaluaciones, compite con modelos hasta 4 veces más grandes en tareas de seguimiento de instrucciones, uso de herramientas y agenticas, alcanzando 220 tokens/s en CPU (M5 Max) y casi 15.000 tokens/s en GPU (H100).
Resumen generado mediante IA a partir de Hugging Face (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Este modelo representa un avance significativo en la accesibilidad de agentes IA locales: permite desplegar agentes capaces directamente en dispositivos de usuario final (laptops, teléfonos) sin dependencia de infraestructura cloud, reduciendo costes de inferencia y mejorando privacidad. Es particularmente relevante para empresas que necesitan automatización conversacional y de herramientas en entornos con restricciones de latencia o conectividad.
- Quién se ve afectado
- Desarrolladores de aplicaciones edge, empresas con requisitos de privacidad de datos, equipos de automatización de procesos, proveedores de chatbots y aplicaciones móviles que requieren agentes autónomos.
- Qué puede cambiar
- El despliegue de agentes autónomos deja de ser exclusivo de soluciones cloud: con rendimiento aceptable en hardware convencional (incluso a 30 tokens/s en móvil), las empresas pueden monetizar y escalar agentes sin pagar por inferencia remota y con control total de los datos. Abre viabilidad a casos de uso previamente impracticables en edge.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Adopción en frameworks de agentes (llama.cpp, vLLM, SGLang); madurez en manejo de herramientas malformadas y corrección de errores agenticos (el post reconoce alucinaciones cuando el modelo recibe datos incorrectos de herramientas); evolución de benchmarks de rendimiento agentico en contexto largo (se reportan degradaciones alrededor de 64K-96K tokens).
Recomendación Qué debería hacer una empresa
Evaluar LFM2.5-2.6B en los próximos 3-6 meses si se requiere desplegar agentes en dispositivos con restricciones de recursos o privacidad crítica; validar especialmente el manejo de errores de herramientas y formatos malformados en tu caso de uso particular antes de producción.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: Hugging Face (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗LLMagentesRL agenticotool callingedge AI Liquid AI agentes locales edge AI inferencia LFM2.5 Liquid AI
Relacionadas
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 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-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…
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…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.