.jpg)
El lanzamiento del modelo LFM2.5-230M por parte de Liquid AI marca un hito en la inferencia de inteligencia artificial en dispositivos de borde. Con solo 230 millones de parámetros, este modelo compacto está diseñado para ejecutar tareas de extracción de datos y uso de herramientas en hardware limitado, como teléfonos móviles, robots o sistemas de automatización. Su arquitectura híbrida, que combina bloques LIV de doble puerta con atención de consulta agrupada, permite una inferencia rápida incluso en CPUs convencionales, alcanzando 213 tokens por segundo en un Galaxy S25 Ultra y 42 en una Raspberry Pi 5. Este enfoque deliberadamente especializado lo convierte en una alternativa eficiente para empresas que buscan desplegar agentes IA sin depender de conexiones cloud constantes.
La compañía ha publicado tanto el checkpoint base como la versión instruccional con pesos abiertos en Hugging Face, bajo la licencia lfm1.0. El modelo ha sido entrenado en 19 billones de tokens y refinado mediante destilación desde su hermano mayor LFM2.5-350M, optimización por preferencias y aprendizaje por refuerzo en múltiples dominios. Los resultados en benchmarks como IFEval (71,71) y CaseReportBench (22,51) superan a modelos más grandes como Qwen3.5-0.8B y Gemma 3 1B, demostrando su fortaleza en seguimiento de instrucciones y extracción de información clínica. Sin embargo, no está recomendado para tareas de razonamiento complejo, como matemáticas avanzadas o generación de código, un detalle crucial para empresas que evalúan ia para empresas con requisitos específicos.
Para las organizaciones que buscan integrar esta tecnología en sus flujos de trabajo, es fundamental contar con un socio que entienda tanto la infraestructura como el desarrollo de software. Aquí es donde Q2BSTUDIO aporta valor: como empresa de desarrollo de software y tecnología, ofrecemos aplicaciones a medida que pueden incorporar modelos como LFM2.5-230M en entornos productivos. Por ejemplo, para una pipeline de extracción de datos a gran escala —como procesar 100.000 informes clínicos en campos estructurados— el modelo ocupa solo 293–375 MB en cuantización de 4 bits, permitiendo ejecutarse en CPUs commodity sin costes recurrentes por API. Nuestro equipo puede diseñar esa solución desde cero, implementando además servicios cloud aws y azure para escalar los resultados o sincronizarlos con sistemas centralizados.
El modelo también destaca en cargas de trabajo de agente ligero en el dispositivo. Un asistente de voz para un hogar inteligente o un robot humanoide que selecciona habilidades a partir de instrucciones naturales son casos de uso reales; de hecho, Liquid AI lo probó en un robot Unitree G1 sobre NVIDIA Jetson Orin. Para empresas que deseen construir sus propios agentes IA con capacidades similares, Q2BSTUDIO puede desarrollar el software a medida que orqueste la interacción entre el modelo, las herramientas y los sensores. Además, si la solución requiere conectividad segura, ofrecemos ciberseguridad para proteger los datos durante la inferencia local y la transmisión.
La integración del modelo es sencilla gracias al soporte nativo en frameworks como llama.cpp, MLX, vLLM, SGLang y ONNX, así como en Transformers 5.0.0. Q2BSTUDIO puede asistir en la puesta en producción, optimizando el despliegue con servicios inteligencia de negocio como power bi para visualizar las métricas de rendimiento y los resultados de las extracciones. También ofrecemos consultoría en inteligencia artificial para seleccionar el modelo adecuado y ajustar los hiperparámetros (por ejemplo, temperatura 0.1, top_k 50, penalización de repetición 1.05) que maximicen la precisión sin sacrificar velocidad. Todo ello se alinea con nuestra filosofía de proporcionar soluciones tecnológicas que realmente resuelvan problemas empresariales, ya sea mediante ia para empresas o la creación de aplicaciones a medida que integren lo último en inferencia en el borde.
En definitiva, el LFM2.5-230M representa una opción sólida para organizaciones que necesitan ejecutar funciones de herramienta y extracción de datos en dispositivos con recursos limitados, sin renunciar a la precisión. La clave está en saber combinarlo con la infraestructura y el desarrollo adecuados, un área donde Q2BSTUDIO puede marcar la diferencia.
