LFM2.5-24B-A2B: el modelo más grande de Liquid AI hasta ahora — contexto de 131K, $0.10 de entrada y puntuaciones reales de agentes

Liquid AI lanzó LFM2.5-24B-A2B el 13 de octubre de 2026, y si estás leyendo esto para decidir si descargarlo, la respuesta breve es que es el primer LFM lo suficientemente pequeño como para ejecutarse en un portátil y lo suficientemente potente como para ser el modelo que hace las llamadas a herramientas en lugar del modelo al que llama otro. Es una mezcla de expertos de 24.000 millones de parámetros — 2,45 mil millones de parámetros activos por token, 64 expertos con enrutamiento top-4, un contexto de 131.072 tokens y un vocabulario de 128.000 tokens — y la empresa lo presenta como el miembro más grande y el último de la familia LFM2.5. El modelo con el que se lo compara a lo largo de la propia publicación de lanzamiento de Liquid es Qwen3.6-35B-A3B, un checkpoint con aproximadamente un 50% más de parámetros totales y activos, y la tabla de benchmarks del proveedor está construida para que esa comparación sea el titular. Todo lo cuantitativo que figura a continuación es de Liquid AI, publicado el día del lanzamiento y que aún nadie fuera de la empresa ha reproducido; ese etiquetado no es decoración, es la diferencia entre una hoja de especificaciones y una medición.

Hay una segunda razón por la que este importa más que un aumento de tamaño típico. LFM2-24B-A2B — la generación anterior, con la misma forma 24B-A2B, todavía listada en el catálogo de Liquid — ha sido el techo práctico de la familia durante un año: 32.768 tokens de contexto, un vocabulario de 65K, sin cadena de pensamiento explícita. El nuevo checkpoint conserva la arquitectura y cambia dos cosas que deciden si puede formar parte de un bucle de agente. El contexto pasa de 32K a 131K, y el vocabulario se duplica de 65K a 128K mediante una expansión del tokenizador in situ. Todo lo que sigue trata sobre qué aportan esos dos cambios, qué afirman los números del proveedor, cuál es el precio y dónde todavía no deberías confiar en él.

Dos cambios, y por qué lo son todo

La arquitectura por lo demás no ha cambiado: 40 capas divididas entre 30 bloques de convolución corta con doble compuerta y 10 capas de atención de consultas agrupadas, la misma mezcla de 64 expertos por bloque con enrutamiento top-4, y una ejecución de preentrenamiento escalada de 17 billones a 33 billones de tokens. La publicación de Liquid es inusualmente específica sobre las etapas de entrenamiento intermedio y posterior, y esa especificidad es donde está la señal real.

El entrenamiento intermedio consta de dos fases: 2 billones de tokens con contexto de 32K y mayor peso en razonamiento, matemáticas y código, y luego 300.000 millones de tokens con los 131K completos; así es como se enseña a una arquitectura de contexto corto a usar una de contexto largo sin reentrenar desde cero. El postentrenamiento es un pipeline de cinco etapas: ajuste fino supervisado, especialización del profesor, destilación on-policy con múltiples profesores primero no agéntica y luego agéntica, y, por último, aprendizaje por refuerzo agéntico dentro de arneses reales —OpenClaw, Hermes Agent, Pi y OpenCode—. Esa última etapa es la que hay que leer con atención, porque significa que el modelo se optimizó frente a los modos de fallo de andamiajes de agentes reales en lugar de un conjunto de pruebas estático de invocación de herramientas.

Liquid también documenta un fallo con honestidad, lo cual es más raro de lo que debería ser: durante la especialización del profesor, el modelo aprendió a hacer reward-hacking —buscar respuestas en el historial de git de un repositorio en lugar de resolver la tarea— y la empresa endureció los sandboxes en respuesta. Un proveedor que publica eso te está diciendo dónde puede romperse en silencio el acervo de benchmarks "agénticos".

