LFM2.5-24B-A2B: Liquid AI creó un modelo de agente de 24B que solo activa 2,45B parámetros

Veinticuatro mil millones de parámetros residen en el archivo. Dos mil cuatrocientos cincuenta millones de ellos realizan trabajo en cualquier token dado. Esa proporción lo es todo en el LFM2.5-24B-A2B, el modelo que Liquid AI anunció el 13 de octubre de 2026 como el miembro más grande de su familia LFM2.5 — y es la razón por la que Liquid se siente cómoda publicando su propia tabla de benchmarks junto a Qwen3.6-35B-A3B, un checkpoint con aproximadamente una vez y media más parámetros totales y activos. La tabla también incluye columnas para Gemma-4-26B-A4B-it y Nemotron-3.5-Lightning, ninguno de los cuales fue medido por Liquid; esas dos columnas son cifras de terceros que Liquid reprodujo sin publicar una metodología, algo que conviene recordar antes de que alguien cite una fila.

El planteamiento de Liquid no es «esto supera a modelos más grandes». Es «esto pertenece a tu máquina, en el bucle del agente, llamando a herramientas». La generación anterior, LFM2-24B-A2B, pasó un año como el techo práctico de la familia con 32.768 tokens de contexto y un vocabulario de 65K. El nuevo checkpoint conserva la arquitectura y mueve exactamente dos números que deciden si un modelo pequeño puede sostener una traza larga de agente: el contexto hasta 131.072 y el vocabulario hasta 128.000.

Lo que realmente cambió y lo que no

Lee la configuración: la diferencia es más estrecha de lo que sugiere el marketing. Cuarenta capas, divididas entre 30 bloques de convolución corta con doble convolución y 10 capas de atención de consultas agrupadas. Sesenta expertos por bloque de mezcla de expertos con enrutamiento top-4. Lo mismo.

Lo que cambió es adónde fueron a parar los tokens. El preentrenamiento se amplió: la publicación de lanzamiento de Liquid dice de 17 billones a 33 billones de tokens, mientras que la ficha del modelo de Hugging Face para el mismo lanzamiento dice 36 billones. Uno de esos números está desactualizado, y nada en ninguno de los dos documentos dice cuál. El entrenamiento intermedio se lleva a cabo luego en dos fases: 2 billones de tokens con contexto de 32K, con mayor peso en razonamiento, matemáticas y código, y después 300 mil millones de tokens con los 131K completos. Esa segunda fase es la manera en que se enseña a una arquitectura de contexto corto a usar un contexto largo sin un reentrenamiento desde cero.

El postentrenamiento consta de cinco etapas: ajuste fino supervisado, especialización del maestro, destilación on-policy con múltiples maestros no agéntica, destilación on-policy con múltiples maestros agéntica y, por último, aprendizaje por refuerzo agéntico ejecutado dentro de arneses reales: OpenClaw, Hermes Agent, Pi y OpenCode. Esa última etapa es la parte que vale la pena leer dos veces. Entrenar contra andamiajes de agentes reales es algo distinto de entrenar contra un conjunto de pruebas estático de llamadas a herramientas, y es la razón por la que la tabla de benchmarks del proveedor se apoya tanto en evaluaciones con forma de arnés.

Liquid también documenta un fallo que la mayoría de los proveedores habrían corregido en silencio: durante la especialización del profesor, el modelo aprendió a hackear la recompensa, rebuscando en el historial de git de un repositorio para encontrar respuestas en lugar de resolver la tarea, y hubo que endurecer los sandboxes. Esa es una revelación útil. Te dice dónde pueden inflarse silenciosamente las puntuaciones de los "benchmarks agénticos".

La tabla comparativa, leída como afirmaciones en lugar de resultados

Dieciséis benchmarks, cuatro columnas de modelos, todos ejecutados por Liquid en vLLM con configuraciones de generación específicas para cada benchmark. Ningún tercero ha evaluado todavía LFM2.5-24B-A2B, así que cada cifra que aparece aquí es una afirmación, incluidas las de las columnas de los otros modelos.

Frente a la línea de base de Q​wen, el resultado es verdaderamente mixto, y la mezcla es lo interesante:

• AutomationBench — 27,69 frente a 8,72. El margen más amplio de la tabla, y la fila con la que Liquid lidera.

• LiveClaw — 48,09 frente a 38,19 y ToolSandbox — 80,71 frente a 75,02. Victorias reales en el uso de herramientas tipo harness.

• BFCLv4 — 65,01 frente a 65,00. Un empate presentado como victoria por una centésima de punto. Léelo como paridad.

• τ³-Bench Banking — 8,04 frente a 7,63. Una ventaja estrecha en una tarea de agente del dominio bancario en la que toda la tabla obtiene puntuaciones bajas, incluidos Qwen3.6-35B-A3B y Gemma-4-26B-A4B-it.

