Liquid AI ha publicado LFM2.5-350M, un modelo abierto de apenas 350 millones de parámetros que gana a modelos del doble de tamaño en uso de herramientas y corre en un móvil o en una Raspberry Pi. Mientras la industria persigue modelos cada vez más grandes, aquí hay una apuesta en la dirección contraria que merece atención.
Puntos clave
- LFM2.5-350M se publicó a finales de marzo de 2026, con pesos abiertos y 350 millones de parámetros.
- Entrenado con 28 billones de tokens, casi el triple que su versión anterior.
- En uso de herramientas (BFCLv3) casi dobla su marca previa: de 22,95 a 44,11.
- Tras un ajuste fino, alcanza un 96-98% de acierto en llamadas a funciones en flujos reales.
- Corre en dispositivos de consumo: 496 tokens/segundo en un iPhone 13 Mini con 56 MB de memoria, y funciona en una Raspberry Pi 5.
- Arquitectura híbrida, no un transformer puro. Ocupa menos de 500 MB.
Lo pequeño como estrategia
La cifra que resume la idea es esta: 350 millones de parámetros que se comportan, en tareas concretas, como modelos cientos de veces más grandes. En uso de herramientas su marca sube de 22,95 a 44,11, y tras un ajuste fino para una tarea concreta llega al 96-98% de acierto en llamadas a funciones. No es un modelo para conversar de filosofía, es un modelo para hacer una cosa muy bien: entender una petición y llamar a la herramienta correcta con los parámetros correctos.
El truco está en el entrenamiento y la arquitectura. 28 billones de tokens de entrenamiento para un modelo tan pequeño, más una arquitectura híbrida que no es un transformer clásico, dan un modelo que cabe en menos de 500 MB y corre en el bolsillo. 496 tokens por segundo en un iPhone de hace tres generaciones, y funcionando en una Raspberry Pi de 80 euros.
Dónde brilla y dónde no
Liquid es claro con las limitaciones: no lo recomiendan para matemáticas, código ni escritura creativa. Su terreno es el agente que vive en el dispositivo, que responde al instante, sin conexión y sin mandar tus datos a ningún servidor. Un asistente de voz que controla la casa, un comando por terminal, un agente que orquesta otras herramientas desde el propio aparato.
Ahí es donde un modelo diminuto le gana a uno gigante: no por ser más listo, sino por estar en el sitio correcto. Un modelo en la nube tarda en ir y volver, cuesta por llamada y necesita internet. Uno que corre en el aparato responde en milisegundos, gratis y sin conexión.
Por qué importa para un founder español
Este modelo apunta a un cambio que va a llegar a tu producto antes de lo que crees: la IA que no vive en la nube, sino en el dispositivo.
Si tienes una app, un producto físico con software, o cualquier cosa que corra en el móvil o en un aparato del cliente, mira esto de cerca. Meter un modelo pequeño dentro del dispositivo te quita tres problemas de golpe: el coste por llamada a la API, la latencia de ir y volver a un servidor, y la privacidad de que los datos del cliente no salgan de su aparato. Para muchas funciones sencillas, un modelo de 350 millones bien ajustado es todo lo que necesitas.
Y hay una lección más general. La carrera por el modelo más grande acapara los titulares, pero la que te va a tocar el bolsillo es la de lo pequeño y eficiente. El modelo adecuado para tu caso rara vez es el más potente; es el más barato que hace el trabajo en el sitio donde lo necesitas. Cuando pienses en meter IA en tu producto, empieza preguntándote cuál es el modelo más pequeño que resuelve el problema, no el más grande que puedes pagar.
Relacionado
