Liquid AI expande família LFM2 com novos modelos otimizados para execução em dispositivos locais
A Liquid AI ampliou a disponibilidade de seus modelos da família LFM2 na plataforma Hugging Face, disponibilizando pesos abertos e pacotes de implantação otimizados para diferentes ambientes de execução. Os modelos foram projetados com foco em aplicações que exigem baixa latência, privacidade e operação fora de centros de dados tradicionais.
A família LFM2 inclui modelos voltados para diferentes escalas e finalidades. Entre os destaques estão o LFM2.5-VL-450M, voltado para tarefas visuais, o LFM2.5-350M, treinado com 28 trilhões de tokens, e o LFM2-24B-A2B, uma arquitetura do tipo MoE (mistura de especialistas, em que diferentes partes do modelo são acionadas conforme a necessidade da tarefa). Segundo a empresa, a proposta central é oferecer inteligência avançada em processadores que operam fora de data centers, respeitando as restrições de hardware do mundo físico.
Os modelos são distribuídos por meio de pesos abertos, permitindo que desenvolvedores os adaptem a necessidades específicas. A Liquid AI informa que já foram disponibilizadas mais de três mil variantes dos LFMs e que os arquivos ultrapassam 38 milhões de downloads acumulados. Os modelos podem ser executados em diferentes runtimes, que são ambientes de software responsáveis por carregar e processar o modelo, incluindo llama.cpp, MLX, ONNX, CoreML, SGLang e vLLM.
A estratégia da companhia é direcionada a dispositivos como smartphones, laptops, veículos e sistemas embarcados, além de aplicações em e-commerce, serviços financeiros, biologia e defesa. Parcerias com empresas como AMD e Mercedes já estão em operação, indicando a integração dos modelos em plataformas automotivas e de computação pessoal.
O relatório técnico da família LFM2 destaca que os modelos oferecem suporte de implantação em processadores Qualcomm Snapdragon, em CPUs AMD Ryzen e em processadores genéricos. A documentação inclui guias de implantação e perfis de quantização, técnica que reduz o tamanho do modelo ao representar números com menor precisão, diminuindo o consumo de memória e acelerando a inferência sem perdas significativas de desempenho.
Entre os modelos especializados, o LFM2-ColBERT-350M foi avaliado no benchmark NanoBEIR Multilingual, uma versão condensada do BEIR estendida para incluir japonês e coreano. O conjunto de testes abrange treze tarefas diversificadas de recuperação de informação, incluindo verificação de fatos (FEVER e Climate FEVER), resposta a perguntas (Natural Questions, HotpotQA e FiQA) e recuperação de entidades (DBPedia e Quora). A empresa disponibilizou essa extensão multilingue como referência para reprodutibilidade.
A abordagem da Liquid AI se diferencia por priorizar modelos compactos capazes de operar localmente, em vez de depender exclusivamente de servidores em nuvem. Essa direção responde à crescente demanda por soluções de inteligência artificial que preservem a privacidade dos dados, reduzam a dependência de conectividade e ofereçam tempos de resposta mais curtos em aplicações embarcadas. A disponibilização dos pesos abertos e dos pacotes de implantação busca facilitar a adoção imediata em diferentes plataformas de hardware.
Com a expansão da família LFM2 e a ampliação das opções de execução, a Liquid AI reforça sua aposta em modelos leves e adaptáveis, voltados a cenários nos quais a infraestrutura de nuvem não é viável ou desejável. A combinação de pesos abertos, suporte multiplataforma e foco em eficiência posiciona a empresa como uma das proponentes da chamada IA nativa de dispositivo, termo utilizado para descrever modelos projetados desde a origem para rodar diretamente em equipamentos do usuário final.