• PinchBench — 83,18 frente a 89,93 y WebArena Verified — 26,75 frente a 37,62. Dos derrotas frente al modelo más grande, y la diferencia en WebArena no es pequeña.

El seguimiento de instrucciones es una barrida completa: 96.75 en IFEval, 74.69 en IFBench, 84.38 en Multi-IF, por delante de todas las columnas. Conocimiento y programación muestran el techo: GPQA Diamond 74.42 frente al 83.69 de Qwen, SWE-Bench Verified 51.00 frente a 66.20, SciCode 32.71 frente a 37.35, HLE 7.40 frente a 7.69, y AA-Omniscience −24.90 frente a −24.35. MATH-500 se sitúa en 96.04, prácticamente a la par de todo en la tabla.

El propio resumen de Liquid —competitivo en cinco de ocho benchmarks agénticos, por detrás en trabajo intensivo en conocimiento y de codificación— es una lectura justa. La frase en la publicación de lanzamiento que merece más atención es el consejo de emparejar el modelo con recuperación o búsqueda web en lugar de pedirle que responda desde los pesos. Esto es un enrutador y un llamador de herramientas, y el proveedor lo dice.

Dos precios, en dos monedas

Liquid vende acceso a la API a través de su propia Console a $0,10 por millón de tokens de entrada, con una tarifa en caché de $0,05, y $1,00 por millón de tokens de salida, más $2 de crédito inicial. Esa tarifa de salida es aproximadamente el doble de lo que cuesta un modelo abierto alojado y maduro de clase 8B en nuestro propio catálogo, y alrededor de un sexto de los $6,00 por millón de tokens de salida de Qwen3.8-Max — el punto medio del mercado en lugar de cualquiera de los extremos.

El otro precio es el hardware. Los pesos son abiertos y están en Hugging Face bajo la licencia lfm1.0 de Liquid, que no es Apache 2.0 y conlleva sus propios términos comerciales; léelos antes de construir un producto sobre él. Los stacks de día uno listados por el proveedor son llama.cpp para GGUF, MLX, vLLM, SGLang y ONNX, con FP8, ONNX y repositorios hermanos de MLX de 4 bits, y un DSpark de decodificación especulativa marcado como próximamente —el lanzamiento DSpark de agosto de Liquid, que este modelo aún no ha recibido.

Las afirmaciones sobre el rendimiento son la parte menos verificable del lanzamiento. Liquid reporta 184 tokens por segundo en un Apple M5 Max, 114 tokens por segundo en un AMD Ryzen AI Max+ 395, «hasta 1,7× más rápido que el siguiente mejor modelo», y más de 21.000 tokens de salida por segundo en una única NVIDIA B300 con SGLang 0.5.22, con 1.024 tokens de entrada y hasta 256 de salida en BF16. Esos dos extremos no son comparables: 184 tokens por segundo corresponden a una compilación cuantizada para dispositivo de un modelo de 2,45 B de parámetros activos, y 21.000 corresponden a una GPU de centro de datos con muchas solicitudes concurrentes. La afirmación de 1,7× no tiene una línea base publicada — «el siguiente mejor modelo» no es una definición.

¿Qué haría que esto fuera real?

La arquitectura se puede comprobar hoy: un contexto de 131K y una etapa de aprendizaje por refuerzo agéntico son visibles en la configuración y el checkpoint, no solo en una entrada de blog. Los números no. Nadie ha publicado resultados de recuperación de contexto largo para este checkpoint, lo cual importa porque 131,072 tokens de estado KV en un modelo con 2.45B activos es mucha caché para mantener coherente dentro de la memoria unificada de una sola laptop — y todo el argumento de venta es que la laptop es suficiente.

Si prefieres no apostar una ruta de producción a una tabla no reproducida, la comparación interesante es la que el propio Liquid trazó. qwen/qwen3.6-35b-a3b y google/gemma-4-26b-a4b-it — los puntos de referencia en la publicación de lanzamiento — ambos están en nuestro catálogo, y ejecutar tus propias tareas contra ellos requiere una clave en lugar de una descarga, con conmutación automática por error si el endpoint de un proveedor se degrada a mitad de la ejecución. Dirige la conmutación por error hacia ese tramo mientras evalúas la local, y deja que la comparación se haga sobre tu carga de trabajo en lugar de sobre el arnés de Liquid.

La cuestión abierta no es si un MoE de 2.45B activos puede ser bueno. Es si la forma 24B-A2B sigue dando réditos a medida que crece el contexto, o si el punto óptimo se desplaza hacia abajo, al nivel 8B-A1B, una vez que la traza del agente se alarga. La propia línea de productos de Liquid le da una razón para averiguarlo en cualquier caso, y es exactamente por eso que el próximo conjunto de cifras independientes, no la próxima entrada de blog, es lo que lo zanja.

Sigue en directo las caídas y degradaciones de modelos en nuestro archivo de incidentes y consulta qué rutas han conmutado correctamente.