Liquid AI lanzó LFM2.5-350M: modelo eficiente de 350M parámetros con RL escalado

El 31 de marzo de 2026, Liquid AI lanzó LFM2.5-350M — un modelo compacto de lenguaje con 350 millones de parámetros, entrenado adicionalmente en un corpus de datos expandido y un gran volumen de aprendizaje por refuerzo. Según reportó MarkTechPost, el lanzamiento desafía la regla establecida en la IA generativa sobre las leyes de escalado — la noción de que más parámetros casi siempre significa más "inteligencia" en un modelo.

Por qué desafiar las leyes de escalado

Durante los últimos años, la industria de modelos de lenguaje grande se ha desarrollado principalmente bajo un escenario: para obtener un modelo más capaz, necesitas aumentar el número de parámetros, el volumen de datos de entrenamiento y recursos computacionales. Esta lógica — las llamadas leyes de escalado — se convirtió en la base de una carrera entre los principales laboratorios para crear modelos insignia cada vez más grandes. El problema es que los modelos con cientos de miles de millones de parámetros son caros de entrenar y operar: son difíciles de ejecutar localmente, en dispositivos con recursos limitados, o donde la baja latencia de respuesta es importante.

Liquid AI posiciona a LFM2.5-350M no como un intento de competir con modelos insignia en tamaño absoluto, sino como un caso de estudio técnico sobre "densidad de inteligencia" — es decir, cuántas capacidades útiles se pueden empacar en un modelo de tamaño de parámetro fijo y relativamente pequeño si la inversión va no al escalado sino a la calidad y volumen del entrenamiento posterior.

Qué cambió en el entrenamiento del modelo

Los principales mecanismos técnicos por los que Liquid AI logra mayores 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 ha crecido casi tres veces: de 10 billones a 28 billones de tokens. Tal aumento en el corpus de entrenamiento con tamaño de modelo sin cambios es una apuesta directa de que un modelo de capacidad fija puede ser "reentrenado" más densamente, extrayendo de un volumen de texto más grande más patrones útiles que era posible anteriormente con menos datos.

Parámetros clave de la versión:

• Nombre del modelo — LFM2.5-350M
• Tamaño — 350 millones de parámetros
• Volumen de datos de preentrenamiento — aumentó de 10 billones a 28 billones de tokens
• Etapa adicional — aprendizaje por refuerzo a gran escala
• Posicionamiento — un caso de estudio técnico sobre "densidad de inteligencia" en lugar de un intento de establecer un récord de tamaño

El nombre del modelo en sí — LFM2.5-350M — fija inmediatamente su característica clave: 350 millones de parámetros son varios órdenes de magnitud más pequeños que los modelos insignia modernos con decenas y cientos de miles de millones de parámetros. Este contraste es precisamente lo que hace que el lanzamiento sea técnicamente interesante: Liquid AI no está tratando de ocultar el tamaño modesto del modelo, sino que lo pone en primer plano en el nombre como punto de partida para el experimento — cuántas capacidades se pueden extraer de un número fijo pequeño de parámetros a través de entrenamiento más prolongado y de mayor calidad.

El segundo mecanismo es el aprendizaje por refuerzo a gran escala aplicado sobre el preentrenamiento expandido. Si el preentrenamiento satura principalmente un modelo con amplio conocimiento del idioma y el mundo, la fase de RL se utiliza típicamente para dirigir el comportamiento del modelo hacia respuestas más útiles, precisas y manejables — esta fase en los últimos años se ha convertido en la forma clave de mejorar la calidad del modelo sin aumentar su tamaño.

Por qué los modelos compactos vuelven al foco

El lanzamiento de LFM2.5-350M se ajusta a una tendencia más amplia de 2026: junto a la carrera por los modelos insignia más grandes, hay una carrera separada por modelos compactos máximamente capaces que pueden ejecutarse en teléfonos, portátiles, dispositivos incorporados y en entornos con recursos computacionales limitados — sin llamar APIs en la nube. Para los desarrolladores, esto significa menores costos de inferencia, operación sin conexión y menor latencia de respuesta, lo que es crítico para 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 realmente demuestra capacidades previamente disponibles solo para modelos mucho más grandes — esto se convertirá en un argumento de que el progreso futuro en la IA no necesariamente requiere crecimiento infinito en el número de parámetros sino que puede lograrse a través de entrenamiento de mayor calidad y más prolongado de arquitecturas existentes.