Segun MarkTechPost (AI/ML News), Liquid AI ha presentado LFM2.5-24B-A2B, un modelo de razonamiento especializado para agentes que operan directamente en dispositivos personales. Este sistema, basado en una arquitectura de mezcla de expertos (MoE), cuenta con 24 mil millones de parámetros, activando aproximadamente 2 mil millones por token. La capacidad de procesamiento se extiende hasta 131,072 tokens de contexto, superando significativamente las capacidades de versiones anteriores. El modelo se posiciona como el último y más potente integrante de la familia LFM2.5, diseñado específicamente para entornos locales como laptops y mini-PCs, sin depender de servidores remotos.
La implementación se realiza mediante tecnologías como GGUF, MLX, FP8 y ONNX, ofreciendo versiones en 4, 5, 6 y 8 bits. Esto permite su ejecución eficiente en hardware de gama media, como el Apple M5 Max o el AMD Ryzen AI Max+ 395, además de operar en una GPU NVIDIA B300 para servicios en tiempo real. En pruebas internas, el modelo alcanza resultados superiores o comparables a otros modelos de gran tamaño en cinco de ocho benchmarks de uso de herramientas y procesos automatizados. En el test AutomationBench, obtiene un puntaje de 27.69, lo que representa más de tres veces el rendimiento de Qwen3.6-35B-A3B (8.72). Sin embargo, en evaluaciones de conocimiento técnico y programación, como SWE-Bench Verified, registra un puntaje de 51.00 frente a 66.20 del modelo Qwen, mostrando una debilidad notable en tareas de desarrollo de software.
La arquitectura se mantiene en línea con el diseño previo de LFM2, manteniendo una estructura híbrida de 40 capas: 30 bloques de convolución doble-gate y 10 bloques de atención por consulta agrupada (GQA). Cada bloque de MoE incluye 64 especialistas, con selección de los cuatro mejores según el criterio de ruteo. La evolución más importante respecto al modelo anterior reside en el aumento del contexto de 32,768 a 131,072 tokens y en la expansión del vocabulario de 65,000 a 128,000 términos, lo cual mejora la representación de lenguas no latinas. Este modelo es exclusivamente funcional para tareas de razonamiento textual, iniciando cada interacción con un bloque de análisis estructurado, asegurando un flujo lógico en cada respuesta.
Para los usuarios peruanos, este avance representa una oportunidad real de integrar inteligencia artificial de alto rendimiento directamente en dispositivos personales. Aunque el modelo no domina tareas de programación o conocimiento profundo, su capacidad para ejecutar instrucciones y llamar a herramientas locales con rapidez y bajo costo puede ser clave para pequeñas empresas, emprendedores o estudiantes que buscan soluciones accesibles para automatizar tareas diarias. La combinación de un entorno local y una respuesta rápida abre puertas a aplicaciones prácticas en gestión administrativa, atención al cliente o análisis de datos, sin necesidad de conexión constante a servidores externos.