Liquid AI ha publicado LFM3, una familia de modelos pequeños de pesos abiertos pensados para afinarse en una sola tarea y ejecutarse en el dispositivo donde ocurre esa tarea. Todos parten de una única base de 1.7B, así que un equipo puede elegir texto, visión, audio, un modelo omni que hace las tres cosas o un modelo de decisiones, y contar con el mismo comportamiento de fondo. Para aplicaciones móviles, maquinaria de fábrica y robots que no pueden depender de la nube, eso es lo útil.
La base se preentrenó con 22T tokens; los últimos 3.5T dieron más peso a trazas de agentes y llamadas a herramientas, lo que también amplió la ventana de contexto a 256K tokens. Sus 24 capas combinan convoluciones cortas con compuertas y atención de ventana deslizante y global, elegidas mediante una búsqueda con el hardware en el bucle sobre 14 combinaciones de dispositivo y motor, desde Raspberry Pi 5 hasta la NPU Hexagon de Qualcomm. Liquid AI afirma que el modelo de texto de 1.7B supera a su propio LFM2.5-2.6B con un 35% menos de parámetros y es un 25% más rápido con 8K tokens de contexto. La mejora más clara está en tareas de agentes: 38.42 en WebArena-Verified frente a 3.02 del modelo anterior.
Los demás modelos se apoyan en esa base. LFM3-VL-2B, el primer modelo de visión de Liquid que acepta vídeo, sube su media en 62 pruebas de visión de 57.6 a 71.4 con 1.9B parámetros, lo que Liquid AI sitúa a la par de Gemma 4 12B. LFM3-Audio-2B trabaja con voz en 18 idiomas, y su códec convierte tokens en voz unas 87 veces más rápido que el tiempo real en un solo hilo de CPU de un Apple M4 Max. El modelo de decisiones d1-2B devuelve probabilidades calibradas en una sola pasada y sustituye a d1-3B. Los cuadernos de ajuste fino cubren tareas como pasar recibos a JSON o convertir órdenes habladas de domótica en llamadas a funciones.
Es la continuación de la línea que hemos reseñado en LFM2.5-24B-A2B y en el diminuto d1-omni-600m: modelos pequeños que cambian amplitud por velocidad en hardware barato. La propuesta no es igualar a los modelos de frontera, sino ser lo bastante baratos para especializarlos, ya que todos caben en una sola GPU para entrenarlos.
Conviene ser prudente. Todas las cifras de rendimiento vienen de Liquid AI, y algunas comparaciones son con sus propios modelos anteriores. El anuncio no indica licencia, y modelos anteriores de Liquid se publicaron con condiciones que limitan el uso comercial por encima de cierto nivel de ingresos, así que revisa la ficha de cada modelo antes de usarlo en producción. Los resultados de robótica, incluido un 96.2% de éxito medio en LIBERO, proceden de una adaptación interna aparte y no de los modelos publicados.