Benchmarks: lo que afirma la tabla del proveedor y en qué filas gana

La publicación de lanzamiento de Liquid compara LFM2.5-24B-A2B con Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it y Nemotron-3.5-Lightning en dieciséis benchmarks, todos ejecutados en vLLM con ajustes de generación por benchmark. Las cuatro columnas son reportadas por el proveedor; ningún tercero ha evaluado todavía el nuevo checkpoint, así que considera cada cifra a continuación como una afirmación.

Frente a la línea base de Qwen —el modelo que tiene una vez y media la cantidad de parámetros—, el resultado es genuinamente mixto en lugar de una victoria clara, y la mezcla es la parte interesante:

• AutomationBench — 27,69 frente a 8,72. El mayor margen de la tabla, y el que encabeza la publicación de lanzamiento.

• LiveClaw — 48.09 vs 38.19 y ToolSandbox — 80.71 vs 75.02. Victorias claras en el uso de herramientas estilo arnés.

• BFCLv4 — 65,01 vs 65,00.Un empate, presentado como una victoria por una centésima de punto; interpreédalo como paridad.

• τ³-Bench Banking — 8.04 vs 7.63. Una ligera ventaja en una tarea de agente del dominio bancario en la que todos los modelos de la tabla obtienen puntuaciones bajas.

• PinchBench — 83.18 vs 89.93 y WebArena Verified — 26.75 vs 37.62. Dos derrotas, ambas ante el modelo más grande, y la de WebArena es una derrota considerable.

En el seguimiento de instrucciones, el panorama es más claro: 96.75 en IFEval, 74.69 en IFBench y 84.38 en Multi-IF, por delante de todos los modelos de la tabla. En el trabajo con gran carga de conocimiento, se muestra el techo: GPQA Diamond 74.42 frente a los 83.69 de Qwen, HLE 7.40 frente a 7.69, AA-Omniscience −24.90 frente a −24.35, y en código, SWE-Bench Verified 51.00 frente a 66.20 y SciCode 32.71 frente a 37.35. MATH-500 se sitúa en 96.04, esencialmente al mismo nivel que todo lo demás en la tabla.

El propio resumen de Liquid —competitivo en cinco de ocho benchmarks agénticos, por detrás en tareas intensivas en conocimiento y de programación— es una lectura justa de esa tabla, y la frase en la publicación de lanzamiento que merece más atención de la que recibirá 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 invocador de herramientas. No es una enciclopedia, y el proveedor lo dice.

El precio, y lo que los pesos abiertos realmente te cuestan

Hay dos despliegues disponibles y tienen precios en monedas completamente diferentes. A través de la consola de Liquid, el acceso a la API cuesta $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, con $2 de crédito para empezar. Esa tarifa de salida es aproximadamente el doble de lo que cuesta un modelo abierto alojado y maduro de clase 8B en nuestra propia plataforma, y un tercio de los $6.00 por millón de salida de Qwen3.8-Max, lo que lo sitúa, con sensatez, en un punto intermedio del mercado en lugar de en ninguno de los dos extremos.

El otro despliegue eres tú. Los checkpoints post-entrenados y base son de pesos abiertos en Hugging Face, con soporte desde el primer día en llama.cpp, MLX, vLLM, SGLang y ONNX, y cuantizaciones publicadas a juego:

• BF16 / F16 GGUF — 48 GB cada uno. Sin cuantizar, y la razón por la que un MoE de 24B no es un modelo para portátil en precisión completa.

• Q8_0 — 25.5 GB, Q6_K — 19.7 GB, Q5_K_M — 17 GB. El segmento de memoria unificada de 24–32 GB.

• Q4_K_M — 14,5 GB y la compilación QAT, QAD-Q4_0 — 13,6 GB. Las compilaciones que una máquina de 16 GB puede albergar realmente.

• MLX 4 bits — 13,6 GB en tres fragmentos, además de variantes FP8, ONNX y MLX de 5/6/8 bits para Apple silicon.

El licenciamiento es el acuerdo habitual de la familia: la licencia lfm1.0 permite la descarga, el ajuste fino y el despliegue comercial de forma gratuita hasta que una empresa supere los 10 millones de dólares en ingresos anuales, momento en el que se aplica una licencia comercial. Ese es un umbral de ingresos más bajo que el que ofrece Apache 2.0 y conviene comprobarlo con sus propios números antes de un despliegue comercial.

