Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

LFM2.5-ColBERT-350M

El modelo multilingüe de interacción tardía de 350M de Liquid AI para pasajes cortos, lo bastante rápido para buscar y reordenar en un portátil.

Reseña de ReviewRamble editors · Actualizado

Visitar LFM2.5-ColBERT-350M Código abierto

Comparte esta página:XLinkedInFacebookRedditWhatsAppCorreo

Nuestra nota

3.9/5

El ColBERT multilingüe al que recurrir cuando los pasajes son cortos y la búsqueda tiene que funcionar en un portátil o un móvil, aunque la licencia y el tope de 512 tokens marcan sus límites.

¿Qué es LFM2.5-ColBERT-350M?

LFM2.5-ColBERT-350M es un modelo de recuperación de interacción tardía de Liquid AI, publicado el 18 de junio de 2026 junto a un hermano denso, LFM2.5-Embedding-350M. Guarda un vector de 128 números por cada token de un documento y puntúa las consultas emparejando tokens (MaxSim), lo que sirve para buscar en un índice o para reordenar sin índice la lista corta de otro sistema. Sustituye al ya retirado LFM2-ColBERT-350M.

Tiene unos 353 millones de parámetros y se basa en LFM2.5-350M-Base, con el modelo causal de Liquid convertido en bidireccional: la atención ve toda la entrada y las convoluciones cortas miran en ambos sentidos. Cubre 11 idiomas, inglés, español, alemán, francés, italiano, portugués, árabe, sueco, noruego, japonés y coreano, y está pensado para textos cortos: documentos de hasta 512 tokens y consultas de hasta 32.

Los pesos están en Hugging Face, con versiones GGUF para llama.cpp, bajo la LFM Open License v1.0, que permite el uso comercial gratuito a organizaciones con menos de $10 millones de ingresos anuales. Funciona con PyLate y Sentence Transformers.

¿Merece la pena LFM2.5-ColBERT-350M?

La búsqueda translingüe de textos cortos es donde este modelo va por delante. En el conjunto multilingüe NanoBEIR de Liquid promedia 0.605 de NDCG@10 en 11 idiomas, frente a 0.556 de Qwen3-Embedding-0.6B, 0.540 del anterior LFM2-ColBERT y 0.484 de LateOn, el modelo solo en inglés de LightOn. En MKQA, donde la consulta y la respuesta pueden estar en idiomas distintos, alcanza 0.694 de recall a 20. El inglés es la excepción: LateOn obtiene allí 0.690 frente a 0.687 de este modelo.

Liquid señala que las puntuaciones de NanoBEIR salen un 15% por encima de las de BEIR completo, así que estas cifras no son comparables con resultados de BEIR de otras fuentes, y todas son ejecuciones de la propia Liquid. El posterior mLateOn de LightOn da 87.69 en MLDR, una prueba de documentos largos, frente a 78.39 de este modelo, lo que encaja con su diseño: con un tope de 512 tokens por documento está hecho para fichas de producto, respuestas de FAQ y fragmentos de soporte, no para informes.

La velocidad es la razón de ser de la arquitectura LFM. En un MacBook Pro con M4 Max bajo llama.cpp, codificar una consulta y puntuarla frente a documentos ya en caché lleva 8.2 ms de mediana; codificar también el documento, como hace un reranker, lleva 34.3 ms. La infraestructura GPU propia de Liquid baja eso a 22.8 ms con los documentos codificados en el momento y a 2.5 ms con ellos en caché. Esas latencias hacen práctica la búsqueda en el dispositivo sobre archivos y notas sin servidor.

La licencia es lo que hay que leer antes de lanzar. La LFM Open License solo es gratis para uso comercial por debajo de $10 millones de ingresos anuales; las empresas más grandes necesitan un acuerdo aparte, lo que la descarta para muchos equipos corporativos, que pueden optar por LateOn o mLateOn con licencia Apache.

Dónde se gana su sitio

  • Un desarrollador en una empresa de comercio electrónico de 30 personas que vende en Europa y Japón

    Encontrar productos cuando el comprador busca en un idioma distinto al de la ficha

    Indexa títulos y descripciones cortas de producto con LFM2.5-ColBERT-350M en PyLate, que maneja consultas translingües con 0.694 de recall a 20 en la prueba MKQA de Liquid. Por debajo de $10 millones de ingresos, la licencia es gratis.

