Noticias IA · Sistemas Dinámicos Continuos, Liquid Foundation Models y Alternativas a Transformers
Edición: Álvaro MaureiraFecha: 2026-11-02Fuente: Liquid AI Research & Development Team
Liquid AI, spin-off surgida de investigadores del MIT CSAIL, anunció el lanzamiento de su primera familia de Liquid Foundation Models (LFM), integrada por variantes de 1B, 3B y un modelo disperso MoE de 40B parámetros. Diseñados desde los primeros principios matemáticos de los sistemas dinámicos continuos y las redes neuronales líquidas, los modelos LFM rompen con la hegemonía casi universal de la arquitectura Transformer. Al prescindir de la matriz de atención cuadrática estándar y sustituirla por operadores convolucionales adaptativos y estados ocultos continuos, los LFM logran procesar secuencias arbitrariamente largas de texto, audio e imágenes con un consumo de memoria caché KV drásticamente menor y velocidad de inferencia constante.
Capítulo 01
La noticia en una frase
Liquid AI presentó los Liquid Foundation Models (LFM), arquitectura no transformer para inferencia eficiente con memoria mínima.
En pruebas de laboratorio y benchmarks de comprensión multimodal, el modelo LFM-3B superó a modelos Transformer de su categoría (como Llama 3.2 3B y Phi-3.5) en tareas de razonamiento contextual extenso, manteniendo una huella de memoria en el búfer KV reducida en hasta un 70% al procesar documentos y señales continuas de más de 32k tokens de longitud.
Capítulo 02
El alcance que cambia la lectura
Durante casi una década, la industria de la inteligencia artificial ha dependido casi en exclusiva de la atención Transformer, aceptando su desmesurado apetito por memoria VRAM como un costo inevitable. Liquid AI demuestra que existen alternativas matemáticamente rigurosas capaces de competir en calidad semántica operando con una fracción de la infraestructura computacional en dispositivos periféricos y servidores de borde.
Capítulo 03
El mecanismo documentado
La arquitectura LFM se basa en ecuaciones diferenciales ordinarias formuladas como convoluciones estructuradas discretizadas en tiempo de inferencia. El modelo procesa las señales secuenciales como flujos continuos adaptativos donde los pesos neuronales responden de forma no lineal a la dinámica temporal de la entrada, permitiendo transiciones suaves entre modalidades de audio, telemetría sensorial y lenguaje escrito.
Capítulo 04
La relación entre las piezas
Los modelos se ofrecen para despliegue en entornos locales y perimetrales (edge computing), con soporte para procesadores neuromórficos, chips Apple Silicon, GPUs NVIDIA TensorRT y CPUs de bajo consumo energético mediante empaquetado optimizado en C++.
Capítulo 05
Qué capacidad se puede atribuir
Se constata una sobresaliente precisión para capturar dependencias temporales de muy largo alcance en flujos de audio crudo y series de tiempo biométricas. Sin embargo, no se debe asumir que los modelos compactos de 1B y 3B igualen la amplitud enciclopédica o la deducción matemática avanzada de gigantes de más de 70 mil millones de parámetros.
Capítulo 06
La puerta de control
Los desarrolladores pueden modular el paso de discretización temporal (time-step scaling) para ajustar el balance entre velocidad de cálculo por segundo y precisión analítica de la representación dinámica.
Capítulo 07
Lo que la fuente no demuestra
Liquid AI puntualiza que el ecosistema de herramientas, compiladores y kernels optimizados para arquitecturas líquidas aún está en proceso de maduración frente a la década de optimización especializada que respalda a los Transformers tradicionales.
Capítulo 08
Cómo probarlo sin prometer de más
Los modelos pueden probarse a través de la plataforma de evaluación en la nube de Liquid AI (`playground.liquid.ai`) y mediante SDKs de inferencia locales disponibles para socios de investigación y desarrolladores registrados.
Capítulo 09
Veredicto editorial
El lanzamiento de los Liquid Foundation Models confirma que la innovación arquitectónica no ha tocado techo: la búsqueda de modelos post-transformer más eficientes, bioinspirados y accesibles es hoy uno de los campos más fértiles de la computación contemporánea.
Fuente oficial y reporte: Liquid AI Research & Development Team
