¿Qué es LFM3?
LFM3 es la tercera generación de modelos pequeños de Liquid AI, publicada el 27 de octubre de 2026. Tiene seis modelos de unos 2.000 millones de parámetros, todos derivados del mismo checkpoint LFM3-1.7B-Base: LFM3-1.7B para texto, LFM3-VL-2B para imágenes y vídeo, LFM3-Audio-2B para entrada y salida de voz, LFM3-Omni-2B, que ve, escucha y habla en un solo modelo, y dos modelos de decisiones, d1-2B y d1-Omni-2B. La base también se publica. Todos los modelos usan la misma arquitectura troncal de 24 capas (13 convoluciones cortas con compuertas, 5 capas de atención de ventana deslizante y 6 capas de atención global) preentrenada con 22 billones de tokens.
El modelo de texto tiene 1.730 millones de parámetros, un contexto de 256K tokens y el razonamiento activado por defecto, y se post-entrenó dentro de entornos de agentes como Hermes Agent, Pi y OpenClaw. LFM3-VL-2B (1,92B) añade un nuevo codificador de visión, lee vídeo a 2 fotogramas por segundo y tiene un contexto de 128K. LFM3-Audio-2B (2B) y LFM3-Omni-2B (2,17B) responden en texto, en voz de 24 kHz o en ambos, con un contexto de 32K; Omni no razona.
Los dos modelos de decisiones no escriben texto en absoluto. d1-2B, basado en LFM3-VL-2B, y d1-Omni-2B, basado en LFM3-Omni-2B y con audio añadido, devuelven respuestas tipadas con probabilidades en una sola pasada hacia delante, el tipo de modelo que este sitio clasifica en su categoría de decisiones. Todos los pesos están bajo la LFM Open License v1.0, que prohíbe el uso comercial a organizaciones con $10 millones o más de ingresos anuales.
¿Merece la pena LFM3?
LFM3 es la familia de modelos pequeños más completa que ha publicado Liquid, y en sus propias pruebas el modelo de texto rinde muy por encima de 2B. La ficha de Liquid da a LFM3-1.7B 45,60 en LiveClaw frente a 35,77 de Qwen3.5-9B, 41,29 en AutomationBench frente a 15,10, y 71,39 en BFCL V4 frente a 62,83, con una media sin ponderar de 49,37 en toda su tabla frente a 47,24 de Qwen3.5-9B y 39,19 de MiniCPM5-2B. Liquid ejecutó todos los modelos por su cuenta en vLLM, y VentureBeat señala que los benchmarks son resultados declarados por Liquid sin validación independiente; Artificial Analysis no lo había puntuado cuando lo comprobamos.
El techo está donde el tamaño suele pesar. Qwen3.5-9B lidera SWE-bench Verified por 51,20 a 43,40, GPQA Diamond por 80,40 a 63,37 y RULER a 128K tokens por 87,11 a 65,56, y la propia ficha de Liquid desaconseja la programación con agentes y el razonamiento complejo de varios pasos. Una fila de conocimiento merece una mirada más atenta: en AA-Omniscience el modelo acierta solo el 7,07 % de las veces, pero evita alucinar el 92,93 % de las veces, frente al 13,64 % de Qwen3.5-4B. Sobre todo se abstiene en lugar de inventar, lo que hace la recuperación casi obligatoria.
Los modelos de decisiones son la mitad menos evidente del lanzamiento. d1-2B acepta las mismas preguntas de elección, puntuación y sí/no que Jev y añade extracción de texto, números y fechas, cuadros alrededor de objetos y estimaciones con intervalo. Liquid indica 77,9 en JevBench v1.4.1 y 5,7 ms por decisión en una H100, por delante de su anterior d1-3B, aunque solo compara d1-2B con otros modelos d1. El modelo de decisiones d1 alojado cuesta $0,02 por millón de tokens de entrada, y VentureBeat advierte de que el nombre alojado puede no corresponder al mismo modelo que la descarga.
