LFM3-VL-2B: un modelo de visión de 1,92 mil millones cuya puntuación principal depende de un solo interruptor

LiquidAI/LFM3-VL-2B existió públicamente durante ocho días antes de que Liquid AI pronunciara palabra alguna sobre él. El repositorio de Hugging Face se creó el 19 de octubre de 2026, y una compilación GGUF apareció esa misma tarde; el anuncio del proveedor —una entrada de blog, una colección de modelos, una tarjeta con una tabla completa de benchmarks— se publicó el 27 de octubre. El modelo al que reemplaza, LFM2.5-VL-3B, es la referencia obvia: tiene 3,1 B de parámetros frente a los 1,92 B del nuevo modelo, y en la propia suite de 62 benchmarks de Liquid, el nuevo promedia 71,4 frente a los 57,6 del antiguo. La misma tarjeta también registra un segundo número que recibe mucha menos atención: con el pensamiento desactivado, LFM3-VL-2B promedia 62,1. Ese único flag de configuración vale 9,3 puntos, y es la diferencia entre una victoria generacional decisiva y una modesta.

Este artículo abarca lo que realmente consta a fecha del 28 de octubre —la cronología del repositorio, las especificaciones, la tabla de benchmarks y sus salvedades— y señala con claridad dónde termina la evidencia.

Qué apareció, y cuándo

La cronología importa porque explica por qué el modelo llegó sin cobertura. Liquid AI no publicó un avance, ni una lista de espera, ni una entrada de investigación. Subió los pesos y una tarjeta de modelo, y la tarjeta se quedó ahí. Los rastreadores de terceros detectaron el repositorio, y el primer texto público sobre LFM3-VL-2B fue especulación basada en un pull request no fusionado de un framework de inferencia, y no en algo procedente del proveedor.

• Repositorio creado — 19 de octubre de 2026, 19:51 UTC, según la API de Hugging Face.

• Repositorio GGUF creado — 19 de octubre de 2026, 20:29 UTC, treinta y ocho minutos después.

• Tarjeta modificada por última vez — 27 de octubre de 2026, 16:24 UTC, el día del anuncio.

• Anuncio del proveedor — 27 de octubre de 2026: una publicación de blog de la familia, una publicación de blog de Hugging Face y una colección de modelos.

Así que la descripción precisa no es «se publicó discretamente y sigue sin anunciarse». Es «se publicó discretamente y luego se anunció ocho días después». Cualquiera que haya escrito sobre el repositorio durante ese intervalo estaba describiendo un checkpoint real y descargable, pero no un producto con una posición declarada dentro de la gama de Liquid. Esa posición ahora existe: LFM3-VL-2B es el miembro de visión de una familia de seis modelos construida sobre una base compartida de 1.7B, y el planteamiento del proveedor se centra en la comprensión visual en el dispositivo: documentos, gráficos, pantallas de aplicaciones, localización de objetos y razonamiento espacial para robots.

El modelo, en las propias cifras de la tarjeta

La ficha de Liquid es inusualmente específica sobre a dónde fueron a parar los parámetros, lo cual vale la pena señalar porque «2B» en el nombre de un modelo suele ocultar más de lo que revela.

• Parámetros totales — 1.92B: un modelo de lenguaje de 1.73B, un codificador de visión de 164M y un proyector de 25M.

• Codificador — desarrollado internamente, convolución más atención, en sustitución de la torre SigLIP2 utilizada en los modelos de visión LFM2.5.

• Modalidades — texto, imágenes y video de entrada; texto de salida. Es el primer modelo de visión LFM que acepta video, muestreado a 2 fotogramas por segundo.

• Tokenización visual — cada bloque de parches de 2×2 se convierte en un token de lenguaje, a resolución nativa.

• Contexto — 128K tokens, entrada más salida, con una posición máxima de 128.000.

• Licencia — la LFM Open License v1.0, los mismos términos abiertos pero no permisivos que el resto de la familia.

• Preentrenamiento — el tronco LFM3-1.7B-Base, 22T tokens en total, con una extensión de contexto de 128K y una extensión de 256K utilizada durante el entrenamiento intermedio.

• No se recomienda para — programación, conversación de varios turnos o razonamiento complejo, según las indicaciones de la propia tarjeta.

Esa última línea es la que hay que leer dos veces. Un modelo que explícitamente no se recomienda para conversaciones multiturno es también un modelo cuya ventana de contexto de 128K será difícil de usar tal como se usa normalmente el contexto largo. La ventana es real y es casi cuatro veces los 32.768 tokens de LFM2.5-VL-3B. Además, en un modelo de 1,92B, es una caché KV que crece más rápido que los pesos a los que está asociada.

