한 줄 요약: 클라우드 없이 폰·노트북에서 도구 호출과 다단계 작업을 수행하는 2.6B 경량 에이전트 모델. 무료로 쓸 수 있다.
AIK24 실측 결과
항목 | 내용 |
|---|---|
검증일 | 2026-10-15 (EVAL-07) |
검증 방법 | OpenCode CLI 실제 호출 |
모델 ID |
|
결과 | PASS — 정상 응답 확인 |
솔직한 한계: 코딩 성능은 동급 대형 모델에 분명히 뒤처집니다. Apache 2.0이 아닌 LFM 독자 라이선스라 상업적 이용 전 조건을 반드시 확인해야 합니다.
회사 소개: Liquid AI — MIT에서 스핀오프한 AI 스타트업
Liquid AI는 2023년 3월 MIT CSAIL에서 스핀오프한 미국 AI 스타트업입니다. 창업자는 라민 하사니(Ramin Hasani, CEO), 마티아스 레흐너(Mathias Lechner, CTO), 알렉산더 아미니(Alexander Amini, 최고과학책임자), 그리고 MIT CSAIL 소장 다니엘라 러스(Daniela Rus) 교수다.
회사의 뿌리는 하사니의 박사 논문(2020년, 빈 공과대학)으로 거슬러 올라간다. 연구 주제는 1mm짜리 예쁜꼬마선충(C. elegans)의 신경계였다. 이 벌레는 뉴런이 수백 개에 불과한데도 놀라울 정도로 복잡한 행동을 한다. 하사니 팀은 여기서 영감을 받아 '리퀴드 뉴럴 네트워크(Liquid Neural Network)'라는 새로운 신경망 구조를 만들었습니다.
리퀴드 네트워크의 핵심 아이디어는 단순하다. 일반 트랜스포머는 학습이 끝나면 파라미터가 고정되지만, 리퀴드 네트워크는 추론 중에도 입력에 반응해 파라미터가 유연하게 변합니다. 즉, '얼어붙은' 모델이 아니라 '살아있는' 모델입니다. 덕분에 훨씬 적은 뉴런과 메모리로 동급의 지능을 낸다.
회사는 2023년 12월 3,750만 달러 시드 투자를 유치했고, 2024년 12월에는 AMD가 리드한 2억 5,000만 달러 시리즈 A를 23억 5,000만 달러 밸류에이션으로 유치했습니다. 삼성, 쇼피파이(Shopify) 등이 기술 테스트에 참여했고, 자동차·방산·소비자 전자기기·엔터프라이즈 인프라를 주력 분야로 삼고 있다.
한마디로 Liquid AI의 미션은 "데이터센터가 아니라 디바이스에서 돌아가는 파운데이션 모델"이다.
모델 스펙: 작지만 알찬 2.6B
항목 | 스펙 |
|---|---|
모델명 | LFM2.5-2.6B (liquid/lfm-2.5-2.6b:free) |
파라미터 | 26억 개 (2.69B) |
컨텍스트 | 공식 128K 토큰 (무료 목록 표기 65,536) |
학습 데이터 | 약 34조 토큰 |
어휘 | 128,000 토큰 |
체크포인트 | Base(파인튜닝용) / Post-trained(에이전트용) 2종 |
라이선스 | LFM Open License v1.0 (자체 라이선스) |
공개일 | 2026년 8월 4일 |
2.6B라는 숫자를 감각적으로 이해해 보자. 요즘 주류 오픈 모델이 7B~70B인 것을 생각하면 2.6B는 '초소형'이다. 가중치 파일 하나가 5.4GB(BF16 기준)에 불과하다. 그런데 이 작은 모델이 약 34조 토큰으로 학습됐고, 포스트트레이닝은 무려 4단계를 거쳤다. 단순한 SFT 2회를 시작으로, 도메인 전문가 모델로부터의 강화학습, 멀티도메인 온폴리시 증류(MOPD), 그리고 실제 에이전트 하네스(Hermes Agent, OpenClaw) 안에서의 에이전틱 강화학습까지. "작은 챗봇을 줄인 게 아니라 에이전트 일을 위해 처음부터 다시 만든 모델"이라는 게 회사의 설명입니다.
벤치마크도 흥미롭다. 지시 이행 평가에서 파라미터가 4배 가까이 큰 모델들을 앞섰다.
- IFBench: 59.17 (Qwen3.5-9B 56.47)
- Multi-IF: 80.07 (Qwen3.5-9B 62.55)
- IFStruct: 85.49 (Qwen3.5-9B 78.50)
- ToolSandbox: 77.83 (Qwen3.5-9B 76.44)
도구 호출(BFCLv4)에서는 Qwen3.5-9B에 3.25점 뒤졌고, 코딩 벤치마크는 큰 모델들이 여전히 우위다. 즉, 지시 이행과 도구 사용에는 강하고, 하드코어 코딩에는 약한 프로필입니다.
