Liquid AI desafia a corrida pelo tamanho: arquitetura híbrida LFM2 quer mudar as regras

Nos últimos anos, a indústria de grandes modelos de linguagem seguiu um princípio simples: mais parâmetros, melhor resultado. A OpenAI ampliou o GPT, o Google inflou o Gemini, a Meta aumentou o Llama*. Mas em 2026 essa abordagem esbarra cada vez mais em limites físicos: consumo de energia dos data centers, custo de memória, velocidade de inferência. A startup Liquid AI, de Boston, acredita ter encontrado uma saída para o beco, e seu novo modelo LFM2-24B-A2B não é, segundo ela, apenas mais um lançamento, mas uma aposta em uma revolução arquitetural.

A Liquid AI nasceu de pesquisas do MIT sobre as chamadas "redes neurais líquidas" (liquid neural networks), inspiradas em sistemas nervosos biológicos. Ao contrário dos transformers clássicos, em que cada camada executa uma operação fixa, as redes líquidas podem adaptar seus cálculos conforme os dados de entrada. É uma abordagem fundamentalmente diferente de processar informação, e a equipe a desenvolve de forma consistente há vários anos. O LFM2-24B-A2B é o ápice desse trabalho: um modelo com 24 bilhões de parâmetros, construído sobre uma arquitetura híbrida que combina o mecanismo clássico de atenção (attention) com operações de convolução (convolutions).

Para entender a relevância, é preciso entender o problema. Os transformers padrão, base do GPT, do Claude e de outros modelos, usam um mecanismo de autoatenção que permite que cada token "olhe" para todos os outros tokens do contexto. É uma ferramenta poderosa, mas sua complexidade computacional cresce de forma quadrática com o tamanho do contexto. Dobrar a janela de contexto significa quadruplicar o custo de computação. Por isso, trabalhar com documentos longos continua sendo uma das tarefas mais custosas para os LLMs atuais. As camadas convolucionais, por outro lado, processam a informação localmente e escalam de forma linear, mas historicamente foram vistas como menos expressivas para linguagem.

A abordagem híbrida da Liquid AI tenta unir o melhor dos dois mundos. Os componentes convolucionais cuidam dos padrões locais: estruturas sintáticas, dependências curtas, modelos repetitivos. O mecanismo de atenção entra onde é preciso captar relações de longa distância no texto: referências a entidades mencionadas antes, cadeias lógicas, raciocínios complexos. A sigla "A2B" no nome do modelo indica uma configuração específica desse equilíbrio entre blocos de attention e de convolution. Na prática, o modelo decide sozinho que tipo de processamento aplicar a cada trecho de dados, o que torna o cálculo bem mais eficiente.

Vinte e quatro bilhões de parâmetros é um número relativamente modesto para os padrões de 2026, quando os modelos de ponta operam com centenas de bilhões e até trilhões de parâmetros. Mas está aí a tese central da Liquid AI: eficiência arquitetural vale mais do que força bruta. Se um modelo de 24 bilhões de parâmetros consegue competir com modelos várias vezes maiores, com custo de inferência bem menor, a economia de todo o setor muda. Menos GPUs para atender requisições significam API mais barata. Menor consumo de energia facilita rodar o modelo em dispositivos de borda. Inferência mais rápida significa melhor experiência para o usuário.

Para o setor como um todo, o lançamento do LFM2-24B-A2B se encaixa em uma tendência mais ampla. Cada vez mais grupos de pesquisa e empresas concluem que a era do "escalonamento bruto" está acabando. Mamba e outras arquiteturas baseadas em espaço de estados, os trabalhos com modelos esparsos de Mixture of Experts, a quantização e a destilação são tentativas de extrair mais inteligência de menos computação. A Liquid AI segue seu próprio caminho, e sua abordagem híbrida parece uma das soluções mais elegantes para o problema.

Ainda assim, vale manter um ceticismo saudável. Os benchmarks completos do LFM2-24B-A2B ainda precisam ser analisados e reproduzidos de forma independente. Inovações arquiteturais costumam impressionar no papel, mas enfrentam problemas inesperados ao escalar em produção, da complexidade do treinamento à compatibilidade com a infraestrutura de otimização existente. O ecossistema de ferramentas em torno dos transformers levou anos para se formar, e qualquer arquitetura alternativa terá de provar sua viabilidade além do laboratório.

Mesmo assim, a direção apontada pela Liquid AI parece inevitável. A indústria de inteligência artificial chegou a um ponto em que aumentar parâmetros gera retornos decrescentes, enquanto as exigências de eficiência energética e velocidade só crescem. As empresas que encontrarem um jeito de fazer mais com menos recursos vão definir o próximo capítulo da IA. E arquiteturas híbridas como a LFM2 bem podem ser a chave desse futuro.

*A Meta foi classificada como organização extremista e é proibida na Rússia.