LFM3-1.7B-Base: lo que dice el repositorio y lo que Liquid AI no ha dicho

El checkpoint más trascendental de la nueva familia de Liquid AI es el que menos lectura requiere. LFM3-1.7B-Base es un modelo preentrenado de solo texto y 1,73 mil millones de parámetros, y el 27 de octubre de 2026 se convirtió en el tronco a partir del cual se construyó cada modelo LFM3 postentrenado: el modelo de texto, el de visión, el de audio, el omni y ambos modelos de decisión. La publicación de lanzamiento de la familia lo menciona en una sola cláusula. No hay un anuncio independiente para él, ni una tabla de benchmarks del modelo base, ni cobertura de prensa dirigida a él. El repositorio, por su parte, es inusualmente explícito sobre qué es el checkpoint y para qué sirve, lo que hace que este sea un lanzamiento fácil de describir y difícil de exagerar.No se añade ningún recargo a lo que cobra el proveedor del modelo. Precios de lista del proveedor Un cambio de precio del proveedor llega a tu factura el mismo día.

Lo que sigue separa esas dos cosas. Todo lo de la primera mitad proviene de la model card, el archivo de configuración, el texto de la licencia o la propia publicación de lanzamiento de Liquid, y se puede verificar hoy. La segunda mitad es lo que sigue siendo genuinamente desconocido tres días después de que se subieran los pesos.

Dos repositorios, una publicación de lanzamiento y un lapso de doce horas

Las marcas de tiempo cuentan la historia de un lanzamiento que ocurrió en público antes de ocurrir en el marketing. El repositorio post-entrenado LFM3-1.7B se creó el 23 de octubre de 2026. El repositorio base se creó el 26 de octubre a las 16:28 UTC, y su tarjeta se modificó por última vez el 27 de octubre a las 04:15 UTC — menos de doce horas después. La entrada del blog, «Presentamos LFM3: Todas las modalidades para la inteligencia especializada», está fechada el 27 de octubre. Para cuando alguien de fuera de la empresa pudo leer una especificación, los pesos ya llevaban un día en Hugging Face.

Esa secuencia merece decirse sin rodeos porque es lo más parecido a un «lanzamiento silencioso» que hay aquí. Liquid sí anunció la familia, y el anuncio nombra LFM3-1.7B-Base como el checkpoint a partir del cual se entrenaron los otros seis modelos. Lo que la empresa no hizo fue anunciar el checkpoint base por derecho propio: ni una publicación aparte, ni una evaluación específica del base, ni un posicionamiento más allá de un párrafo en la ficha. La familia se llevó el lanzamiento. El tronco recibió un repositorio y una referencia a la familia.

¿Qué hay en el repositorio?

La ficha es compacta y, por una vez, completa en lo básico. Un único archivo model.safetensors de 3,46 GB en bfloat16. Un tokenizador con un vocabulario de 128.000 tokens. El código del modelo se distribuye como Python personalizado junto con los pesos, y se carga con trust_remote_code=True en lugar de mediante una versión de Transformers upstream ya fusionada. La licencia es la LFM Open License v1.0, la misma familia de términos que Liquid ha utilizado desde LFM2.

• Parámetros — 1,73B, denso, cada parámetro se lee en cada token.

• Capas — 24: trece bloques de convolución corta con compuerta, cinco bloques de atención de ventana deslizante, seis bloques de atención completa.

• Contexto — 262,144 tokens, entrada más salida.

• Geometría de la atención — tamaño oculto 2.048, dieciséis cabezas de consulta, cuatro cabezas de clave-valor, dimensión de cabeza 128. Es atención de consultas agrupadas de cuatro a uno, no de ocho a uno como en LFM2.5.

• Ventana local — 256 tokens, con una caché de convolución de siete. Es un ajuste de atención por capa, no la longitud del contexto, y provocó una pequeña ola de informaciones erróneas cuando la arquitectura apareció por primera vez en una pull request de un motor el día antes del lanzamiento.

• Vocabularios e idiomas — 128.000 tokens, dieciséis idiomas enumerados: inglés, árabe, chino, francés, alemán, italiano, japonés, coreano, portugués, español, vietnamita, tailandés, indonesio, hindi, ruso, polaco.

• Memoria — aproximadamente 1 GB con precisión de 4 bits según Liquid, 3,46 GB tal como se distribuye en BF16.

Hay una pequeña inconsistencia que conviene conocer antes de citar un tamaño. La barra lateral de Hugging Face redondea el modelo a «2B params», mientras que la tabla de la tarjeta indica 1.73B. El archivo lo resuelve: 3.46 GB de bfloat16 son 1.73 mil millones de parámetros a dos bytes cada uno, así que la etiqueta de la barra lateral es una convención de redondeo, no una segunda especificación. En el momento de escribir esto, el repositorio mostraba quince descargas en el último mes y ocho me gusta —el perfil de un checkpoint que se publicó, recibió un enlace desde la publicación de lanzamiento y todavía no ha sido adoptado por nadie.

