Liquid AI lanza LFM2.5-2.6B para agentes locales
El modelo de 2.600 millones de parámetros apunta al uso de herramientas en el dispositivo, flujos de trabajo e inferencia local privada.
Por qué importa
El lanzamiento refleja la presión continua por trasladar las cargas de trabajo agénticas desde las API en la nube al hardware local, con el fin de mejorar la privacidad, la latencia y el control de costos. Su rendimiento declarado en uso de herramientas y seguimiento de instrucciones podría hacer que los modelos locales pequeños sean más prácticos para despliegues de agentes en el edge.
Puntos clave
- 1.Liquid AI lanzó LFM2.5-2.6B y un modelo base en Hugging Face.
- 2.El modelo está orientado a agentes en el dispositivo con llamadas a herramientas y flujos de trabajo de varios pasos.
- 3.Es compatible con llama.cpp, MLX, vLLM, SGLang y ONNX.
Liquid AI publicó LFM2.5-2.6B en Hugging Face y lo presenta como un modelo pequeño para ejecutar agentes íntegramente en el dispositivo. El modelo admite llamadas a herramientas y flujos de trabajo de varios pasos, cuenta con una ventana de contexto de 128K y está disponible junto con una versión base. Liquid AI afirma que es compatible con llama.cpp, MLX, vLLM, SGLang y ONNX, y que también hay una demo WebGPU para navegador.
⚡ Pruébalo hoy
Prueba LFM2.5-2.6B en tu entorno local de agentes antes de recurrir a un modelo en la nube más grande para flujos de trabajo intensivos en herramientas.
Fuentes y cobertura original
Este resumen sintetiza y enlaza la cobertura de los medios siguientes.
¿Te gustó este resumen? Recibe el próximo en tu correo.
Más en Modelos
Los benchmarks de GLM-5.3 generan debate entre desarrolladores
Los benchmarks de Artificial Analysis para GLM-5.3 circularon en Hacker News y r/LocalLLaMA.
Qwen3.8 27B obtiene 52 puntos en Artificial Analysis
Usuarios de Reddit y Hacker News señalaron el desempeño del modelo en Artificial Analysis y su posición en el ranking agéntico.
Your AI Slop Bores Me permite a los humanos jugar a ser chatbots
El juego web hace que los usuarios respondan prompts manualmente, ganando créditos al ponerse del lado de la IA.