HiRO-ACEv2 vs LFM2.5 2.6B Base: 어느 쪽도 제품이 아니며, 같은 방식으로 미완성된 것도 아니다

를 나란히 놓고 보면 HiRO-ACEv2와 LFM2.5 2.6B Base가장 먼저 눈에 띄는 점은, 둘 중 어느 것도 개발자가 곧바로 호출할 수 있는 물건이 아니라는 것이다. HiRO-ACEv2는 Ai2의 2세대 기후 에뮬레이터로, 2026년 10월 12일 아무런 공지도 없이 10.9GB짜리 Hugging Face 저장소로 업로드되었고, 프리프린트는 그다음 날짜로 되어 있다. LFM2.5 2.6B Base는 Liquid AI의 26억 9천만 파라미터 사전학습 체크포인트로, 2026년 8월 1일에 만들어졌으며, 자사가 직접 "상당한 적응 작업이 필요할 때에만 손을 뻗게 되는 체크포인트"라고 분명히 설명하는 물건이다. 둘 다 원재료다. 둘 다 오늘 내려받을 수 있다. 그리고 각자가 완성품이 아닌 방식은 거의 정반대인데, 바로 그 점이 이 비교를 그냥 넘기지 않고 글로 쓸 가치가 있는 유일한 이유다.

Base 체크포인트는 아직 지시를 따르도록 훈련되지 않았기 때문에 미완성입니다. HiRO-ACEv2는 결코 범용 모델이 되지 않을 것이라는 점에서 미완성입니다 — 그것은 이미 훈련되었고, 이미 특화되었으며, 이미 명시된 한계에 싸여 도착한 애플리케이션입니다. 하나는 목적을 기다리는 토대이고, 다른 하나는 그 밖의 다른 무엇을 위한 토대가 없는 목적입니다.

각 저장소에 실제로 포함된 내용

Liquid AI의 Base 리포지토리는 하나의 모델입니다. 모델 카드에는 30개 레이어에 걸친 26억 9천만 개의 파라미터가 나열되어 있습니다 — 22개의 이중 게이트 숏 컨볼루션 블록과 8개의 그룹화된 쿼리 어텐션 레이어로, LFM2 제품군이 기반으로 삼는 하이브리드 구성입니다 — 131,072 토큰 컨텍스트 창, 128,000개 항목의 어휘, 34조 토큰의 사전 학습, 그리고 영어, 아랍어, 중국어, 프랑스어, 독일어, 이탈리아어, 일본어, 한국어, 포르투갈어, 스페인어, 베트남어, 태국어, 인도네시아어, 힌디어, 러시아어, 폴란드어를 포함한 16개 언어 지원을 갖추고 있습니다. 텍스트 전용이며, 명령어 튜닝은 되어 있지 않습니다. 다운로드 형식은 네이티브 Transformers 체크포인트부터 llama.cpp용 GGUF, 크로스 플랫폼 배포용 ONNX, Apple 실리콘용 MLX까지 이어지며, Q4_K_M 양자화는 약 1.67GB에 달합니다.

Ai2의 저장소는 그런 의미의 모델이 아니다. 여기에는 두 개의 체크포인트 — 약 1.28 GiB의 HiROv2.ckpt와 약 2.98 GiB의 ACE2S-X-SHiELD.ckpt — 가 들어 있고, 파일당 약 609 MB인 10년치 NetCDF 강제력 데이터, 두 개의 초기 조건 파일, 세 개의 YAML 설정 파일, 그리고 셸 스크립트가 있다. 실제 가중치 약 4.3 GiB는 전체 10.9 GB 중 일부에 불과하다; 다운로드하는 것의 대부분은 이 프레임워크가 소비하도록 만들어진 입력 데이터 윈도우이다. 양자화도, 대체 런타임도, ONNX 내보내기도, 더 작은 변형도 없다. 실행하는 방법은 하나뿐이며, README에 설명되어 있다: Ai2의 fme 패키지를 설치하고, 설정에서 네 개의 경로를 편집한 뒤, 스크립트를 실행하라.

두 가지 서로 다른 종류의 라이선스 문제

라이선스 태그는 대조가 철학적이라기보다 실용적으로 되는 지점이며, 이 둘이 여기에서 찾을 수 있을 법한 Apache-2.0 릴리스와 같은 모델과 진정으로 달라지는 지점입니다.

• HiRO-ACEv2 — Apache 2.0이며, Ai2의 책임 있는 사용 지침(Responsible Use Guidelines)에 따라 연구 및 교육 목적이 부여되고, 훈련 데이터는 GFDL이 제공한 X-SHIELD로 명시됩니다.

