Liquid AI anunció LFM3 el 27 de octubre de 2026, una familia de modelos con pesos descargables orientada a tareas especializadas. Para quien desarrolla agentes locales, la novedad más directa es LFM3-1.7B: un modelo textual pequeño, con uso de herramientas y una ventana de contexto anunciada de 256K tokens. Su propia ficha desaconseja emplearlo para programación con agentes o razonamiento complejo de varios pasos.
Este desarrollo, publicado el 28 de octubre, se centra en elegir una variante y entender las condiciones de un piloto textual. No es una comparativa de rendimiento ni una prueba de Puntoes. Continúa el seguimiento de LFM2.5 y los agentes locales, pero se trata de otra generación y otros modelos.
Una familia multimodal no convierte cada modelo en multimodal
El anuncio de Liquid en Hugging Face distingue seis modelos derivados de una base compartida, LFM3-1.7B-Base:
- LFM3-1.7B: recibe y genera texto.
- LFM3-VL-2B: recibe texto, imágenes y vídeo; responde con texto.
- LFM3-Audio-2B: recibe texto y audio; puede generar texto y voz.
- LFM3-Omni-2B: combina entradas de texto, imagen, vídeo y audio, con salida de texto y voz.
- d1-2B y d1-omni-2B: variantes de decisión construidas sobre los modelos de visión y omni, respectivamente.
La versión base es, además, un punto de partida para postentrenamiento. No debe confundirse con la versión textual ya preparada para conversación y herramientas. Este artículo no evalúa la calibración de las variantes d1 ni valida todas las modalidades.
El fabricante anuncia los pesos en Hugging Face y acceso mediante su Playground y API. Son vías distintas: disponer de pesos no implica que el servicio alojado sea gratuito ni que todas las variantes compartan las mismas condiciones operativas.
Qué significan el tamaño y el contexto
La ficha de LFM3-1.7B declara 1.730 millones de parámetros y 256K tokens de contexto sumando entrada y salida. Incluye español entre los 16 idiomas enumerados. Esa lista no demuestra la precisión que obtendrá una aplicación concreta en español.
Su arquitectura combina convoluciones cortas, atención de ventana y atención global. Liquid atribuye a ese diseño capacidad para trabajar en dispositivos; las cifras promocionales no sustituyen una medición con el equipo y la tarea del lector.
El proveedor sitúa el modelo textual de 4 bits alrededor de 1 GB. No lo tomamos como requisito total de memoria de una aplicación: hay que añadir el motor de ejecución, la caché y la carga de contexto. Tampoco una ventana larga garantiza recuperar correctamente todos los datos de un documento.
Formatos y una restricción concreta de Ollama
La ficha documenta variantes BF16 para GPU, GGUF para motores como llama.cpp y MLX para Apple Silicon, entre otras. Son rutas de despliegue documentadas; no hemos descargado los pesos ni ejecutado esas integraciones.
Hay una condición importante si se elige Ollama: las notas de la versión estable 0.40.12 indican que LFM3 y d1 de 2B están soportados en hardware Apple en esa versión; sitúan el soporte Linux y Windows como próximo. Esa limitación de Ollama no debe extenderse a todos los formatos o motores de LFM3. Conviene verificar la versión concreta antes de preparar una instalación.
La licencia también condiciona el piloto
El modelo textual utiliza LFM Open License v1.0. El texto define un umbral de ingresos anuales de 10 millones de dólares y condiciona los derechos de uso comercial en su sección 5. También establece obligaciones al redistribuir. Tener los pesos disponibles no equivale a un permiso comercial universal: la entidad que lo adopte debe comprobar las condiciones aplicables y la licencia del artefacto elegido.
Un uso acotado antes de conceder acciones
Ejemplo hipotético, no ejecutado en Puntoes: un servicio extrae campos de incidencias internas y propone etiquetas. Un primer piloto podría limitar las herramientas a lectura y presentar las propuestas para revisión, antes de habilitar escrituras. La aplicación debe validar parámetros y permisos; una llamada generada por el modelo no constituye autorización. El antecedente sobre herramientas de un agente explica esa separación.
Mediríamos errores de extracción, llamadas inválidas, memoria y tiempo de respuesta en el entorno real. Son criterios propuestos, no resultados. Ejecutar el modelo en local tampoco impide que una herramienta externa o un registro remoto envíe datos fuera del dispositivo. La elección tiene sentido si resuelve esa tarea limitada bajo sus condiciones de ejecución y licencia; el tamaño por sí solo no lo acredita.