Beam 1.0 vs LFM2.5 2.6B Base: 미완성 기반과 완성된 거인

질문에 답하도록 훈련되지 않은 모델이 계획하도록 훈련된 모델과 비교되고 있다. LFM2.5 2.6B Base는 Liquid AI의 26억 9,800만 매개변수 사전 훈련된 체크포인트로, 2026년 8월 4일 LFM Open License v1.0에 따라 공개되었으며 미세 조정을 위한 기반으로 명시적으로 설명된다 — 텍스트 전용이며, 하이브리드 컨볼루션과 그룹화된 쿼리 어텐션 30개 레이어로 구성되어 있고, 사후 훈련되지 않았다. Reflection Beam 1.0는 희소 전문가 혼합 모델로, 총 5,013억 매개변수와 234억 활성 매개변수를 가지며, 지도 및 강화 단계를 거쳐 사후 훈련되었고, 2026년 10월 16일 Apache 2.0에 따라 다운로드 가능한 가중치로 출시되었다. 2026년 10월 5일 발표에 이어서. 크기 차이는 185대 1이다. 비교를 실제로 결정하는 차이는 크기가 아니라 — 이들 중 하나는 훈련 실행을 지시하는 원시 기반이고, 다른 하나는 서비스하는 제품이라는 점이다.

둘 다 Hugging Face에 있습니다. 둘 다 오늘 다운로드할 수 있습니다. 둘 다 사용자가 자신의 하드웨어를 직접 마련할 것을 전제합니다. 그것이 전부 겹치는 부분이며, 이 둘을 서로 대조해 읽으면 오픈 웨이트 생태계가 같은 태그 아래에 분류하는 두 가지에 얼마나 다르게 라벨을 붙이는지 볼 수 있는 유용한 방법이 됩니다.

각자의 발행사가 설명하는 대로 묘사된 두 릴리스

LFM2.5 2.6B Base는 더 완전한 이름인 LFM2.5-2.6B-Base로 불립니다. 카드에는 총 26억 9,800만 개의 파라미터, 30개 레이어(그중 22개는 이중 게이트 숏 컨볼루션 블록이고 8개는 그룹화된 쿼리 어텐션), 34조 토큰의 학습 예산, 128,000개 토큰 어휘, 131,072개 토큰 컨텍스트 길이가 나열되어 있습니다. 16개 언어를 지원합니다. 이는 한 쌍 중 하나입니다: Liquid AI는 에이전트 워크로드용으로 후속 학습된 LFM2.5-2.6B도 공개하며, 이것은 이 제품군의 모든 변형이 파생되는 원시 체크포인트입니다. 카드가 베이스 모델에 대해 직접 쓴 표현에 따르면, 이는 다른 모든 변형을 만드는 데 사용된 사전 학습된 텍스트 전용 체크포인트입니다. Hub에는 이미 그 아래에 16개의 미세 조정된 파생 모델이 존재합니다.

Beam 1.0은 반대되는 구성입니다. Reflection은 52개 레이어에 걸쳐 총 501.3B 파라미터를 제공하며 토큰당 23.4B가 활성화됩니다. 3개는 dense, 49개는 mixture-of-experts이고, 이 구성에서는 256개 전문가 중 8개가 한 번에 라우팅됩니다. 컨텍스트 윈도우는 1,000,000 토큰입니다. 모달리티는 텍스트 전용이며, 모델 카드에도 이를 에둘러 말하지 않고 명시하고 있습니다. BF16, FP8, NVFP4의 세 가지 정밀도로 제공되며, 추가로 2B DFlash2 추측 디코딩 드래프터도 있습니다. 채팅 템플릿은 analysis 및 final 채널과 6개의 명명된 수준을 갖춘 reasoning-effort 설정을 사용하는 수정된 Harmony 형식을 따릅니다. 네 개의 저장소는 2026년 10월 16일 같은 날 공개되었으며, Artificial Analysis는 모델 페이지에 이 릴리스를 2026년 10월 16일로 기록했습니다.

그 두 문단을 다시 읽어 보라. 그러면 그 일의 윤곽이 드러난다. Liquid AI는 하나의 컴포넌트를 공개했다. Reflection은 와이어 포맷과 에포트 다이얼을 갖춘 완성된 시스템을 공개했다. 둘 다 “open”이라고 불리지만, 그 단어는 서로 다른 두 가지 역할을 하고 있다.

라이선스는 둘이 가장 서로 닮지 않은 부분이다.

이것은 파라미터 수만으로는 얻을 수 없는 비교이며, 가장 실질적인 결과를 가져오는 비교입니다.

Beam 1.0은 Apache 2.0입니다. 이는 사용자 수 제한도, 월간 활성 사용자 임계값도, 별도의 상업용 등급도 없는 표준 관용 라이선스입니다. 다운로드하고, 파인튜닝하고, 파생물을 재배포하고, 그 결과물을 판매하세요. 이 카드에는 Responsible Use Guide와 별도의 안전 기술 보고서도 포함되어 있는데, 이들은 라이선스 제한이 아니라 정책 문서입니다. 즉, 가중치가 아니라 허용 가능한 사용을 규율합니다.