• LFM2.5 2.6B Base — LFM Open License v1.0이며, OSI 스타일의 허용적 라이선스가 아닙니다. 그 조건은 저장소 자체의 LICENSE 파일에 있으며, 상업적 조건은 체크포인트를 기반으로 제품을 만들기 전에 태그가 아니라 그 파일을 읽어야 하는 이유입니다.

• 곧 만들게 될 포크에 이것이 의미하는 바 — HiRO-ACEv2의 경우, 문제는 당신의 사용이 연구인지 여부입니다. LFM2.5 2.6B Base의 경우, 문제는 당신의 사용이 상업적인지, 그리고 어느 규모인지 여부입니다. 질문이 다르면 답도 다르며, 어느 쪽도 "오픈"이라는 단어로 답이 되지 않습니다.

출력 형태들은 공통점이 전혀 없으며, 바로 그게 유용한 부분이다.

Base 체크포인트는 텍스트를 생성합니다. 토큰 단위로, 자기회귀적으로, 일반적인 샘플링 파라미터를 사용하며 — 모델 카드에서는 포스트트레이닝된 형제 모델의 생성 스타일을 위해 temperature 0.6과 top-p 0.95를 권장하지만, base 체크포인트는 이를 직접 결정하라고 요구합니다. 그 이후에 오는 모든 것은 언어 작업입니다: 문서 이어 쓰기, 스팬 분류하기, 번역하기, 구조화된 데이터 출력하기, 또는 현재 잘 다루지 못하는 도메인이나 언어를 가르쳐 주는 파인튜닝의 출발점이 되기.

HiRO-ACEv2는 3km 해상도의 격자화된 물리장, 즉 6시간 평균 지표 강수율, 순간 10미터 동향 및 북향 바람, 해면 기압을 생성한다. 이는 확산 모델에 의해 100km 입력으로부터 다운스케일되며, 거친 상태 자체는 X-SHIELD의 별도 에뮬레이터에 의해 자기회귀적으로 생성된다. 그 파이프라인에서 텍스트인 것은 아무것도 없다. 중요한 평가는 출력의 분포가 참조 시뮬레이션의 먼 꼬리까지 일치하는지 여부이며, 이번 공개를 뒷받침하는 논문은 바로 그것을 다룬다. 저자들은 참조 강수 및 지표 근처 바람 분포를 99.9999번째 백분위수까지 추적하고, 참조 열대 저기압 강도 분포를 대체로 따른다고 보고하며, 추론 비용은 기존의 전지구 폭풍 해상 수치 모델보다 300배 이상 낮다고 주장한다.

그 둘 모두 벤더나 저자의 주장이며, 재현되지 않았다. 차이는 재현자가 무엇을 해야 하는지에 있다. Base 체크포인트에 관한 주장을 검증하는 것은 태스크 스위트와 체크포인트 하나 분량의 GPU 시간을 의미한다. HiRO-ACEv2에 관한 주장을 검증하는 것은 10년치 forcing 데이터셋, 비교 대상이 될 참조 시뮬레이션, 그리고 극단 꼬리에서의 분포 분석을 의미한다 — 그렇기 때문에 두 번째 주장은 상당히 더 오랫동안 이의 제기 없이 남아 있을 가능성이 크다.

각각을 기반으로 실제로 무엇을 구축하게 될지

Base 체크포인트의 자연스러운 용도는 적응이며, Liquid AI는 이 점을 유난히 솔직하게 밝힌다. 언어 또는 도메인 특화 어시스턴트, 독점 데이터로 학습, 또는 새로운 포스트트레이닝 방법 테스트가 그것이다. 이는 그 가치가 작업 이후에 나타나는 체크포인트이지, 작업 이전에 나타나는 체크포인트가 아니다. 포스트트레이닝된 형제 모델인 LFM2.5 2.6B는 3일 전인 7월 28일에 만들어졌으며, 에이전틱 워크로드를 위해 구축된 쪽이다. 그리고 다운로드 수치는 커뮤니티가 둘 중 어느 쪽을 원했는지에 대해 모든 것을 말해준다. 포스트트레이닝된 모델은 10월 중순까지 다운로드 114,000회와 좋아요 823개를 넘어선 반면, Base는 다운로드 6,282회와 좋아요 51개에 그쳤다. Base는 전문가용 도구이며, 시장은 그에 걸맞게 값을 매겼다.