Los pesos son pequeños: el GGUF de texto de 4 bits ocupa 1,10 GB y el BF16 3,47 GB, y Liquid cifra la caché KV para un contexto completo de 128K en 1,6 GB frente a 4,3 GB de Qwen3.5-4B. La licencia es la misma LFM Open License v1.0 que la de LFM2.5, con derechos comerciales solo por debajo de $10 millones de ingresos anuales, mientras que Gemma 4 y Ministral 3 se publican bajo Apache 2.0. Liquid no ha publicado los precios de la API en sus propias páginas, así que los $0,08 y $0,20 por millón que VentureBeat leyó en la consola con sesión iniciada son las únicas cifras disponibles.
Dónde se gana su sitio
Un desarrollador móvil en un estudio de aplicaciones de 12 personas
Lanzar un asistente de voz sin conexión que oye una petición y responde en voz alta
LFM3-Omni-2B recibe voz, imágenes y vídeo y responde en texto o en voz de 24 kHz, en lugar de modelos separados de reconocimiento de voz, lenguaje y síntesis de voz. El GGUF de 4 bits ocupa 1,10 GB más un proyector de visión y audio Q8 de 0,54 GB; el contexto de 32K limita las sesiones largas, y el estudio necesita un acuerdo aparte cuando sus ingresos lleguen a $10 millones.
Una ingeniera de plataforma que enruta tickets en una empresa de software de soporte
Sustituir una llamada de clasificación a un LLM por una decisión local rápida
d1-2B responde varias preguntas con nombre sobre un ticket en una sola pasada y devuelve una probabilidad para cada opción, en 5,7 ms en una H100 y 1.132 estados por segundo en lotes, según las cifras de Liquid. El modelo d1 alojado cuesta $0,02 por millón de tokens de entrada con la salida gratis, así que 1.000 millones de tokens de entrada al mes salen por unos $20; calibra los umbrales con tus propios tickets, como aconseja Liquid.
Un responsable de ingeniería en un comercio con $200 millones de ingresos
Ejecutar un agente de navegador y herramientas en los portátiles de la plantilla sin enviar datos fuera
LFM3-1.7B se entrenó en Hermes Agent, Pi y OpenClaw y cabe en un portátil con alrededor de 1 GB, pero por encima de $10 millones de ingresos la licencia abierta no cubre el uso comercial. Reserva presupuesto para la licencia empresarial de Liquid, con precio según la escala del despliegue a través de ventas, o usa la API alojada a los $0,08 de entrada y $0,20 de salida por millón de tokens publicados.
Antes de decidirte
- Puesta en marcha
- El modelo de texto funciona en Transformers con trust_remote_code, vLLM, SGLang, Ollama, LM Studio, MLX y ONNX Runtime; llama.cpp necesita una compilación compatible con LFM3. Los modelos d1 necesitan Transformers 5.19 o posterior con su propio código de modelo, y llama.cpp solo admite sus preguntas de elección, puntuación y sí/no.
- Integraciones
- Las llamadas a herramientas salen en XML, y la plantilla de chat admite carga diferida de herramientas para entornos con búsqueda de herramientas. Liquid documenta configuraciones para Hermes Agent, OpenClaw y Pi; los modelos están en la API y el Playground de Liquid, y LFM3 no estaba en OpenRouter cuando lo comprobamos.
- Datos y privacidad
- Autoalojarlo mantiene los datos en local. La LFM Open License v1.0 permite el uso comercial solo por debajo de $10 millones de ingresos anuales, con una excepción para la investigación sin ánimo de lucro; la promesa de no entrenar que figura en la página de precios de Liquid se refiere a despliegues a medida, y allí no se publican las condiciones de retención de la API.
- Coste a escala
- A las tarifas publicadas por VentureBeat, 1.000 millones de tokens de entrada y 100 millones de salida al mes cuestan unos $100 con LFM3-1.7B y $150 con LFM3-VL-2B, con los tokens de audio aparte a $2 de entrada y $10 de salida por millón en Audio y Omni. Autoalojarlo requiere de 1,05 a 1,10 GB a 4 bits, 1,85 GB en Q8_0 o 3,47 GB en BF16; Liquid indica 3.600 millones de tokens al día en una B300.
