Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Inteligencia artificial · liquid.ai
Presentamos LFM3: todas las modalidades para la inteligencia especializada
Liquid AI lanza LFM3, nueva generación de sus Liquid Foundation Models: una familia multimodal de unos 2.000 millones de parámetros, con pesos abiertos, pensada para ejecutarse en cualquier dispositivo y ajustarse en local a tareas concretas. La primera entrega incluye seis modelos sobre un mismo backbone.
Foto: vía liquid.ai
1 medio · MadridPublicada 27 oct, 19:05Actualizada 27 oct, 21:55· Ya no está en portadaEscrita por IA · cómo funciona
LFM3 reúne texto, visión, audio, omni y modelos de decisión sobre un único backbone nuevo. La primera entrega incluye seis modelos, todos derivados de LFM3-1.7B-Base y de en torno a 2B parámetros: cuatro por modalidad de entrada (texto, visión, audio y omni) y dos modelos de decisión especializados a partir de los de visión y omni. Los pesos, tanto base como postentrenados, están en Hugging Face, en el Playground y en la API de Liquid AI.
La arquitectura es un híbrido que sigue la línea de LFM2 y se diseñó con una búsqueda automática con el hardware en el bucle, ahora sobre 14 combinaciones de dispositivo y backend: móviles (Samsung Galaxy S26 Ultra, OnePlus 15), Raspberry Pi 5, portátiles (Apple M4 Max, AMD Ryzen AI), CPU de nube Arm y x86, GPU y la NPU Hexagon de Qualcomm. De las 24 capas, 13 son convoluciones cortas con puertas (kernel de 7, frente a 3 en LFM2), 5 son de atención de ventana deslizante (256 tokens) y 6 de atención global. Añade atención con puertas por cabeza, RoPE parcial y normalización «sandwich». Según Liquid AI, LFM3-1.7B iguala a LFM2-1.2B por parámetro con prompts cortos y es un 25 % más rápido con 8K tokens de contexto. Usa el mismo vocabulario de 128K que LFM2.5-8B-A1B.
LFM3-1.7B-Base se preentrenó con 22T tokens, con más artículos científicos, código a nivel de repositorio y matemáticas que LFM2. Los últimos 3,5T tokens son una fase de mid-training con datos más curados, más trazas agénticas y llamadas a herramientas, y amplía el contexto a 256K tokens. El postentrenamiento del modelo de texto pasa por cuatro fases: SFT con 1,75T tokens, aprendizaje por refuerzo mixto con penalización por longitud, destilación on-policy multidominio (MOPD) con seis profesores especialistas de RL y una fase posterior que el texto disponible no detalla.
El modelo de texto, LFM3-1.7B, está pensado para agentes locales y se postentrena para arneses como Hermes Agent, Pi y OpenClaw: clasificar el correo, gestionar el calendario, investigar en la web o buscar la herramienta adecuada entre miles. En los benchmarks de la compañía iguala o supera a modelos mayores en agentes, uso de herramientas y seguimiento de instrucciones: lidera en BFCL y ToolSandbox y supera a Qwen3.5-9B en WebArena-Verified y AutomationBench. Los modelos más grandes siguen ganando en programación agéntica y conocimiento. AMD, Ambarella y Qualcomm respaldan el lanzamiento con citas en el anuncio.
«Introducing LFM3: Every Modality for Specialized Intelligence» · puesto 30 · 143 puntos · enviado por Philpax
Lo que dicen los comentarios
Los comentarios son pocos y sobre todo de usuarios que ya emplean modelos LFM anteriores para tareas locales: anotar correos y mensajes, o hacer de asistente doméstico. Hay ganas de probar LFM3, aunque también un primer problema práctico con los formatos MLX, que un miembro del equipo resuelve señalando exportaciones nativas. Un usuario pide que le expliquen en pocas palabras por qué debería importarle, otro detecta en la traza de razonamiento una insistencia en usar herramientas, y uno valora que el modelo iguala a Qwen3.5 en varias métricas pese a su tamaño.
Uso LFM 2.6 para anotar correos, mensajes y otros metadatos en una RTX A4500, como triaje antes de pasar lo dudoso a un modelo mayor. Tengo ganas de sustituirlo por LFM 3, que parece un gran salto.
En la traza de razonamiento veo «las instrucciones dicen que debo usar las herramientas disponibles», con la pregunta «¿qué animal pone el huevo más grande?» y sin system prompt. Supongo que viene de mucho RL con herramientas.
Uso el 2.6B como modelo principal de mi asistente doméstico y va bien. Me pasé a Ling 3.0 Tiny por ser más rápido, y espero que el 1.7B baste para ejecutarlo todo en una sola máquina.
En programación agéntica está a la par de Qwen3.5-4B y en el resto de Qwen3.5-9B. Muy impresionante para un modelo de 1,7B. Liquid cuida la velocidad, y el texto hace pensar lo mismo aquí.
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.