Liquid AI lanza LFM2.5-350M: un modelo de 350M de parámetros entrenado con aprendizaje por refuerzo a gran escala

El 31 de marzo de 2026, Liquid AI lanzó LFM2.5-350M, un modelo de lenguaje compacto de 350 millones de parámetros, entrenado adicionalmente con un corpus de datos ampliado y un gran volumen de aprendizaje por refuerzo (reinforcement learning, RL). Según informó MarkTechPost, el lanzamiento desafía una regla asentada en la IA generativa, las scaling laws: la idea de que más parámetros casi siempre equivalen a más «inteligencia» del modelo.

Por qué desafiar las scaling laws

Durante los últimos años, la industria de los grandes modelos de lenguaje ha seguido en su mayor parte el mismo guion: para obtener un modelo más capaz, hay que aumentar el número de parámetros, el volumen de datos de entrenamiento y los recursos de cómputo. Esta lógica, conocida como scaling laws, sustentó la carrera de los principales laboratorios por crear modelos insignia cada vez mayores. El problema es que los modelos con cientos de miles de millones de parámetros son caros de entrenar y de operar: resulta difícil ejecutarlos en local, en dispositivos con recursos limitados o donde importa una latencia baja.

Liquid AI presenta LFM2.5-350M no como un intento de competir con los modelos insignia en tamaño absoluto, sino como un caso de estudio técnico sobre la «densidad de inteligencia» (intelligence density): cuántas capacidades útiles se pueden concentrar en un modelo de tamaño fijo y relativamente pequeño si la inversión se dirige a la calidad y el volumen del entrenamiento posterior, y no a la escala.

Qué cambió en el entrenamiento del modelo

Las principales palancas técnicas con las que Liquid AI mejora las capacidades del modelo sin aumentar el número de parámetros son el preentrenamiento adicional y el aprendizaje por refuerzo a gran escala. El volumen de datos de preentrenamiento casi se triplicó: de 10 billones a 28 billones de tokens. Ampliar el corpus de entrenamiento con el tamaño del modelo sin cambios es una apuesta directa por que un modelo de capacidad fija puede entrenarse de forma más densa, extrayendo de un mayor volumen de texto más patrones útiles de los que se lograban antes con menos datos.

Claves del lanzamiento:

• Nombre del modelo: LFM2.5-350M
• Tamaño: 350 millones de parámetros
• Datos de preentrenamiento: de 10 billones a 28 billones de tokens
• Etapa adicional: aprendizaje por refuerzo a gran escala (large-scale reinforcement learning)
• Posicionamiento: caso de estudio técnico sobre la «densidad de inteligencia», no un intento de batir un récord de tamaño

El propio nombre, LFM2.5-350M, fija desde el principio su rasgo clave: 350 millones de parámetros son varios órdenes de magnitud menos que en los modelos insignia actuales, que cuentan con decenas o cientos de miles de millones. Ese contraste es lo que hace interesante el lanzamiento desde el punto de vista técnico.

Liquid AI no intenta ocultar el tamaño modesto del modelo; al contrario, lo pone en el nombre como punto de partida del experimento: cuántas capacidades se pueden extraer de un número fijo y pequeño de parámetros con un entrenamiento más largo y de mayor calidad. La segunda palanca es el aprendizaje por refuerzo a gran escala, aplicado sobre el preentrenamiento ampliado. Si el preentrenamiento sirve sobre todo para dotar al modelo de un amplio conocimiento del lenguaje y del mundo, la fase de RL suele emplearse para orientar su comportamiento hacia respuestas más útiles, precisas y controlables.

En los últimos años, esta fase se ha convertido en la vía principal para mejorar la calidad de los modelos sin aumentar su tamaño.

Por qué los modelos compactos vuelven al centro de atención

El lanzamiento de LFM2.5-350M encaja en una tendencia más amplia de 2026: en paralelo a la carrera por los modelos insignia más grandes, hay otra carrera por los modelos compactos más capaces, que puedan ejecutarse en teléfonos, portátiles, dispositivos embebidos y entornos con recursos de cómputo limitados, sin recurrir a una API en la nube. Para los desarrolladores, esto supone menor coste de inferencia, funcionamiento sin conexión y menor latencia, algo crítico en aplicaciones en tiempo real.

Si el enfoque de Liquid AI se confirma en la práctica, es decir, si un modelo de 350 millones de parámetros demuestra de verdad capacidades antes reservadas a modelos mucho más grandes, reforzará el argumento de que el progreso de la IA no requiere necesariamente un crecimiento infinito del número de parámetros y puede lograrse con un entrenamiento mejor y más prolongado de las arquitecturas existentes.