Liquid AI lanza LFM2.5-24B-A2B, un modelo abierto de razonamiento orientado a agentes en el dispositivo
Hecho Qué ha ocurrido
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 ampliado a unos 33T tokens. Según la propia compañía, supera o iguala a modelos de tamaño similar o mayor en 5 de 8 pruebas de uso de herramientas y agentes, y genera 184 tokens/s en un M5 Max. Los resultados son autoevaluaciones de la empresa.
Resumen generado mediante IA a partir de Hugging Face (original en inglés). Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
Para equipos que quieran agentes locales con privacidad, un modelo abierto de su tamaño que cumpla con llamadas a herramientas podría reducir costes de inferencia en la nube, aunque conviene validarlo con sus propias tareas.
- Quién se ve afectado
- Desarrolladores y equipos de IT que evalúan agentes en dispositivo o despliegues on-premise.
- Qué puede cambiar
- Si los resultados se confirman en pruebas independientes, podría ampliar las opciones para ejecutar agentes locales sin depender de APIs externas, aunque el propio texto reconoce que los modelos mayores siguen siendo mejores en conocimiento y programación.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Evaluaciones independientes de terceros sobre los benchmarks citados, adopción en herramientas como llama.cpp o Ollama y la calidad real en tareas de conocimiento intensivo.
Recomendación Qué debería hacer una empresa
Evaluar LFM2.5-24B-A2B frente al modelo actual en un piloto de agentes con datos propios durante los próximos 3 meses antes de cualquier decisión de despliegue.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Fuente original: Hugging Face (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗LLMagentesMoEtool use Liquid AI agentesLFM2.5-24B-A2BLiquid AImodelo abiertoon-device
Tu opinión
0 comentarios
Relacionadas
Google lanza Gemini 4 Argon en todo el mundo como su modelo de frontera más capaz
Google ha puesto a disposición global su modelo Gemini 4 Argon a través de la API, la app de Gemini y Google Antigravity, con acceso según suscripción. Argon…
Por qué importaPara las empresas, un modelo de frontera con precios agresivos cambia la ecuación de coste en tareas de programación y agentes. La diferencia de…
Google lanza Gemini 4 Argon, un modelo para tareas complejas en empresas e investigación
Google ha lanzado Gemini 4 Argon, un modelo orientado a tareas de varios pasos en programación, finanzas, derecho, ciberseguridad y ciencia. Está disponible…
Por qué importaPara empresas que automatizan análisis, código o ciberseguridad, un modelo de primer nivel con precio promocional puede cambiar la elección de…
Google despliega a nivel global Gemini 4 Argon para programación, finanzas, ciencia y ciberseguridad
Google ha comenzado el despliegue global de Gemini 4 Argon, su nuevo modelo para trabajo especializado, dirigido a desarrolladores, empresas y suscriptores de…
Por qué importaUn modelo orientado a tareas de varios pasos en código, finanzas y ciberseguridad puede cambiar qué procesos se delegan a la IA en empresas con…
Google DeepMind presenta Gemini 4 Argon para robótica y afirma liderar el benchmark ERQA
Google DeepMind presenta Gemini 4 Argon, un modelo orientado al razonamiento físico y al control robótico. Según la compañía, obtiene un 87% en el benchmark…
Por qué importaSi los resultados se confirman, la IA física de propósito general podría reducir el trabajo de programación específica de tareas robóticas mediante…