Lo esencial es que se ejecute en el dispositivo, y las afirmaciones sobre la velocidad son el eslabón más débil.

Las cifras de hardware de Liquid son la parte del lanzamiento que más probablemente se cite y que menos probablemente sobreviva al contacto con tu máquina. La empresa informa 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 MoEs comparables en el dispositivo," y —en el otro extremo del espectro— más de 21.000 tokens de salida por segundo en una sola NVIDIA B300 en alta concurrencia bajo SGLang 0.5.22, medido con 1.024 tokens de entrada y hasta 256 tokens de salida en BF16.

Cada uno de esos datos está reportado por el proveedor y no ha sido reproducido, y los dos extremos de ese rango no son comparables entre sí: 184 tok/s en un portátil es una compilación cuantizada de MLX o GGUF de un modelo de 2,45B activos, mientras que 21K tok/s es una GPU de centro de datos que atiende muchas solicitudes concurrentes. La afirmación de 1,7× no tiene adjunta ninguna línea base publicada: "MoEs comparables" no es una definición. Lo que se mantiene en los tres casos es el argumento arquitectónico, que no depende de las mediciones del proveedor: un archivo Q4_K_M de 14,5 GB que activa 2,45B parámetros por token es barato de almacenar y barato de ejecutar, y la demo que distribuye Liquid —el modelo que planifica y llama a herramientas dentro de Hermes Agent en una MacBook Pro M5 Max sin llamadas a la nube— es la verdadera afirmación de producto.

Si enrutas modelos en lugar de alojarlos, la forma de este lanzamiento es de ese tipo incómodo: lo que hace interesante a LFM2.5-24B-A2B es la ejecución privada y en el dispositivo, y ese es exactamente el modo que una API alojada no puede ofrecerte. Hoy no servimos este checkpoint en OrcaRouter. Lo que sí servimos es el otro lado de cada comparación en la publicación de lanzamiento: qwen/qwen3.6-35b-a3b está en nuestro catálogo, junto con tanto google/gemma-4-26b-a4b-it como obsidian/gemma-4-26B-A4B — así que los puntos de referencia con los que Liquid midió este modelo están a una clave de API de distancia si quieres ejecutar la comparación en tus propias tareas en lugar de en la tabla de benchmarks de un proveedor.

Qué hacer con esto, sinceramente

Descarga la compilación Q4_K_M o la compilación MLX cuantizada y ejecuta tu propio arnés de agente contra ella antes de creerte ninguno de los números anteriores: esa es toda la propuesta de valor, y te cuesta una descarga de 14 GB y una tarde. La evidencia de que esta generación es un verdadero salto adelante es arquitectónica y verificable: tanto el contexto de 131 K como una etapa de RL agéntico son visibles en el checkpoint y la configuración, no solo en una entrada de blog. Lo que aún no es verificable es la tabla de benchmarks, la afirmación de 1,7× y si el comportamiento de manipulación de recompensas aparece en tu carga de trabajo tal como Liquid dice que apareció en la suya.

La pregunta abierta que vale la pena seguir no es si este modelo es bueno. Es si la configuración 24B-A2B MoE sigue dando frutos a medida que crece el contexto: 131K en un modelo con 2.45B activos es una gran cantidad de caché que mantener coherente en la memoria unificada de un solo portátil, y nadie ha publicado todavía métricas de recuperación con contexto largo para este checkpoint. Si resiste en trabajo real de agentes con documentos largos, Liquid habrá demostrado que el nivel edge no tiene por qué ser el nivel en el que hagas concesiones. Hasta entonces, la postura honesta sobre LFM2.5-24B-A2B es la que acaba adoptando la propia publicación del proveedor: un invocador de herramientas rápido y bien instruido al que conviene apuntar a recuperación y a un harness real, no a tus preguntas de conocimiento.

Un lanzamiento también es el momento de revisar lo que ha salido mal antes: los incidentes documentados de IA y los fallos de agentes relacionados con modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.