Sesenta y dos benchmarks, un laboratorio y una tabla que nombra a sus rivales

La sección de benchmarks es la parte más útil del lanzamiento, y no solo porque las cifras sean altas. Liquid publicó una tabla de 62 benchmarks que incluye su propio modelo en dos configuraciones junto a nueve competidores: LFM2.5-VL-3B, MiniCPM-V 4.7 1B, Qwen3.5 2B, Qwen3.5 4B, InternVL3.5 4B, Gemma 4 E2B, Gemma 4 12B, GPT-5.6 Luna y Gemini 3.5 Flash Lite. Todas las puntuaciones se normalizan a 0–100, cada categoría es una media no ponderada de sus benchmarks y el promedio es una media no ponderada de los 62.

Eso es un artefacto más falsable que un gráfico de nota de prensa. Nombra los instrumentos, nombra a los competidores y la ficha indica en notas al pie qué modelos se ejecutaron con el razonamiento activado y cuáles no. Sigue siendo trabajo del proveedor: Liquid eligió los 62 benchmarks, ejecutó todos los modelos y publicó la tabla. Nadie fuera de la empresa ha reproducido nada de ello.

• Promedio — 71,4 para LFM3-VL-2B, frente a 57,6 para LFM2.5-VL-3B y 57,5 para MiniCPM-V 4.7 1B.

• Documento, OCR y gráfico — 83,9, la categoría en la que más se apoya el argumento de venta de las funciones en el dispositivo.

• Comprensión de GUI — 83.1, frente a 66.0 de LFM2.5-VL-3B.

• Anclaje visual — 77,3, frente a 68,3.

• Vídeo — 61,2, frente a 41,3, en el primer modelo de visión LFM que admite vídeo.

• Agentic — 42,5, frente a 21,1. La categoría más débil para todos los modelos pequeños de la tabla.

• Matemáticas y razonamiento lógico — 68,8, frente a 40,6. Retén ese número; es el interesante.

La tarjeta presenta tres afirmaciones comparativas en prosa: que LFM3-VL-2B obtiene al menos 8 puntos más que todos los modelos de tamaño similar en los 62 benchmarks, que iguala a Gemma 4 12B y que se sitúa a menos de 2 puntos de GPT-5.6 Luna mientras supera a Gemini 3.5 Flash Lite. Al contrastarlas con la tabla, se confirman: Gemma 4 12B promedia 71.7, GPT-5.6 Luna 73.4 y Gemini 3.5 Flash Lite 70.0. Un modelo de 1.92B que promedia dentro de 0.3 de un modelo de 12B es la afirmación principal, y es una afirmación realizada por el proveedor sobre cifras generadas por el proveedor.

El interruptor de pensamiento está haciendo la mayor parte del trabajo.

LFM3-VL-2B reporta dos puntuaciones para los mismos pesos. En modo de razonamiento promedia 71,4. Con el pensamiento desactivado promedia 62,1. La diferencia no se distribuye de manera uniforme entre las categorías — se concentra donde cabría esperar que el razonamiento ayude y casi está ausente donde no.

• Matemáticas y razonamiento lógico — 68,8 con pensamiento, 41,0 sin él. Una variación de 27,8 puntos, con mucho la mayor.

• Documento, OCR y gráficos — 83,9 frente a 71,6. Una diferencia de 12,3 puntos en tareas que parecen perceptivas pero a menudo no lo son.

• Comprensión de GUI — 83,1 frente a 81,5. Apenas cambia, lo que sugiere que la habilidad de lectura de pantalla está en el codificador y en el post-entrenamiento, no en el bucle de razonamiento.

• Percepción — 75,6 frente a 68,9.

• Promedio — 71.4 frente a 62.1.

La consecuencia es que la comparación principal favorece al nuevo modelo de una manera concreta. LFM2.5-VL-3B no admite el modo de razonamiento, así que Liquid está comparando un modelo que piensa con uno que no piensa. La comparación justa es 62,1 frente a 57,6: sigue siendo una victoria, pero por 4,5 puntos en lugar de 13,8. Y en esa configuración ya no lidera sobre todo lo cercano: Qwen3.5 2B promedia 64,0, aunque esa cifra también proviene de una ejecución con el razonamiento habilitado.

Nada de esto hace que el lanzamiento sea menos interesante. Hace que el lanzamiento sea legible. Liquid construyó un modelo pequeño cuyo despliegue predeterminado es rápido y no razona, y cuyo techo es mucho más alto cuando se le deja pensar. Qué cifra se aplica a tu caso depende por completo de si tu producto puede permitirse la latencia de un bucle de razonamiento en un teléfono.