주요 특징: "작다"는 게 곧 무기다
1. 진짜 온디바이스 — 라즈베리파이에서도 돈다
LFM2.5-2.6B의 가장 큰 차별점은 클라우드가 필요 없다는 것입니다. 추론 속도를 보자.
- Apple M5 Max: 초당 220 토큰
- AMD Ryzen AI Max+ 395: 초당 113 토큰
- 스마트폰: 초당 30 토큰, 메모리 2.5GB 이하
30토큰/초면 실시간 대화에 충분한 속도다. 라즈베리파이 같은 초소형 보드에서도 돌아간다고 회사는 밝히고 있다. 데이터가 기기를 떠나지 않으니 프라이버시 걱정이 없고, 한 번 실행할 때마다 과금되는 클라우드 API와 달리 추가 실행 비용이 사실상 0이다.
2. 에이전트 전용 포스트트레이닝
에이전트 작업은 작은 모델의 무덤이었습니다. 5단계 작업 중 도구 호출 하나만 삐끗해도 전체가 실패하기 때문입니다. Liquid AI는 이 문제를 정면으로 파고들었습니다. 웹 검색, 도구 호출 흔적, 에이전트 실행 궤적 데이터를 집중 학습시켰고, 실제 에이전트 환경에서 강화학습을 돌렸다. 그 결과 2.6B라는 몸집으로도 "도구 호출이 필요한 다단계 작업을 끝까지 해내는" 모델이 나왔다는 주장입니다.
3. 개발자 친화적 생태계
공개 첫날부터 llama.cpp, MLX, vLLM, SGLang, ONNX를 지원합니다. 기존 로컬 스택에 그대로 꽂으면 된다. Hugging Face에서 Base와 Post-trained 두 체크포인트를 받을 수 있다.
4. 주의할 점: 라이선스
아파치 2.0이 아니라 Liquid AI 자체 라이선스(LFM Open License v1.0)다. 상업적 이용 전 라이선스 조건을 반드시 확인하자. 또한 Base 체크포인트는 지시 튜닝이 전혀 안 된 '날것'이라 일반 채팅용으로는 부적합하다. 우리가 무료로 쓰는 건 Post-trained(에이전트용) 버전이다.
무료로 사용하는 방법
OpenCode에서 /models를 입력하거나 Ctrl → X → M을 순서대로 눌러 모델 선택 화면을 엽니다.
모델 목록에서 LiquidAI: LFM2.5-2.6B (free) (Kilo)를 선택합니다. 선택하면 즉시 적용됩니다.
CLI로 직접 호출할 수도 있습니다:
opencode run -m kilo/liquid/lfm-2.5-2.6b:free "한 단어로 대답: PONG"
주의: 모델 ID 끝의 :free를 반드시 포함하세요. OpenRouter에도 같은 모델이 등록되어 있지만 과금 경로가 다르므로 Kilo의 것을 선택하세요. 이 모델의 최대 출력 토큰은 8,192로 5개 중 가장 작아 긴 응답이 잘릴 수 있습니다.
2026-10-15 실측: 위 명령으로 호출 성공, 응답 PONG 확인.
이런 분께 추천
- 빠른 응답이 필요한 분: 2.6B의 가벼움은 곧 속도다. 간단한 지시 이행, 문서 요약, 워크플로우 자동화처럼 "빨리빨리"가 중요한 작업에 잘 맞는다.
- 프라이버시가 중요한 분: 의료·법률·사내 문서처럼 외부 서버에 보내기 꺼려지는 데이터를 다룬다면 온디바이스 실행이 정답에 가깝다.
- 에이전트 실험을 해보고 싶은 분: 도구 호출 기반의 작은 자동화를 만들어보고 싶은데 클라우드 API 요금이 부담스럽다면, 이 모델로 로컬에서 원 없이 실험할 수 있다.
- 저사양 환경의 개발자: GPU 없는 노트북, 오래된 데스크톱에서도 충분히 돌릴 수 있는 몇 안 되는 실전형 모델입니다.
반대로 복잡한 코딩 작업이 주 목적이라면 같은 무료 목록의 코딩 특화 모델(예: Cohere North Mini Code)을 먼저 써보는 게 낫다. LFM2.5-2.6B의 코딩 성능은 큰 모델들에 비해 분명히 뒤처진다.
작은 모델이 큰 모델을 이기는 영역이 생기고 있다. LFM2.5-2.6B는 그 최전선에 있는 모델 중 하나다. "무료"라는 가격표를 달고 있으니, 직접 돌려보고 판단해 보자.
