Liquid AI lanza LFM2.5-VL-3B, modelo multimodal eficiente para inferencia en dispositivos
Hecho Qué ha ocurrido
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 modelo combina un codificador de visión SigLIP2 400M con la arquitectura base LFM2.5-2.6B, preentrenado en 34 billones de tokens con 4x más datos de visión que versiones anteriores, e incluye soporte para 128K vocabulario para scripts no latinos. Alcanza 228 tokens/segundo en MacBook M5 Max, 116 en Ryzen AI Max+, y hasta 20 en Galaxy S26 Ultra, operando completamente en dispositivo con apenas 3GB de memoria.
Resumen generado mediante IA a partir de Hugging Face (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Representa un avance en la viabilidad de modelos multimodales avanzados sin depender de infraestructura en la nube, reduciendo latencia, costes operativos y dependencias de conectividad para empresas que necesiten procesamiento visual en tiempo real. Su soporte inmediato en múltiples marcos de inferencia (vLLM, llama.cpp, ONNX) facilita la integración en sistemas existentes.
- Quién se ve afectado
- Desarrolladores de aplicaciones móviles, empresas con flujos de procesamiento de documentos y OCR, plataformas de visión por computadora que requieren ejecución local, y proveedores de soluciones IoT y edge computing.
- Qué puede cambiar
- Permite ejecutar capacidades de comprensión visual complejas (understanding de documentos, lectura de pantallas, grounding de objetos, llamadas a funciones) directamente en dispositivos sin transferencia de datos hacia servidores. Esto facilita casos de uso en privacidad, latencia crítica y aplicaciones offline.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Adopción en plataformas de desarrollo móvil y edge; validación de rendimiento en producción real; comparativa de eficiencia energética frente a modelos cloud; integración en herramientas empresariales de procesamiento documental; evolución de benchmarks multimodales para modelos de tamaño pequeño.
Recomendación Qué debería hacer una empresa
Equipos de mobile y edge AI deberían evaluar LFM2.5-VL-3B en los próximos 2-3 meses para casos de uso de captura de documentos, OCR y comprensión visual local; verificar compatibilidad con infraestructura ONNX/vLLM existente antes de inversión productiva.
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 ↗LLMvisión-lenguajeedge AIOCRSigLIP2 Liquid AI edge AI inferencia local LFM2.5-VL-3B modelos multimodales procesamiento de documentos
Relacionadas
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 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…
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 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.