Qué puedes conseguir con 1.92B en un dispositivo

El argumento de eficiencia es la parte que Liquid realmente está vendiendo, y la ficha lo respalda con mediciones en lugar de adjetivos. En una única NVIDIA B300 ejecutando SGLang en BF16, el modelo produce más de 12.000 tokens de salida por segundo con 1.024 solicitudes concurrentes. Esa cifra dice más sobre el batching que sobre el modelo, pero establece que la ruta de servicio existe desde el primer día.

En el dispositivo, la tarjeta publica el prefill, la decodificación y la memoria máxima para cada modelo comparado bajo una carga de trabajo fija: una imagen de 512×512, 1.024 tokens de texto de entrada y 256 tokens de salida, todo en llama.cpp con un modelo de lenguaje Q4_0 GGUF y un proyector de visión F16. Esa es una configuración reproducible, y la columna de memoria es la que hay que leer antes de decantarse por un teléfono.

Las herramientas existen, pero son desiguales. El soporte de SGLang estaba disponible desde el lanzamiento. El soporte de llama.cpp está en revisión —pull request 31252— y conlleva una advertencia explícita de Liquid: por ahora no hay entrada de video. Los pesos GGUF existen y preceden al anuncio por ocho días. Si el video es la razón por la que quieres este modelo, la vía local aún no está terminada, y la tarjeta lo indica.

Lo que todavía no se puede saber

El límite honesto de este artículo: todo lo cuantitativo anterior proviene de Liquid AI. No existe una evaluación independiente de LFM3-VL-2B, ni una entrada en rankings de terceros, ni una reproducción de la suite de 62 benchmarks, ni un precio por token publicado para el modelo en la propia API de Liquid a fecha de 28 de octubre. La tarjeta indica disponibilidad a través de Hugging Face, el playground de Liquid y la API de Liquid, y los pesos son abiertos, pero «pesos abiertos» y «verificado de forma independiente» son afirmaciones diferentes.

También hay una brecha entre el agregado y la historia de despliegue. Un promedio de 62 benchmarks es un buen instrumento para clasificar modelos y uno pobre para predecir su carga de trabajo. Las categorías en las que LFM3-VL-2B es más fuerte —comprensión de GUI, anclaje visual, lectura de documentos y gráficos— son exactamente aquellas en las que la elección de instancias de benchmark por parte de un proveedor puede mover una puntuación varios puntos. Las categorías en las que es más débil, el trabajo agéntico con 42.5, son las que más probabilmente importen para el caso de uso de robótica que publicita la ficha.

Dónde encaja esto si estás construyendo algo

LFM3-VL-2B no está en el catálogo de OrcaRouter en el momento de escribir esto: es un checkpoint que descargas y ejecutas tú mismo, no algo que se invoque en nuestra API. Eso define el patrón útil en lugar de descartarlo. Los modelos con los que esta versión compite en coste —modelos de visión alojados que gestionan la cola larga de documentos y vídeo— son los que enrutarías, y situar el checkpoint local y el respaldo alojado a ambos lados de una misma decisión de enrutamiento es la arquitectura que los números realmente defienden. Ejecutar un modelo de 1,92B en el dispositivo y escalar los fotogramas difíciles a un modelo alojado más grande es el despliegue que hace aceptable la cifra de 62,1, porque los casos en los que falla son los casos que salen del dispositivo.

Para los modelos que sí enrutamos, un endpoint significa una clave, sin un segundo contrato, y con conmutación por error automática entre proveedores cuando el principal está degradado. Esa es la mitad del sistema que necesita un enrutador; la mitad que se ejecuta en el dispositivo necesita una buena cuantización y un presupuesto de batería.

¿Qué cambiaría esta imagen?

Tres cosas, en orden de la importancia que tendrían. Una reproducción independiente de la tabla de los 62 benchmarks o bien confirmaría la afirmación más interesante del lanzamiento, o bien la cambiaría. Una compilación integrada de llama.cpp con soporte de vídeo convertiría la propuesta de ejecución en el dispositivo de un plan en un producto. Y un precio publicado de la API permitiría a cualquiera compararlo en el eje que decide la mayoría de los despliegues, que ahora mismo es una celda en blanco.

Hasta entonces, la lectura defendible es limitada y útil: Liquid lanzó un modelo de visión de 1.92B que supera al modelo de 3.1B al que reemplaza en la suite del propio proveedor, gana esa comparación de forma decisiva cuando el razonamiento está habilitado y por un margen estrecho cuando no lo está, y lidera su categoría de tamaño en pantallas y documentos. El repositorio fue público ocho días antes del anuncio, lo cual es un hecho sobre el proceso de lanzamiento de Liquid y no sobre el modelo —pero es la razón por la que la primera cobertura de LFM3-VL-2B fue especulación y no una reseña.