La arquitectura, sin el diagrama

El diseño se entiende mejor como un argumento de presupuesto. La atención completa es la parte costosa de un transformer en contexto largo: cada token se compara con todos los demás, y el costo crece con el cuadrado de la secuencia. La pila tri-híbrida de Liquid dedica solo seis de sus veinticuatro capas a esa operación. Trece capas son convoluciones cortas con compuerta, que mezclan información localmente a un costo fijo por token, y cinco son bloques de atención de ventana deslizante que ven 256 tokens a la vez. Dos tercios de la red nunca realizan una operación de atención global.

Esta es la misma apuesta que Liquid ha estado haciendo desde LFM2, llevada más lejos. LFM2.5-2.6B-Base usó treinta capas divididas en veintidós convoluciones y ocho bloques de atención completa, sin un nivel de ventana deslizante. LFM3 reemplaza un par de convoluciones por un bloque de atención deslizante en cinco puntos de la pila, eleva la caché de convolución de tres a siete y añade la normalización sándwich y los ajustes de rotación parcial que aparecen en la configuración. Si ese intercambio específico mejora la calidad es una pregunta que solo la evaluación puede responder, y a la fecha de publicación no hay ninguna evaluación del modelo base que la responda. Lo que sí establece la configuración es que el contexto de 256K no se logra escalando la atención a 256K; se logra manteniendo local la mayor parte de la pila.

El modelo base viene con una plantilla de chat

Este es el detalle que con más probabilidad confundirá a cualquiera que descargue el checkpoint esperando un completado de texto sin procesar. LFM3-1.7B-Base incluye una plantilla de chat completa, y la ficha indica que el entrenamiento intermedio incluyó datos de chat tanto con como sin trazas de pensamiento, formateados con la misma plantilla que el modelo postentrenado. Llama a apply_chat_template y el razonamiento se habilita de forma predeterminada: la respuesta comienza dentro de un bloque de pensamiento a menos que pases enable_thinking=False, lo que rellena previamente una traza vacía y solicita una respuesta directa.

Así que se comporta un poco como un modelo instruct y se documenta como algo completamente distinto. La recomendación de la propia ficha del modelo es inequívoca: LFM3-1.7B-Base «solo se recomienda para tareas que requieran un ajuste fino intensivo, como asistentes específicos de un idioma o de un dominio, entrenamiento con datos propietarios o experimentación con enfoques novedosos de posentrenamiento». Para chat, llamadas a herramientas y agentes, remite a LFM3-1.7B. La plantilla está ahí porque los datos de entrenamiento intermedio se formatearon así y porque un ajuste fino la hereda —no porque el punto de control se haya ajustado para conversación. Cualquiera que trate la plantilla como una señal de preparación se sentirá decepcionado por las salidas, y la ficha lo dice antes de que empiecen.

Las cifras que la gente citará no son las cifras de este modelo.

La publicación de lanzamiento incluye una extensa tabla de benchmarks, y casi nada de ella se aplica al checkpoint al que se refiere este artículo. El promedio destacado de 49.37 corresponde a LFM3-1.7B, el modelo post-entrenado, medido en la propia suite de Liquid. Las filas de comparación —LFM2.5-2.6B con 31.55, MiniCPM5-2B con 39.19, Gemma 4 E4B con 31.74, Qwen3.5-4B con 39.27, Qwen3.5-9B con 47.24— son modelos post-entrenados frente a modelos post-entrenados. El 43.40 en SWE-bench Verified y el 73.46 en LiveCodeBench v6 son asimismo las puntuaciones del modelo ajustado.

Dos afirmaciones se asocian al checkpoint base en una lectura informal y no deberían. La primera es «35 % menos parámetros»: eso es LFM3-1.7B superando a LFM2.5-2.6B, una afirmación sobre el par tras el postentrenamiento, no un resultado de base a base. La segunda es la afirmación de que LFM3 «iguala a Gemma 4 12B». Esa frase se refiere a LFM3-VL-2B, el modelo de visión, en 62 benchmarks de visión. No dice nada sobre el checkpoint base de texto, que no tiene ninguna evaluación publicada. Un modelo base sin tabla de benchmarks no es inusual —Liquid tampoco publicó ninguna deliberadamente para LFM2.5-2.6B-Base—, pero esa ausencia significa que toda afirmación sobre la calidad de este checkpoint es actualmente una afirmación sobre el modelo que produjo.

Entrenamiento, y la parte que es realmente distintiva

Liquid dice que el checkpoint vio 22 billones de tokens en dos etapas. La etapa principal de preentrenamiento cambió la mezcla de datos con respecto a LFM2, añadiendo más artículos científicos, código a nivel de repositorio, matemáticas y una gama más amplia de fuentes de conocimiento. Los últimos 3,5 billones de tokens son una etapa de entrenamiento intermedio con datos seleccionados de mayor calidad y una mayor proporción de trazas de agentes y llamadas a herramientas, y es en esa etapa donde la ventana de contexto se amplía a 256K.

