IA prometedora

Liquid AI: modelos para llevar inteligencia a los propios dispositivos

Liquid AI desarrolla modelos centrados en la eficiencia y la ejecución en dispositivos, además de opciones de uso en la nube.

Un teléfono con un procesador destacado y pequeños símbolos de documentos, imágenes y audio junto al dispositivo.
Ilustración conceptual de modelos de IA que se ejecutan en los propios dispositivos. · Crédito: Imagem gerada com inteligência artificial.

Una función de IA puede parecer sencilla en la pantalla: haces una pregunta y recibes una respuesta. Sin embargo, detrás hay una decisión importante sobre dónde se realiza ese procesamiento. En algunos proyectos, tiene sentido acercarlo al propio dispositivo.

Liquid AI desarrolla modelos centrados en la eficiencia y la ejecución en dispositivos. Su propuesta tiene en cuenta limitaciones reales, como la memoria disponible, el tiempo de respuesta y la capacidad de procesamiento.

¿Qué ofrece la empresa?

Un modelo es el componente de IA que recibe información y produce resultados dentro de una aplicación. Es una pieza que los desarrolladores pueden utilizar para construir productos.

El catálogo de Liquid AI reúne familias orientadas a texto, visión, audio y tareas específicas. También presenta opciones para la ejecución local y el uso en servicios en la nube. La elección depende del modelo y del proyecto.

Esto importa porque «IA en el dispositivo» no significa que cualquier modelo quepa en cualquier celular. Es necesario combinar el tamaño del modelo, el software de ejecución y los recursos del aparato.

¿Cómo puede aparecer esta idea en el día a día?

Piensa en un escenario ilustrativo: un equipo quiere crear un asistente para consultar instrucciones técnicas almacenadas en un dispositivo utilizado en campo. El producto necesita funcionar en condiciones en las que la conexión puede variar.

Un modelo ejecutado localmente podría formar parte de esa solución, siempre que los documentos necesarios y los demás componentes también estuvieran disponibles en el dispositivo. El equipo tendría que probar la calidad de las respuestas, el uso de memoria y el consumo de energía en el equipo real.

El ejemplo muestra el interés de la propuesta: elegir dónde se ejecutará la inteligencia según las necesidades del producto.

De la promesa al desarrollo

La documentación para aplicaciones móviles muestra cómo integrar modelos LFM en aplicaciones para iOS y Android utilizando llama.cpp, una biblioteca de ejecución de modelos. También aborda ajustes y evaluación en el hardware.

Para quien no programa, el punto central es que esto requiere trabajo de integración. La experiencia final depende tanto del modelo como de la aplicación construida a su alrededor.

Por qué vale la pena seguirla

Liquid AI llama la atención por explorar lo que puede hacer la IA bajo restricciones concretas. No todos los productos necesitan utilizar la misma arquitectura ni depender del mismo tipo de infraestructura.

La primera prueba debería partir de una tarea pequeña y de dispositivos representativos de los usuarios. La evaluación debe equilibrar una respuesta útil, la velocidad, la memoria y la batería, además de las condiciones de licencia del modelo.

La ejecución local puede ayudar a reducir el envío de información para procesamiento externo, pero es necesario analizar la aplicación completa para entender su flujo de datos. Es en esa combinación entre modelo, dispositivo y producto donde la propuesta de Liquid AI se vuelve especialmente interesante.

Fuentes oficiales consultadas el 21 de octubre de 2026.

EN

Ernani Nascimento

Desarrollador, emprendedor y administrador de empresas. Creo sistemas y comparto lo que aprendo en el camino.

Conoce al autor ↗

Sigue explorando.

DE LA IDEA A LA PRÁCTICA

¿Tienes algo en mente?
Vamos a construirlo.

Conversemos ↗