Liquid AI presentó LFM2.5-24B-A2B, un modelo de lenguaje de código abierto que promete resolver el dilema entre capacidad y costo en los agentes de inteligencia artificial. Con 24 mil millones de parámetros almacenados pero solo 2 mil millones activados por token, este modelo busca ofrecer el conocimiento de uno grande con el gasto computacional de uno pequeño. La noticia es relevante para desarrolladores y empresas de México y Latinoamérica que buscan implementar asistentes autónomos sin depender de costosas API en la nube.
¿Qué es LFM2.5-24B-A2B y por qué importa?
El modelo utiliza una arquitectura de mezcla de expertos (Mixture-of-Experts, MoE), que mantiene una biblioteca de subredes especializadas y enruta cada token a solo unas pocas de ellas. Así, se obtiene gran parte del conocimiento de un modelo grande con un costo de ejecución similar al de uno pequeño. Además, está diseñado como un modelo de razonamiento: piensa antes de actuar, lo cual es crucial para tareas de agente prolongadas donde un plan, una llamada a herramienta, una verificación de resultados y un plan revisado deben mantenerse coherentes.
El soporte desde el primer día incluye llama.cpp, MLX, vLLM, SGLang y ONNX, lo que facilita probarlo localmente en lugar de depender exclusivamente de una API. Esto es especialmente atractivo para quienes trabajan con datos privados o necesitan un asistente siempre activo sin pagar una factura recurrente.
Rendimiento y benchmarks: ¿qué dicen los números?
En las pruebas internas de Liquid AI, el modelo lidera en uso de herramientas y seguimiento de instrucciones. Los resultados en AutomationBench y LiveClaw son llamativos, y IFEval e IFBench apuntan en la misma dirección. Sin embargo, es importante tratar estas cifras como afirmaciones del fabricante, no como prueba independiente. En pruebas de conocimiento intensivo y codificación, los rivales más grandes aún llevan la delantera. Esa división es útil: este es un modelo para hacer cosas, no necesariamente para responder preguntas de examen de memoria.
Si estás construyendo un agente local, trabajando con datos privados o pagando una factura recurrente por un asistente siempre activo, vale la pena probarlo. Un modelo capaz que se ejecuta en tu propio hardware cambia la economía de los agentes que vigilan, verifican y actúan todo el día. Si solo necesitas la respuesta más inteligente a una pregunta, un modelo frontier en la nube sigue siendo la opción más simple. Y en una laptop modesta, revisa primero la memoria: el modelo completo funciona mejor en máquinas de gama alta, aunque el costo por token sea bajo.
Implicaciones para Latinoamérica
Para la región, este tipo de modelos representa una oportunidad para democratizar el acceso a la inteligencia artificial avanzada. Al poder ejecutarse localmente, se reduce la dependencia de servicios en la nube extranjeros y se facilita el cumplimiento de normativas de protección de datos. Además, permite a startups y desarrolladores con presupuestos limitados experimentar con agentes inteligentes sin incurrir en altos costos de API.
Liquid AI no es la única empresa trabajando en modelos eficientes, pero su enfoque en agentes y su soporte multiplataforma lo posicionan como un actor a seguir. La comunidad de código abierto ya puede descargar el modelo y probarlo en sus propios equipos.
Conclusión
LFM2.5-24B-A2B es un paso interesante hacia agentes de IA más accesibles y económicos. Aunque sus benchmarks deben tomarse con cautela, la posibilidad de ejecutar un modelo de 24B en hardware local con un costo por token bajo es un avance significativo. Para quienes desarrollan en México y Latinoamérica, representa una alternativa viable para integrar inteligencia artificial en productos y servicios sin depender de infraestructura costosa.