Liquid AI lançou LFM2.5-350M: modelo eficiente de 350M parâmetros com RL em escala

Em 31 de março de 2026, a Liquid AI lançou o LFM2.5-350M — um modelo compacto de linguagem com 350 milhões de parâmetros, treinado adicionalmente em um corpus de dados expandido e um grande volume de aprendizado por reforço. Conforme relatado pelo MarkTechPost, o lançamento desafia a regra estabelecida na IA generativa sobre as leis de escalagem — a noção de que mais parâmetros quase sempre significa mais "inteligência" em um modelo.

Por que desafiar as leis de escalagem

Nos últimos anos, a indústria de modelos de linguagem grande se desenvolveu principalmente sob um cenário: para obter um modelo mais capaz, você precisa aumentar o número de parâmetros, o volume de dados de treinamento e recursos computacionais. Essa lógica — as chamadas leis de escalagem — tornou-se a base de uma corrida entre os principais laboratórios para criar modelos de ponta cada vez maiores. O problema é que modelos com centenas de bilhões de parâmetros são caros para treinar e operar: são difíceis de executar localmente, em dispositivos com recursos limitados, ou onde a baixa latência de resposta é importante.

Liquid AI posiciona o LFM2.5-350M não como uma tentativa de competir com modelos de ponta em tamanho absoluto, mas como um estudo de caso técnico sobre "densidade de inteligência" — ou seja, quantas capacidades úteis podem ser compactadas em um modelo de tamanho de parâmetro fixo e relativamente pequeno se o investimento vai não para a escala, mas para a qualidade e volume do treinamento subsequente.

O que mudou no treinamento do modelo

Os principais mecanismos técnicos pelos quais a Liquid AI consegue maiores 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 cresceu quase três vezes: de 10 trilhões para 28 trilhões de tokens. Tal aumento no corpus de treinamento com tamanho de modelo inalterado é uma aposta direta de que um modelo de capacidade fixa pode ser "retreinado" mais densamente, extraindo de um volume de texto maior mais padrões úteis do que era possível anteriormente com menos dados.

Parâmetros-chave do lançamento:

• Nome do modelo — LFM2.5-350M
• Tamanho — 350 milhões de parâmetros
• Volume de dados de pré-treinamento — aumentou de 10 trilhões para 28 trilhões de tokens
• Estágio adicional — aprendizado por reforço em larga escala
• Posicionamento — um estudo de caso técnico sobre "densidade de inteligência" em vez de uma tentativa de estabelecer um recorde de tamanho

O próprio nome do modelo — LFM2.5-350M — imediatamente fixa sua característica-chave: 350 milhões de parâmetros são várias ordens de magnitude menores que os modelos de ponta modernos com dezenas e centenas de bilhões de parâmetros. Este contraste é precisamente o que torna o lançamento tecnicamente interessante: a Liquid AI não está tentando esconder o tamanho modesto do modelo, mas o coloca no centro do nome como ponto de partida para o experimento — quantas capacidades podem ser extraídas de um número fixo pequeno de parâmetros através de treinamento mais prolongado e de maior qualidade.

O segundo mecanismo é o aprendizado por reforço em larga escala aplicado em cima do pré-treinamento expandido. Se o pré-treinamento saturava principalmente um modelo com conhecimento amplo de linguagem e do mundo, a fase RL é tipicamente usada para direcionar o comportamento do modelo para respostas mais úteis, precisas e gerenciáveis — esta fase nos últimos anos se tornou o principal maneira de melhorar a qualidade do modelo sem aumentar seu tamanho.

Por que os modelos compactos voltam ao foco

O lançamento do LFM2.5-350M se encaixa em uma tendência mais ampla de 2026: ao lado da corrida pelos modelos de ponta mais grandes, há uma corrida separada por modelos compactos máximamente capazes que podem rodar em telefones, laptops, dispositivos incorporados e em ambientes com recursos computacionais limitados — sem chamar APIs na nuvem. Para os desenvolvedores, isso significa custos de inferência mais baixos, operação offline e latência de resposta mais baixa, o que é crítico para aplicações em tempo real.

Se a abordagem da Liquid AI for confirmada na prática — ou seja, se um modelo de 350 milhões de parâmetros realmente demonstrar capacidades previamente disponíveis apenas para modelos muito maiores — isso se tornará um argumento de que o progresso futuro na IA não necessariamente requer crescimento infinito no número de parâmetros, mas pode ser alcançado através de treinamento de maior qualidade e mais prolongado de arquiteturas existentes.