LiquidAI lanza checkpoints Q4_0 para LFM2.5
Los archivos GGUF usan destilación consciente de la cuantización para reducir la pérdida de calidad en los modelos LFM2.5 de 4 bits.
Por qué importa
El lanzamiento apunta al despliegue en dispositivos edge, donde los modelos de 4 bits pueden reducir el uso de memoria y mejorar el rendimiento, pero a menudo pierden precisión. Mejores checkpoints cuantizados podrían hacer que los modelos locales pequeños sean más prácticos para razonamiento, seguimiento de instrucciones, uso de herramientas y tareas agénticas.
Puntos clave
- 1.Cuatro checkpoints GGUF LFM2.5 QAD Q4_0 están disponibles en Hugging Face.
- 2.LiquidAI informa una retención de referencia BF16 de alrededor del 96,5% al 97,4%.
- 3.Los archivos están orientados a entornos de inferencia locales y edge compatibles con GGUF.
LiquidAI lanzó checkpoints GGUF Q4_0 actualizados para LFM2.5-230M, LFM2.5-350M, LFM2.5-1.2B-Instruct y LFM2.5-2.6B en Hugging Face. La compañía afirma que los archivos se entrenaron con destilación consciente de la cuantización y conservan la huella de memoria y el rendimiento de los GGUF Q4_0 nativos. En su conjunto de benchmarks, LiquidAI informó que los checkpoints conservaron aproximadamente entre el 96,5% y el 97,4% del rendimiento de referencia BF16 correspondiente.
⚡ Pruébalo hoy
Prueba los GGUF QAD Q4_0 en llama.cpp u otro entorno de ejecución compatible con GGUF si despliegas LFM2.5 en hardware edge.
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.