Liquid AI desafía la carrera del tamaño: la arquitectura híbrida LFM2 busca cambiar las reglas

Durante los últimos años, la industria de los grandes modelos de lenguaje ha seguido un principio simple: más parámetros, mejores resultados. OpenAI ampliaba GPT, Google engordaba Gemini, Meta agrandaba Llama*. Pero en 2026 este enfoque choca cada vez más con límites físicos: el consumo energético de los centros de datos, el coste de la memoria, la velocidad de inferencia. La startup bostoniana Liquid AI cree haber encontrado una salida al callejón, y su nuevo modelo LFM2-24B-A2B no es, según ella, un lanzamiento más, sino una apuesta por una revolución arquitectónica.

Liquid AI nació de la investigación del MIT sobre las llamadas «redes neuronales líquidas» (liquid neural networks), inspiradas en los sistemas nerviosos biológicos. A diferencia de los transformadores clásicos, donde cada capa realiza una operación fija, las redes líquidas pueden adaptar su cómputo según los datos de entrada. Es un enfoque fundamentalmente distinto del procesamiento de información, y el equipo lo desarrolla de forma constante desde hace varios años. LFM2-24B-A2B es la culminación de ese trabajo: un modelo de 24.000 millones de parámetros basado en una arquitectura híbrida que combina el mecanismo clásico de atención (attention) con operaciones de convolución (convolutions).

Para entender por qué importa, hay que explicar el problema. Los transformadores estándar, base de GPT, Claude y otros modelos, usan un mecanismo de autoatención que permite a cada token «mirar» a todos los demás tokens del contexto. Es una herramienta potente, pero su complejidad computacional crece de forma cuadrática con la longitud del contexto. Si se duplica la ventana de contexto, el coste de cómputo se cuadruplica. Por eso trabajar con documentos largos sigue siendo una de las tareas que más recursos consumen en los LLM actuales. Las capas convolucionales, en cambio, procesan la información de forma local y escalan linealmente, pero históricamente se han considerado menos expresivas para el lenguaje.

El enfoque híbrido de Liquid AI intenta quedarse con lo mejor de ambos mundos. Los componentes convolucionales se encargan de los patrones locales: estructuras sintácticas, dependencias cortas, plantillas repetitivas. El mecanismo de atención entra donde hay que captar relaciones de largo alcance en el texto: referencias a entidades mencionadas antes, cadenas lógicas, razonamientos complejos. La denominación «A2B» en el nombre del modelo apunta a una configuración concreta de este equilibrio entre bloques de attention y de convolution. En esencia, el modelo decide por sí mismo qué tipo de procesamiento aplicar a cada fragmento de datos, lo que hace el cómputo notablemente más eficiente.

Veinticuatro mil millones de parámetros es una cifra relativamente modesta para los estándares de 2026, cuando los modelos insignia manejan cientos de miles de millones e incluso billones de parámetros. Pero ahí radica la tesis central de Liquid AI: la eficiencia arquitectónica importa más que la fuerza bruta. Si un modelo de 24.000 millones de parámetros puede competir con modelos varias veces mayores con un coste de inferencia mucho menor, cambia la economía de todo el sector. Menos GPU para atender peticiones significa un coste de API más bajo. Menor consumo energético facilita desplegar el modelo en dispositivos periféricos. Una inferencia más rápida supone una mejor experiencia de usuario.

Para la industria en general, el lanzamiento de LFM2-24B-A2B encaja en una tendencia más amplia. Cada vez más grupos de investigación y empresas concluyen que la era del «escalado a lo bruto» está terminando. Mamba y otras arquitecturas basadas en espacios de estados, los trabajos sobre modelos dispersos con Mixture of Experts, la cuantización y la destilación son intentos de extraer más inteligencia con menos cómputo. Liquid AI sigue su propio camino, y su enfoque híbrido parece una de las soluciones más elegantes al problema.

Aun así, conviene mantener un escepticismo sano. Los benchmarks completos de LFM2-24B-A2B aún deben analizarse y reproducirse de forma independiente. Las innovaciones arquitectónicas suelen lucir en el papel, pero se topan con problemas inesperados al escalar en producción, desde la complejidad del entrenamiento hasta la compatibilidad con la infraestructura de optimización existente. El ecosistema de herramientas en torno a los transformadores se ha construido durante años, y cualquier arquitectura alternativa tendrá que demostrar su viabilidad más allá del laboratorio.

Aun así, la dirección que marca Liquid AI parece inevitable. La industria de la inteligencia artificial ha llegado a un punto en que aumentar los parámetros da rendimientos decrecientes, mientras que las exigencias de eficiencia energética y velocidad no dejan de crecer. Las empresas que encuentren la manera de hacer más con menos recursos definirán el siguiente capítulo de la IA. Y las arquitecturas híbridas como LFM2 bien podrían ser la clave de ese futuro.

*Meta ha sido declarada organización extremista y está prohibida en Rusia.