Segun MarkTechPost (AI/ML News), Liquid AI ha presentado nuevos puntos de control para sus modelos LFM2.5, incluyendo versiones de DSpark para tres variantes: LFM2.5-1.2B-Instruct, LFM2.5-2.6B y LFM2.5-8B-A1B. Estos modelos incorporan una ruta de decodificación especulativa que permite a un modelo pequeño proponer bloques de tokens, siendo luego validados por el modelo principal. Este proceso no altera el resultado final, manteniendo la exactitud de las salidas. La mejora en velocidad alcanza hasta un 3.18x en hardware H100 y hasta un 2.87x en dispositivos como el MacBook Pro M4 Max. El aumento en consumo de memoria es mínimo, mientras que el rendimiento se potencia significativamente sin necesidad de modificar el modelo base.
Cada instanciación del DSpark requiere un bloque de aproximadamente nueve tokens, y el modelo objetivo realiza una verificación única en una pasada hacia adelante. Este mecanismo permite que las secuencias generadas sean idénticas a las producidas por el modelo principal en modo greedy, asegurando que la precisión de los benchmarks no se ve afectada. Los frameworks llama.cpp y SGLang ya cuentan con soporte inicial para ejecutar estos modelos, facilitando su integración en entornos locales. Sin embargo, los archivos de peso se distribuyen en formatos Safetensors y GGUF, y actualmente no están disponibles en plataformas de inferencia como Hugging Face. Para operarlos, es necesario compilar estos frameworks con soporte específico para DSpark y modelos LFM2.5.
La licencia abierta de Liquid AI, conocida como LFM Open License v1.0, permite el uso comercial solo bajo el límite de ingresos anuales de hasta 10 millones de dólares. Esto abre la puerta a desarrolladores independientes, empresas de tamaño medio y startups, mientras que las organizaciones más grandes deben contactar directamente a Liquid AI para obtener una licencia comercial. Los sectores más impactados incluyen herramientas de desarrollo, aplicaciones para consumidores que funcionan sin internet, sistemas robóticos, y áreas sensibles como salud, finanzas y defensa, donde la privacidad y el almacenamiento local son prioridades.
Para el lector peruano, esta evolución en inteligencia artificial local representa una oportunidad clave. En un entorno donde la conectividad no siempre es estable y donde la protección de datos personales es un tema crítico, tener modelos que operan directamente en dispositivos personales —como laptops o sistemas domésticos— puede transformar la forma en que se usan las herramientas de inteligencia artificial. Así, un desarrollador de Lima o un emprendedor de Arequipa podría implementar un asistente de código o un agente de decisión sin depender de servidores externos, reduciendo riesgos de filtración y mejorando el acceso a tecnologías avanzadas. La capacidad de ejecutar modelos de inteligencia artificial en el propio equipo, sin necesidad de internet, es una ventaja que puede democratizar el acceso a tecnologías que hasta ahora estaban reservadas a grandes corporaciones.