LFM2.5 2.6B Base는 그렇지 않습니다. Hub는 이를 license:other로 태그하고 라이선스 이름을 LFM Open License v1.0으로 지정합니다. 실질적인 차이는 한쪽은 허용적이고 다른 쪽은 허용적이지 않다는 점이 아닙니다 — Liquid AI의 라이선스는 개방적 사용을 위해 작성되었습니다 — 오히려 두 라이선스를 서로 다르게 읽어야 하며, 그중 하나만 한 문장으로 요약할 수 있다는 점입니다. 계획에 파생물을 상업적으로 재배포하는 것이 포함된다면, 이 페이지의 Apache 2.0 쪽은 별도 분석이 필요하지 않습니다. LFM 쪽은 라이선스를 읽어야 합니다. 맞춤형 라이선스는 정의상 누군가 의도적으로 작성한 문서이기 때문입니다.

그 비대칭은 다른 축에서는 반대 방향으로 나타난다. Liquid AI의 체크포인트는 26억 9,800만 개 파라미터의 덴스 텍스트 모델이므로, 라이선스 문제가 단일 소비자용 GPU나 엣지 디바이스에 올릴 수 있는 무언가에 연결되어 있다는 뜻이다. Reflection의 Apache 2.0 라이선스 부여는 5,010억 개 파라미터 모델에 연결되어 있는데, 이 모델의 bfloat16 가중치는 대략 1테라바이트에 이르고 4비트 변형도 여전히 255B로 표기된다. 호스팅할 수 없는 모델에 대한 허용적 라이선스는 호스팅할 수 있는 모델에 대한 맞춤형 라이선스와는 다른 종류의 자유다.

베이스 모델이 할 수 있는 것과 할 수 없는 것

베이스 체크포인트에 관한 글이라면 이 점을 분명히 말해야 합니다. 사람들이 오후 한나절을 낭비하게 되는 가장 흔한 방식이기 때문입니다. LFM2.5 2.6B Base는 인스트럭션 튜닝되지 않았습니다. 입력한 텍스트를 이어서 생성합니다. 질문에 답하지도, 형식을 따르지도, 도구를 호출하지도, 원할 때 멈추지도 않습니다. 이것은 출발점이며, 그 동작 방식은 여러분이 학습시키는 대로 달라집니다. 그리고 Liquid AI는 이를 발견하게 내버려두는 대신 모델 설명에서 그렇게 밝히고 있습니다.

그것은 결함이 아니며 Beam 1.0의 더 작은 버전도 아니다. 34조 토큰 사전 학습 실행과 30층 하이브리드 아키텍처가 바로 제품이다. 정렬이 빠져 있다는 점이 핵심인데, 정렬은 과제별로 달라지기 때문에 베이스 모델을 출시하는 연구소는 그 결정을 해당 과제를 소유한 쪽에 의도적으로 넘기는 것이다. Hub에 있는 16개의 파생 모델이 이 방식이 실제로 어떤 모습인지를 보여준다.

평가에 대한 귀결은 비교할 벤치마크 표가 없다는 점입니다. Beam 1.0의 카드에는 완전한 표가 실려 있습니다 — BF16에서 SWE-bench Verified 81.6%, Terminal Bench v2.1 80.1, GPQA Diamond 90.6, AIME 2026 97.7, LiveCodeBench 88.3, MCP Atlas 80.8, IFBench 79.6 — 모두 벤더가 보고한 수치이고 제3자가 재현한 것은 없습니다 — 이는 이름이 지정된 워크로드를 위해 구축된 사후 학습 모델이며, 그것이 바로 구매자가 요구하는 증거이기 때문입니다. LFM2.5 2.6B Base에는 설계상 아무것도 없습니다. 점수화할 것은 없습니다: 체크포인트의 품질은 여러분의 파인튜닝이 그것으로 만들어내는 것이며, 정직한 비교 지점은 리더보드 행이 아니라 학습 실행입니다.

돈이 어디로 가는지

이 둘 중 어느 것도 OrcaRouter의 카탈로그에는 없습니다. 우리가 라우팅하는 것은 이들 주변에서 실제로 서비스되는 세계입니다: 하나의 OpenAI 호환 키 뒤에 있는 200개 이상의 모델, 제공업체 정가가 0% 마크업으로 그대로 전달되는 것, 제공업체 전반의 자동 장애 조치를 통해 성능이 저하되는 라우트가 실패하는 대신 재라우팅되는 것. 여기서 특정한 이유로 이 점을 언급할 가치가 있습니다. 이 페이지의 두 모델이 같은 조달 질문의 양 끝에 자리하기 때문입니다.

