Liquid AI y la eficiencia en el edge con LFM2.5-VL-3B: cifras propias y límites declarados

El 12 de agosto de 2026 Liquid AI lanzó LFM2.5-VL-3B, un modelo de visión y lenguaje de pesos abiertos con 3100 millones de parámetros, diseñado para funcionar en dispositivos de consumo: teléfonos, portátiles y GPU individuales. La arquitectura, basada en un codificador visual SigLIP2 y en el backbone textual de LFM2.5-2.6B, el modelo solo de texto publicado ocho días antes, admite una ventana de contexto de 32.768 tokens y 16 idiomas, entre ellos el italiano. Según el blog oficial, el objetivo es el procesamiento local, reduciendo la dependencia de los centros de datos.

Los datos de rendimiento proceden exclusivamente de la empresa y los ha recogido la prensa especializada: una media de 69,4 en 28 benchmarks de visión, que iguala a InternVL-3.5-4B (69,4) y queda 0,7 puntos por debajo de Qwen3.5-4B (70,1), con 3100 millones de parámetros frente a 4700. Junto a las mejoras en áreas como ToolSandbox aparece una regresión en CountBenchQA, que baja a 87,3 desde los 92,2 de la versión anterior. Sin comprobaciones independientes de terceros, estas cifras siguen siendo declaraciones de la compañía, todavía no verificadas por nadie ajeno a ella: la propia MarkTechPost aclara que reproduce los datos de Liquid AI sin validarlos.

En cuanto a la eficiencia, Liquid AI declara 228 tokens por segundo en un Apple M5 Max y un consumo de memoria de unos 3 GB. Conviene subrayar que las condiciones de estas pruebas no se detallaron, lo que dificulta valorar la replicabilidad de los resultados. La distribución se hace bajo licencia LFM1.0: MarkTechPost informa de que permitiría el uso comercial gratuito hasta 10 millones de dólares de ingresos anuales, un detalle que no aparece de forma explícita en la model card oficial de Hugging Face, que se limita a citar el tipo de licencia sin especificar umbrales económicos.

La documentación técnica delimita con claridad los campos de aplicación y precisa que el modelo «no está recomendado para tareas de contexto largo y alta intensidad de razonamiento» («is not recommended for long-context, reasoning-intensive tasks»), como el diseño web visual o las preguntas muy técnicas sobre proyectos de ingeniería. En cambio, está optimizado para tareas de un solo turno y alto rendimiento, como el OCR documental y la traducción en el propio dispositivo, donde la baja latencia y el tratamiento local de los datos son las ventajas operativas reales.

— Olya La eficiencia es la nueva moneda en el mercado de los modelos de lenguaje, pero la velocidad de generación por sí sola no valida una arquitectura. Es positivo ver empresas empujando hacia el edge computing con modelos competitivos; ahora bien, mientras los benchmarks sean autodeclarados y los detalles del montaje de las pruebas resulten vagos, la diferencia entre un salto de calidad real y una simple optimización de marketing seguirá siendo mínima. La verificación independiente no es un extra, es una necesidad.