  • Un desarrollador de apps que añade búsqueda local a una app de notas

    Buscar en las notas y correos del usuario en el propio dispositivo, sin servidor

    Ejecuta la versión GGUF con llama.cpp y guarda los vectores de los documentos en el dispositivo; Liquid mide 8.2 ms por consulta frente a documentos en caché en un portátil con M4 Max.

  • Un ingeniero cuyo agente elige entre cientos de herramientas

    Preseleccionar las herramientas adecuadas para una petición antes de que las vea el LLM

    Reordena las descripciones de las herramientas frente a la petición con la función rank de PyLate, como hace la demo de selección de herramientas de Liquid; las descripciones caben de sobra en el límite de 512 tokens por documento.

Antes de decidirte

Puesta en marcha
pip install pylate (o sentence-transformers 6.0 o posterior) y carga el modelo con trust_remote_code=True, que aplica los parches bidireccionales; los archivos GGUF funcionan en llama.cpp.
Integraciones
PyLate con índices FastPLAID, MultiVectorEncoder de Sentence Transformers y llama.cpp; Liquid ofrece su propia infraestructura de servicio en GPU a clientes empresariales que la soliciten.
Datos y privacidad
Autoalojado, así que los documentos se quedan en tu hardware o en el dispositivo del usuario. No figura ninguna API alojada para este modelo.
Coste a escala
Sin cuota de API. Las organizaciones con $10 millones o más de ingresos anuales necesitan una licencia comercial de Liquid AI, con precio bajo consulta; el almacenamiento crece con un vector de 128 dimensiones por token.
Límites
Los documentos se cortan en 512 tokens y las consultas en 32. Once idiomas; Liquid lo recomienda para recuperación de contexto corto y no para documentos largos.

Lo bueno

  • 0.605 en NanoBEIR en 11 idiomas, por delante de Qwen3-Embedding-0.6B
  • Buen recall translingüe: 0.694 a 20 en MKQA
  • Versiones GGUF; 8.2 ms por consulta en un portátil
  • Busca en un índice o reordena una lista corta con un solo modelo

Lo malo

  • Documentos de 512 tokens y consultas de 32
  • Uso comercial gratis solo por debajo de $10 millones de ingresos
  • Por detrás de mLateOn en documentos largos y de LateOn en inglés
  • Las pruebas son de Liquid

Ideal para

Desarrolladores que construyen búsqueda multilingüe sobre textos cortos, sobre todo en portátiles, móviles u otros dispositivos sin servidor GPU.

Alternativas a LFM2.5-ColBERT-350M

LFM2.5-ColBERT-350M: preguntas frecuentes

¿Merece la pena LFM2.5-ColBERT-350M?
El ColBERT multilingüe al que recurrir cuando los pasajes son cortos y la búsqueda tiene que funcionar en un portátil o un móvil, aunque la licencia y el tope de 512 tokens marcan sus límites. Le damos un 3.9 sobre 5.
¿Cuánto cuesta LFM2.5-ColBERT-350M?
Pesos gratuitos bajo la LFM Open License v1.0; el uso comercial es gratis por debajo de $10 millones de ingresos anuales y, por encima, hace falta una licencia de Liquid AI.
¿Qué inconvenientes tiene LFM2.5-ColBERT-350M?
Documentos de 512 tokens y consultas de 32; uso comercial gratis solo por debajo de $10 millones de ingresos; por detrás de mLateOn en documentos largos y de LateOn en inglés; las pruebas son de Liquid.
¿Para quién es LFM2.5-ColBERT-350M?
Desarrolladores que construyen búsqueda multilingüe sobre textos cortos, sobre todo en portátiles, móviles u otros dispositivos sin servidor GPU.
¿Cuánto cuesta LFM2.5-ColBERT-350M para un equipo o en producción?
Sin cuota de API. Las organizaciones con $10 millones o más de ingresos anuales necesitan una licencia comercial de Liquid AI, con precio bajo consulta; el almacenamiento crece con un vector de 128 dimensiones por token.
¿Es LFM2.5-ColBERT-350M seguro para los datos de la empresa?
Autoalojado, así que los documentos se quedan en tu hardware o en el dispositivo del usuario. No figura ninguna API alojada para este modelo.
¿Cuáles son las mejores alternativas a LFM2.5-ColBERT-350M?
Las alternativas más cercanas que hemos analizado son LateOn and mLateOn, Qwen3-Embedding and Qwen3-Reranker, Jina Embeddings v5 y EmbeddingGemma 2.

Respuestas comprobadas el 20 nov 2026.