- Límites
- Los modelos LFM3 alojados indican un contexto de 128.000 tokens, la mitad que los 256K del modelo de texto abierto, y los límites de uso se comparten entre las claves de API de una organización. Desactivar el razonamiento no es fiable en tareas difíciles, Omni no puede razonar y d1-2B pierde fiabilidad a partir de unos 64K tokens de estado.
Lo bueno
- 45,60 en LiveClaw frente a 35,77 de Qwen3.5-9B (declarado por el fabricante)
- 1,10 GB en Q4_K_M; 1,6 GB de caché KV a 128K (Liquid)
- Modelos de texto, visión, voz, omni y decisiones sobre una misma arquitectura troncal
- d1-2B devuelve respuestas tipadas en 5,7 ms en una H100 (Liquid)
Lo malo
- Sin licencia comercial a partir de $10M de ingresos anuales
- Por detrás de Qwen3.5-9B en SWE-bench Verified, GPQA y contexto largo
- Precios de la API ausentes de la página de precios de Liquid
- Aún sin benchmark independiente ni puntuación en clasificaciones
Ideal para
Desarrolladores y empresas con menos de $10 millones de ingresos que crean agentes en el dispositivo, funciones de voz o clasificadores rápidos que deben funcionar en un móvil, un portátil o una sola GPU.
Alternativas a LFM3
LFM3: preguntas frecuentes
- ¿Merece la pena LFM3?
- Seis modelos de 2B capaces que ocupan alrededor de un gigabyte cada uno, de agentes a voz y decisiones tipadas, bajo una licencia que sigue deteniéndose en $10 millones de ingresos. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta LFM3?
- Pesos gratuitos bajo la LFM Open License (uso comercial solo por debajo de $10M de ingresos anuales). API de Liquid, según VentureBeat a partir de la consola con sesión iniciada: LFM3-1.7B $0,08 de entrada / $0,20 de salida por 1M de tokens; VL $0,10 / $0,50; Audio y Omni $0,10 / $1,00 más los tokens de audio. Decisiones d1 alojadas a $0,02 por 1M de entrada, salida gratis.
- ¿Qué inconvenientes tiene LFM3?
- Sin licencia comercial a partir de $10M de ingresos anuales; por detrás de Qwen3.5-9B en SWE-bench Verified, GPQA y contexto largo; precios de la API ausentes de la página de precios de Liquid; aún sin benchmark independiente ni puntuación en clasificaciones.
- ¿Para quién es LFM3?
- Desarrolladores y empresas con menos de $10 millones de ingresos que crean agentes en el dispositivo, funciones de voz o clasificadores rápidos que deben funcionar en un móvil, un portátil o una sola GPU.
- ¿Cuánto cuesta LFM3 para un equipo o en producción?
- A las tarifas publicadas por VentureBeat, 1.000 millones de tokens de entrada y 100 millones de salida al mes cuestan unos $100 con LFM3-1.7B y $150 con LFM3-VL-2B, con los tokens de audio aparte a $2 de entrada y $10 de salida por millón en Audio y Omni. Autoalojarlo requiere de 1,05 a 1,10 GB a 4 bits, 1,85 GB en Q8_0 o 3,47 GB en BF16; Liquid indica 3.600 millones de tokens al día en una B300.
- ¿Es LFM3 seguro para los datos de la empresa?
- Autoalojarlo mantiene los datos en local. La LFM Open License v1.0 permite el uso comercial solo por debajo de $10 millones de ingresos anuales, con una excepción para la investigación sin ánimo de lucro; la promesa de no entrenar que figura en la página de precios de Liquid se refiere a despliegues a medida, y allí no se publican las condiciones de retención de la API.
- ¿Cuáles son las mejores alternativas a LFM3?
- Las alternativas más cercanas que hemos analizado son MiniCPM5-2B, Gemma 4, Ministral 3 (3B, 8B and 14B), LFM2.5-24B-A2B y Perplexity Decider (pplx-decider).
Respuestas comprobadas el 28 oct 2026.