Fecha de lanzamiento y número de parámetros

El LFM2.5-2.6B fue lanzado el 4 de agosto de 2026 . Es un modelo denso con 2.69B de parámetros totales y 30 capas: 22 bloques de convolución corta con doble compuerta y 8 capas de atención de consultas agrupadas (GQA), construido sobre la arquitectura híbrida LFM2 .

Enfoque de diseño: flujos de trabajo agentivos en el dispositivo

El modelo está diseñado para ejecutar flujos de trabajo agentivos completamente en el dispositivo —planificación, llamadas a herramientas, búsqueda web y ejecución de tareas de varios pasos— con la ventaja de que los datos nunca salen del dispositivo y no hay costos de inferencia marginales . Tiene capacidad nativa para llamar a herramientas y fue entrenado para funcionar de manera fiable dentro de arneses de agente reales, como Hermes Agent, OpenClaw y Pi .

Detalles del entrenamiento

• Pre-entrenamiento: Aproximadamente 34 billones de tokens .
• Vocabulario: 128K tokens (duplicado respecto a modelos anteriores para soportar mejor scripts no latinos y entradas de agente variadas como esquemas de herramientas y rutas de archivos) .
• Ventana de contexto: 128K tokens (131,072), ampliada mediante una fase de extensión de contexto durante el entrenamiento intermedio .
• Proceso de post-entrenamiento de cuatro etapas :

Consumo de memoria y velocidades de decodificación

El LFM2.5-2.6B funciona en menos de 2.5 GB de memoria . Las siguientes velocidades de decodificación son cifras reportadas por el fabricante, Liquid AI:

Frameworks de inferencia compatibles

El modelo es compatible con llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX y el estándar Transformers .

Disponibilidad

Descarga de pesos abiertos en Hugging Face en LiquidAI/LFM2.5-2.6B, con repositorios separados para formatos cuantizados GGUF, MLX y ONNX . Se distribuye bajo la licencia de pesos abiertos LFM1.0 .

Antecedentes de la empresa: Spin-off del MIT

Liquid AI fue fundada en 2023 como una spin-off del MIT CSAIL por Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) y Daniela Rus (profesora del MIT y directora de CSAIL) . La tecnología de la empresa evolucionó a partir de la investigación sobre redes neuronales líquidas en el MIT .

Limitaciones

El LFM2.5-2.6B no se recomienda para tareas de codificación agentiva o tareas que requieran mucho conocimiento. En pruebas de codificación, los modelos más grandes (por ejemplo, Qwen3.5-9B) mantienen una ventaja, y la ficha oficial del modelo en Hugging Face desaconseja su uso para esas cargas de trabajo . Para codificación agentiva compleja o recuperación profunda de conocimiento, todavía es preferible usar modelos más grandes .

Fecha de lanzamiento y número de parámetros

El LFM2.5-2.6B fue lanzado el 4 de agosto de 2026 . Es un modelo denso con 2.69B de parámetros totales y 30 capas: 22 bloques de convolución corta con doble compuerta y 8 capas de atención de consultas agrupadas (GQA), construido sobre la arquitectura híbrida LFM2 .

Enfoque de diseño: flujos de trabajo agentivos en el dispositivo

El modelo está diseñado para ejecutar flujos de trabajo agentivos completamente en el dispositivo —planificación, llamadas a herramientas, búsqueda web y ejecución de tareas de varios pasos— con la ventaja de que los datos nunca salen del dispositivo y no hay costos de inferencia marginales . Tiene capacidad nativa para llamar a herramientas y fue entrenado para funcionar de manera fiable dentro de arneses de agente reales, como Hermes Agent, OpenClaw y Pi .

Detalles del entrenamiento

• Pre-entrenamiento: Aproximadamente 34 billones de tokens .
• Vocabulario: 128K tokens (duplicado respecto a modelos anteriores para soportar mejor scripts no latinos y entradas de agente variadas como esquemas de herramientas y rutas de archivos) .
• Ventana de contexto: 128K tokens (131,072), ampliada mediante una fase de extensión de contexto durante el entrenamiento intermedio .
• Proceso de post-entrenamiento de cuatro etapas :

Consumo de memoria y velocidades de decodificación

El LFM2.5-2.6B funciona en menos de 2.5 GB de memoria . Las siguientes velocidades de decodificación son cifras reportadas por el fabricante, Liquid AI:

Frameworks de inferencia compatibles

El modelo es compatible con llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX y el estándar Transformers .

Disponibilidad

Descarga de pesos abiertos en Hugging Face en LiquidAI/LFM2.5-2.6B, con repositorios separados para formatos cuantizados GGUF, MLX y ONNX . Se distribuye bajo la licencia de pesos abiertos LFM1.0 .

Antecedentes de la empresa: Spin-off del MIT

Liquid AI fue fundada en 2023 como una spin-off del MIT CSAIL por Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) y Daniela Rus (profesora del MIT y directora de CSAIL) . La tecnología de la empresa evolucionó a partir de la investigación sobre redes neuronales líquidas en el MIT .

Limitaciones

El LFM2.5-2.6B no se recomienda para tareas de codificación agentiva o tareas que requieran mucho conocimiento. En pruebas de codificación, los modelos más grandes (por ejemplo, Qwen3.5-9B) mantienen una ventaja, y la ficha oficial del modelo en Hugging Face desaconseja su uso para esas cargas de trabajo . Para codificación agentiva compleja o recuperación profunda de conocimiento, todavía es preferible usar modelos más grandes .

1. Ajuste Fino Supervisado (SFT): Dos rondas: una de cobertura amplia y otra de enfoque en tareas agentivas, uso de herramientas, razonamiento e ingeniería de software.
2. Especialización de Profesores: Un experto por dominio (seguimiento de instrucciones, matemáticas, control de conocimiento/alucinaciones, código, uso de herramientas, contexto largo) entrenado mediante SFT + RLVR.
3. Destilación Multi-Dominio en Política (MOPD): Los profesores especializados supervisan al modelo estudiante con retroalimentación a nivel de token durante las propias ejecuciones del estudiante.
4. Aprendizaje por Refuerzo Agentivo (Agentic RL): RL de múltiples turnos dentro de arneses de agente reales utilizando GRPO, con recompensas basadas en resultados que combinan un juez LLM, comprobaciones programáticas y una puerta de seguridad.

1. Ajuste Fino Supervisado (SFT): Dos rondas: una de cobertura amplia y otra de enfoque en tareas agentivas, uso de herramientas, razonamiento e ingeniería de software.
2. Especialización de Profesores: Un experto por dominio (seguimiento de instrucciones, matemáticas, control de conocimiento/alucinaciones, código, uso de herramientas, contexto largo) entrenado mediante SFT + RLVR.
3. Destilación Multi-Dominio en Política (MOPD): Los profesores especializados supervisan al modelo estudiante con retroalimentación a nivel de token durante las propias ejecuciones del estudiante.
4. Aprendizaje por Refuerzo Agentivo (Agentic RL): RL de múltiples turnos dentro de arneses de agente reales utilizando GRPO, con recompensas basadas en resultados que combinan un juez LLM, comprobaciones programáticas y una puerta de seguridad.