LFM2.5 2.6B Base는 다운로드하는 데는 비용이 들지 않지만 운영하는 데는 모든 비용이 든다. 그 비용이란 훈련 실행과 장치라는 의미다. Beam 1.0은 다운로드하는 데는 비용이 들지 않지만 운영하는 데는 모든 비용이 든다. 그 비용이란 501B MoE를 서빙하는 것이며, 작성 시점에 Reflection은 API 요율을 공개하지 않는다. Artificial Analysis는 Beam 페이지의 가격 필드를 이용 불가로 기록하고 공개적으로 이용 가능한 API가 없다고 언급한다. 발표 12일 후에도, 5010억 매개변수 벤치마크 표를 가진 그 모델에는 재무팀이 활용할 수 있는 숫자가 여전히 없다.

이번 주에 두 모델 중 어느 것도 맞게 설계되지 않은 워크로드—요약기, 분류기, 채팅 인터페이스—에서 추론을 하는 것이 실제 요구인 독자에게, 결정은 이 두 모델 사이에 있는 것이 아닙니다. 그것은 26억 9,800만 개의 파라미터를 직접 파인튜닝하는 것과 이미 정렬되어 있고 가격이 책정된 무언가를 빌리는 것 사이에 있으며, 두 번째 선택지가 바로 결정을 확정하기 전에 측정할 수 있는 쪽입니다.

당신이 실제로 찾고 있는 것은 어느 것인가요?

를 선택하세요LFM2.5 2.6B Base당신의 문제가 범용 어시스턴트보다 좁은 범위라면. 작은 베이스 체크포인트를 고르는 이유는, 해야 할 과제가 있고 데이터가 있으며, 호출을 빌리기보다 산출물을 직접 소유하고 싶기 때문입니다. 131,072토큰 컨텍스트는 이 크기치고 넉넉하고, 16개 언어 지원은 실제이며, 하이브리드 컨볼루션 스택은 온디바이스 처리량을 위해 선택되었고, 라이선스는 당신이 만든 것을 배포할 수 있게 해줍니다. 당신이 감수해야 하는 것은 파인튜닝 파이프라인, 평가 하네스, 정렬 결정입니다 — 이 중 어느 것도 체크포인트가 제공하지 않습니다.

을 선택하세요Beam 1.0—당신의 작업이 해당 카드가 명시한 항목 중 하나라면: 코딩, 도구 사용, 저장소 규모 추론, 장기 지평 에이전트 실행. 평가 표는 바로 그 작업을 겨냥하고 있고, 1M 토큰 컨텍스트가 이와 맞아떨어지며, FP8 및 NVFP4 빌드는 하드웨어 논의를 501B가 시사하는 것보다 다루기 쉽게 만들고, Apache 2.0 라이선스는 상업적 파생물을 허용합니다. 당신이 떠안게 되는 것은 서빙 인프라, 템플릿이 꺼지도록 허용하지 않는 항상 켜져 있는 추론 예산, 그리고 벤더가 공개하지 않았기 때문에 직접 산출해야 하는 비용 추정치입니다.

두 모델은 경쟁 관계가 아니며, 이 비교는 '오픈 웨이트'라는 말 자체만으로는 얼마나 적은 것을 알 수 있는지 보여주기 때문에 정확히 해 볼 가치가 있다. 한 퍼블리셔는 구성 요소와 학습 예산을 넘겼고, 다른 퍼블리셔는 와이어 프로토콜과 법률 검토에 그대로 붙여 넣을 수 있는 라이선스를 갖춘 시스템을 넘겼다. 다운로드하기 전에 자신에게 제공된 것이 어느 쪽인지 읽어내는 일이 작업의 대부분이다.

무엇이 상황을 바꿀까요?

공개된 Beam 1.0 API 가격이나 요율표가 있는 호스팅 FP8 배포가 있다면, 그 모델을 "추정치를 세우는" 칼럼에서 "숫자를 비교하는" 칼럼으로 옮겨 놓을 것이며, 그것은 해당 문서에서 유일하게 빠진 행이다. Beam의 가중치에 대한 독립적인 벤치마크는 — 이제 가중치가 공개되었으므로 가능하다 — 벤더 표에 심판을 붙여 줄 것이고, 이는 LFM2.5 2.6B Base가 결코 가질 수 없는 것인데, 아직 점수를 매길 대상이 없기 때문이다. 그중 하나가 실현되기 전까지 정확한 요약은 이렇다: 27억 파라미터 베이스 체크포인트와 5010억 파라미터 포스트 트레이닝된 MoE는 둘 다 무료로 다운로드할 수 있고, 둘 다 완전히 다른 화폐로 운영 비용이 많이 들며, 어느 것도 다른 하나의 대체물이 아니다.

이런 식의 비교는 실패 모드가 드러나는 지점이기도 합니다. 이 등급에 속하는 모델들의 이면에 있는, 문서로 기록된 AI 사고와 에이전트 실패 사례는 the OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 출처, 심각도, 신뢰도 등급, 이의 제기 플래그가 함께 제공됩니다.