Lo inusual no es el número de tokens; es que los datos agénticos se incorporaron al modelo base y no solo al postentrenamiento. La mayoría de los proveedores conservan las trazas de llamadas a herramientas para la etapa de ajuste por instrucciones. Liquid las puso en el tronco y luego postentrenó seis modelos diferentes sobre él con SFT, RL mixto, destilación on-policy multidominio y RL agéntico. Esa es una estrategia coherente para una familia pensada para compartir una única columna vertebral entre modalidades, y también es la razón por la que el checkpoint base incluye una plantilla de chat. Es una afirmación sobre la metodología de entrenamiento que no se puede verificar desde fuera, y no existe ninguna reproducción independiente.

Lo que puedes hacer con él hoy

La tarjeta enlaza dos notebooks de TRL, uno para el ajuste fino supervisado en la extracción de JSON estructurado a partir de documentos desordenados y otro para el preentrenamiento continuado en un nuevo idioma, usando el turco a partir de texto sin procesar como ejemplo. Ambos están escritos para LFM3-1.7B y requieren cambiar un único model_id para que apunte al checkpoint base. La página de documentación cubre el resto del proceso de ajuste fino. El modelo instruct tiene un conjunto completo de variantes de ejecución: BF16 para vLLM, SGLang y Transformers; FP8 y NVFP4 para SGLang; GGUF para llama.cpp, Ollama y LM Studio; MLX para Apple silicon; ONNX Runtime. El checkpoint base tiene exactamente un artefacto: el archivo safetensors BF16. Sin GGUF, sin compilación MLX, sin versión cuantizada. Si quieres ejecutarlo en un teléfono, esa conversión la haces tú.

Dónde encaja esto si te dedicas a servir modelos

Un checkpoint preentrenado no es un endpoint de chat, y merece la pena ser concreto al respecto. LFM3-1.7B-Base no aparece en el catálogo de OrcaRouter en el momento de escribir esto, y un modelo base sería algo extraño que enrutar: no tiene seguimiento de instrucciones al que enrutar. El lugar útil para un router empieza un paso después, cuando ya existe el ajuste fino. OrcaRouter pone más de 200 modelos detrás de una sola API con 0 % de recargo sobre los precios de lista de los proveedores, conmutación por error automática y un DSL de enrutamiento, de modo que un checkpoint de LFM3 ajustado a un dominio puede situarse junto a un modelo general más grande y compararse o conmutarse a él sin una segunda integración. La fusión de modelos —un panel que responde en conjunto— es la otra opción cuando un especialista de 1,73B es bueno en una cosa y necesitas una segunda opinión. Nada de eso requiere que el propio checkpoint base esté alojado en ningún sitio.

¿Qué sigue sin confirmarse?

• Calidad base. No hay tabla de benchmark, ni salida del arnés de evaluación, ni comparación con LFM2.5-2.6B-Base en ninguna tarea.

• Verificación independiente. Ningún laboratorio externo ha publicado una ejecución ni del modelo base ni del modelo ajustado. Todas las cifras de la publicación de lanzamiento son propias de Liquid.

• Compatibilidad con Transformers upstream. El repositorio usa código de modelado personalizado y trust_remote_code. Eso es normal en el lanzamiento y supone un coste de mantenimiento posterior.

• Cómo se sirve el modelo base. La publicación de lanzamiento indica que los modelos base y post-entrenados están disponibles en Hugging Face, el Liquid Playground y la Liquid API. No se explica qué hace una API con un checkpoint base sin ajustar, y no se publica ningún precio para ello.

• Casos límite de la licencia. La licencia LFM Open License v1.0 es gratuita para uso comercial por debajo de los 10 millones de dólares de ingresos anuales; por encima de ese umbral se aplica una licencia comercial. El texto es público, pero cómo trata un modelo derivado entrenado sobre la base y luego servido comercialmente es una cuestión para un abogado, no para una ficha de modelo.

Qué ver

La próxima señal significativa no es otro anuncio: es la primera evaluación independiente del modelo postentrenado y el primer ajuste fino público que informa cómo era entrenar con el checkpoint base. El propio planteamiento de Liquid invita a esa prueba: un tronco de 1,73B que produjo seis modelos y afirma superar a un predecesor de 2,69B o es una arquitectura genuinamente eficiente o una batería de benchmarks bien elegida, y solo las ejecuciones externas separarán ambas posibilidades. Hasta entonces, el repositorio es toda la historia: un archivo de 3,46 GB, una especificación clara, una plantilla de chat que no es una invitación y una licencia que vale la pena leer antes de que la línea de ingresos se acerque.