HiRO-ACEv2의 자연스러운 사용 방식은 앙상블을 실행하는 것입니다. 이 프레임워크의 강점은 하나의 예측이 아니라 여러 예측에 있습니다: 논문의 동기는 3km 해상도에서, 수십 년에 걸친 기간과 임의의 전 지구 지역에서 열대 저기압의 거동과 극한을 연구할 수 있을 만큼 저렴하게 대규모 앙상블을 생성하는 것입니다. 이 모델을 미세 조정하지 않으며, 모델 카드도 그렇게 하라고 권하지 않습니다. 이 모델을 실행하고, 그 한계—9년치 학습 데이터, 66°S~70°N 밖에는 적용 불가, 16×16 1도 학습 타일보다 큰 규모에서 나타나는 패치 경계 아티팩트—를 신뢰하거나 신뢰하지 않거나 둘 중 하나입니다.

달리 말하면, 이 모델들 중 하나는 당신이 수정하는 출발점이고, 다른 하나는 당신이 조작하는 도구입니다. 둘 다 다운로드할 수 있다는 이유로 이 둘을 서로 바꿔 쓸 수 있는 "오픈 모델"로 읽는 것이야말로, 이 페이지가 애초에 막고자 하는 실수입니다.

그들이 공유하는 단 한 가지: 어느 쪽도 토큰당 과금되지 않는다

두 모델이 진정으로 수렴하는 지점은 비용 형태다. 둘 다 요금표가 없다. LFM2.5 2.6B Base는 다운로드가 무료이고 실행 비용이 저렴한데, 그 이유는 바로 작기 때문이다 — bf16에서 2GB 정도이고 양자화하면 2GB 훨씬 아래이며, 이는 LFM2.5 설계의 핵심이자 온디바이스 작업에 맞춰 조정된 사후 학습된 형제 모델과 나란히 존재하는 이유다. HiRO-ACEv2는 다른 이유로 저렴하다: 좁은 범위의 에뮬레이터이며, 그 경제성은 휴대폰에 맞춰 넣는 데서가 아니라 엄청나게 비싼 수치 시뮬레이션을 대체하는 데서 나온다.

따라서 워크로드가 텍스트라면, Base 체크포인트는 파인튜닝에 대한 질문이며, 그 워크로드의 일상적인 버전 — 즉, 훈련할 체크포인트보다는 모델이 답변하기를 원하는 경우 — 은 다운로드가 아니라 호출처럼 보입니다. 그것이 OrcaRouter가 위치한 계층입니다: 200개 이상의 호스팅된 모델에 걸친 하나의 API 키, 제공업체의 정가가 마크업 없이 전달되고, 한 제공업체가 성능이 저하될 때 제공업체 간 자동 장애 조치가 이루어집니다. 이 비교에 나온 어느 모델도 그 카탈로그에 없으며, 현재 형태로는 있을 수도 없습니다; LFM2.5 2.6B Base는 서비스가 아니라 체크포인트이고, HiRO-ACEv2는 요청 형태의 인터페이스가 전혀 없습니다. 우리가 라우팅하는 것은 그 주변의 모든 것 — 요약, 추출, 하네스 코드, 그리고 다운로드된 아티팩트를 파이프라인으로 바꾸는 에이전트 루프입니다.

실무에서의 피킹

기반 모델이 충분히 보지 못한 도메인이나 언어의 데이터를 가지고 있고, 후속 학습을 할 컴퓨팅 자원이 있다면, LFM2.5 2.6B Base는 대부분의 경쟁 모델보다 더 저렴한 출발점입니다 — 기대했던 벤치마크를 읽기 전에 라이선스 파일을 읽으세요. 왜냐하면 이 체크포인트에서는 라이선스가 여러분의 프로젝트가 허용되는지를 결정하는 문서이기 때문입니다. 기기에서 실행할 작은 에이전트형 모델을 원한다면 Base보다는 후속 학습된 형제 모델을 원하는 것이고, 다운로드 수치는 커뮤니티가 여러분보다 먼저 그 결론에 도달했음을 시사합니다. 30년에 걸친 시뮬레이션 기후의 3 km 대기장을 원한다면, 이 둘 중 어느 것도 관련이 없으며 이 글에서 단 하나의 파일만 관련이 있습니다.

여기서 얻을 유용한 점은 "오픈 웨이트"가 그 자체로는 더 이상 유용한 범주가 아니라는 것입니다. 베이스 체크포인트, 사후 학습을 거친 형제 모델, 연구용 에뮬레이터는 모두 허용적으로 들리는 태그를 달 수 있지만, 그 태그로 의미하는 바는 완전히 서로 다른 세 가지일 수 있습니다.

이런 종류의 비교는 실패 모드가 드러나는 지점이기도 합니다. 이 등급의 모델들 뒤에 있는, 문서로 기록된 AI 사고와 에이전트 실패 사례는 OrcaRouter AI Incident Archive에 모여 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 이의 제기 여부 플래그가 함께 딸려 있습니다.