En resumen
- LFM2.5-24B-A2B tiene 24.000 millones de parámetros totales y 2.000 millones activos por token.
- La ventana de contexto del modelo es de 131.000 tokens; la versión anterior tenía 32.000.
- Liquid AI afirma que el modelo genera 184 tokens por segundo en un Apple M5 Max.
- El modelo y su versión base están disponibles con pesos abiertos en Hugging Face.
Liquid AI presentó el modelo de razonamiento LFM2.5-24B-A2B en un anuncio publicado en Hugging Face el 13 de octubre de 2026. La empresa lo orienta a agentes capaces de ejecutarse en el dispositivo, invocar herramientas y realizar tareas de varios pasos. El modelo tiene 24.000 millones de parámetros en total; se activan 2.000 millones al procesar cada token.
Más contexto y énfasis en el razonamiento
LFM2.5-24B-A2B conserva la arquitectura del modelo anterior, LFM2-24B-A2B. Según Liquid AI, la estructura utiliza 40 capas, 64 expertos en cada bloque MoE y enrutamiento top-4. El modelo se desarrolló como una versión que sigue un proceso explícito de razonamiento antes de responder.
La ventana de contexto pasó de 32.000 tokens en la versión anterior a 131.000. El vocabulario también aumentó de 65.000 a 128.000 tokens; la empresa señala que el objetivo es mejorar el uso de tokens en idiomas que no emplean el alfabeto latino. El preentrenamiento se amplió de unos 17 billones de tokens a unos 33 billones. La empresa también describe etapas adicionales de entrenamiento centradas en contexto largo, razonamiento, matemáticas, código y textos multilingües.
El uso de herramientas destaca en las evaluaciones comparativas
Liquid AI informa que comparó el modelo en 16 evaluaciones con Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it y Nemotron-3.5-Lightning. En los resultados de la empresa, LFM2.5-24B-A2B obtuvo 27,69 en AutomationBench, 65,01 en BFCLv4, 80,71 en ToolSandbox y 48,09 en LiveClaw. En esta última evaluación, Qwen3.6-35B-A3B obtuvo 38,19.
Según el anuncio, el modelo igualó o superó a sus competidores en cinco de las ocho pruebas de uso de herramientas y flujos de trabajo con agentes; además, destacó en las tres evaluaciones de seguimiento de instrucciones. Sin embargo, la empresa señala que los modelos más grandes mantienen su ventaja en pruebas con gran carga de conocimiento, como GPQA Diamond, y de programación, como SWE-Bench Verified. Por eso, Liquid AI recomienda combinarlo con sistemas de búsqueda o recuperación de información para tareas que exigen muchos conocimientos. Estos resultados corresponden a las evaluaciones de la propia empresa; la fuente indica que todos los modelos se probaron con vLLM.
Ejecución local y resultados de hardware
El modelo es compatible con llama.cpp, MLX, vLLM, SGLang y ONNX. Según las mediciones de Liquid AI, genera 184 tokens por segundo en un Apple M5 Max y 114 tokens por segundo en un Ryzen AI Max+ 395. La empresa también informa de más de 21.000 tokens de salida por segundo con alta concurrencia en una sola GPU NVIDIA B300. Son cifras comunicadas por el fabricante; no se garantiza la misma velocidad con otro hardware o configuración.
El modelo y la versión LFM2.5-24B-A2B-Base están disponibles con pesos abiertos en Hugging Face. El anuncio no incluye información sobre precios. También indica que se puede configurar un backend compatible con OpenAI en un servidor local y conectarlo a sistemas de agentes compatibles. En el ejemplo de configuración, la longitud de contexto se fija en 131.072; el puerto depende del software de servidor utilizado.
Implicaciones para los flujos de trabajo de arquitectura y visualización
Para los estudios de arquitectura, los diseñadores de interiores y los equipos de visualización, lo más interesante del modelo es la posibilidad de ejecutar en su propio hardware un agente capaz de invocar herramientas. Esta función puede ser útil para los equipos que quieran probar agentes locales en tareas repetitivas de texto y procesamiento de información; sin embargo, el anuncio no afirma que el modelo se integre directamente con programas específicos de CAD, BIM o visualización. Por tanto, sus posibles usos deben considerarse dentro de los límites de la infraestructura de agentes compatible y las conexiones con herramientas que se configuren.
Antes de decidir si se utilizará localmente, conviene comprobar el rendimiento del hardware, la compatibilidad de la instalación y las condiciones de uso de los pesos abiertos. El anuncio ofrece resultados de velocidad en distintos procesadores y GPU, pero no especifica la cantidad de memoria necesaria ni el costo del hardware en Turquía. Por eso, es importante que los equipos hagan pruebas con sus propias tareas y comparen los resultados con los flujos de trabajo actuales.
Fuentes
1 fuenteNo republicamos los textos de las fuentes; las citas breves van marcadas y el resto es resumen y comentario propios.
El principal valor de LFM2.5-24B-A2B para los equipos de arquitectura es que permite probar flujos de trabajo con agentes en hardware local. Sus resultados en el uso de herramientas y el seguimiento de instrucciones son prometedores, pero corresponden a las evaluaciones de Liquid AI; también deben probarse con tareas reales de oficina. El anuncio no menciona integraciones listas para usar con software CAD o BIM.
El hardware y las condiciones de licencia deben ser factores centrales en la decisión. Como no se especifican el precio ni la cantidad de memoria necesaria, no hay datos suficientes para calcular la inversión. Que los pesos sean abiertos no aclara por sí solo todos los términos de uso; los equipos deben revisar la licencia y la compatibilidad del software de inferencia que vayan a utilizar.
Preguntas frecuentes
¿Cuántos parámetros tiene LFM2.5-24B-A2B?
El modelo tiene 24.000 millones de parámetros en total y activa 2.000 millones al procesar cada token.
¿Se puede ejecutar LFM2.5-24B-A2B localmente?
Sí. Liquid AI indica que el modelo es compatible con llama.cpp, MLX, vLLM, SGLang y ONNX.
¿LFM2.5-24B-A2B es gratis?
El anuncio no especifica el precio. El modelo está disponible con pesos abiertos; consulta por separado la licencia correspondiente para conocer las condiciones de uso.
