Liquid AI lança o LFM2.5-350M: modelo de 350M de parâmetros treinado com RL em larga escala

Em 31 de março de 2026, a Liquid AI lançou o LFM2.5-350M, um modelo de linguagem compacto de 350 milhões de parâmetros, treinado adicionalmente com um corpus de dados ampliado e um grande volume de aprendizado por reforço (reinforcement learning, RL). Segundo o MarkTechPost, o lançamento desafia uma regra consolidada na IA generativa, as scaling laws: a ideia de que mais parâmetros quase sempre significam mais "inteligência" do modelo.

Por que desafiar as scaling laws

Nos últimos anos, a indústria de grandes modelos de linguagem seguiu, em geral, o mesmo roteiro: para obter um modelo mais capaz, é preciso aumentar o número de parâmetros, o volume de dados de treinamento e os recursos computacionais. Essa lógica, conhecida como scaling laws, sustentou a corrida dos principais laboratórios por modelos de ponta cada vez maiores. O problema é que modelos com centenas de bilhões de parâmetros são caros de treinar e de operar: é difícil executá-los localmente, em dispositivos com recursos limitados ou onde a baixa latência de resposta é importante.

A Liquid AI posiciona o LFM2.5-350M não como uma tentativa de competir com os modelos de ponta em tamanho absoluto, mas como um estudo de caso técnico sobre "densidade de inteligência" (intelligence density): quantas capacidades úteis é possível concentrar em um modelo de tamanho fixo e relativamente pequeno, se o investimento for em qualidade e volume do treinamento posterior, e não em escala.

O que mudou no treinamento do modelo

As principais alavancas técnicas com que a Liquid AI amplia as capacidades do modelo sem aumentar o número de parâmetros são o pré-treinamento adicional e o aprendizado por reforço em larga escala. O volume de dados de pré-treinamento quase triplicou: de 10 trilhões para 28 trilhões de tokens. Ampliar o corpus de treinamento mantendo o tamanho do modelo inalterado é uma aposta direta de que um modelo de capacidade fixa pode ser treinado de forma mais densa, extraindo de um volume maior de texto mais padrões úteis do que era possível antes, com menos dados.

Principais pontos do lançamento:

• Nome do modelo: LFM2.5-350M
• Tamanho: 350 milhões de parâmetros
• Dados de pré-treinamento: de 10 trilhões para 28 trilhões de tokens
• Etapa adicional: aprendizado por reforço em larga escala (large-scale reinforcement learning)
• Posicionamento: estudo de caso técnico sobre "densidade de inteligência", e não uma tentativa de bater recorde de tamanho de modelo

O próprio nome, LFM2.5-350M, já deixa clara a característica central: 350 milhões de parâmetros estão vários graus de magnitude abaixo dos modelos de ponta atuais, que têm dezenas ou centenas de bilhões. Esse contraste é o que torna o lançamento interessante do ponto de vista técnico.

A Liquid AI não tenta esconder o tamanho modesto do modelo; pelo contrário, o coloca no nome como ponto de partida do experimento: quantas capacidades dá para extrair de um número fixo e pequeno de parâmetros com um treinamento mais longo e de melhor qualidade. A segunda alavanca é o aprendizado por reforço em larga escala, aplicado sobre o pré-treinamento ampliado. Se o pré-treinamento serve principalmente para dar ao modelo um amplo conhecimento da linguagem e do mundo, a etapa de RL costuma ser usada para direcionar o comportamento do modelo a respostas mais úteis, precisas e controláveis.

Nos últimos anos, essa etapa virou a principal forma de melhorar a qualidade dos modelos sem aumentar o tamanho.

Por que os modelos compactos voltaram ao centro das atenções

O lançamento do LFM2.5-350M se encaixa em uma tendência mais ampla de 2026: em paralelo à corrida pelos maiores modelos de ponta, há outra corrida pelos modelos compactos mais capazes, que possam rodar em celulares, notebooks, dispositivos embarcados e ambientes com poder computacional limitado, sem recorrer a uma API na nuvem. Para os desenvolvedores, isso significa menor custo de inferência, funcionamento offline e menor latência de resposta, o que é crítico para aplicações em tempo real.

Se a abordagem da Liquid AI se confirmar na prática, ou seja, se um modelo de 350 milhões de parâmetros realmente demonstrar capacidades antes acessíveis apenas a modelos muito maiores, isso reforçará o argumento de que o avanço da IA não exige necessariamente um crescimento infinito do número de parâmetros e pode vir de um treinamento melhor e mais longo das arquiteturas existentes.