Liquid AI anunció LFM2.5-24B-A2B el 13 de octubre de 2026, con pesos descargables y orientación a agentes que razonan y utilizan herramientas. Para un equipo que quiera procesar información en su propio hardware, la novedad abre un candidato de evaluación. No basta, sin embargo, con leer «2B activos» para decidir que cabe en un dispositivo o que toda la aplicación será privada.
El anuncio original de Liquid en Hugging Face presenta el lanzamiento. Este análisis, publicado el 14 de octubre, se centra en cómo interpretar su ficha antes de un piloto; no establece un ganador entre modelos ni aporta una prueba de rendimiento de Puntoes.
Parámetros activos y memoria son preguntas distintas
La tarjeta del modelo especifica 24.000 millones de parámetros totales y 2.450 millones activos. El nombre A2B redondea esa segunda magnitud. Su arquitectura de mezcla de expertos, o MoE, selecciona una parte de los componentes para procesar cada token, las unidades en que se divide el texto.
Esa selección reduce el trabajo de cálculo frente a activar todos los componentes. No convierte los pesos totales en una descarga de 2.450 millones de parámetros. La memoria depende además del formato de los pesos, la implementación y el contexto utilizado. Un archivo cuantizado emplea menos precisión para representar los pesos; no elimina la memoria adicional de la ejecución y su caché.
La ficha declara una ventana de 131.072 tokens y soporte para 16 idiomas, incluido el español. Eso describe capacidades anunciadas, no garantiza respuestas correctas con cualquier documento largo ni acredita una evaluación específica de tu tarea en español. El modelo es textual: no debe elegirse suponiendo que acepta imágenes o audio.
Elegir el artefacto antes del programa que lo ejecuta
El repositorio distingue el modelo base para adaptar mediante entrenamiento de la versión postentrenada que aquí se anuncia para agentes. También enumera un formato nativo y variantes FP8, GGUF, ONNX y MLX de 4 bits. Hemos comprobado que sus repositorios oficiales contienen artefactos; no hemos descargado ni ejecutado los pesos.
La elección depende del entorno. La ficha vincula GGUF con llama.cpp, MLX con Apple Silicon y FP8 con despliegues de GPU mediante vLLM o SGLang. Son rutas documentadas por el fabricante: hay que comprobar la versión concreta del motor de ejecución y la variante elegida antes de asumir compatibilidad. DSpark, un modelo auxiliar para acelerar la generación, figura como próximo, no como disponible.
No damos un mínimo de memoria ni extrapolamos las cifras de velocidad del anuncio a un portátil habitual. Para dimensionar una instalación faltaría medir el artefacto, el equipo y la carga reales, incluyendo cuántas peticiones se atienden a la vez.
Pesos descargables con condiciones comerciales
La distribución utiliza LFM Open License v1.0. Su texto de licencia incluye una limitación de uso comercial y define un umbral de ingresos anuales de 10 millones de dólares. La sección 5 condiciona los derechos comerciales respecto a ese umbral; distribuir modificaciones también conlleva obligaciones de licencia y avisos.
No lo presentamos como permiso comercial universal. Antes de implantarlo, un equipo debe comprobar las condiciones aplicables a su entidad y al artefacto que utilizará. Tener acceso a los pesos y poder incorporarlos legalmente al producto son comprobaciones diferentes.
Un piloto útil: consultar incidencias sin modificarlas
Ejemplo hipotético, no ejecutado en Puntoes: un agente consulta incidencias internas y propone etiquetas. Empezaríamos con herramientas de lectura, documentos autorizados para cada usuario y propuestas visibles antes de habilitar escrituras. El modelo puede solicitar una operación; la aplicación debe validar sus parámetros y permisos y decidir si la ejecuta. El antecedente sobre contratos de herramientas desarrolla esa separación.
Liquid recomienda acompañar el modelo de recuperación o búsqueda para tareas intensivas en conocimiento. Esa recuperación debe respetar los permisos de los documentos. Ejecutar el modelo localmente tampoco evita que una herramienta externa o un registro remoto envíe información fuera del dispositivo.
En el piloto comprobaríamos llamadas válidas, recuperación tras errores, tiempo hasta resolver la tarea y ausencia de efectos no autorizados. Son criterios propuestos, no resultados. La decisión de adopción debería apoyarse en esas mediciones y en la licencia, no únicamente en los parámetros activos del nombre.