Kolibri vs LFM2.5 2.6B Base: 폰 크기 체크포인트에 맞선 78B 주권형 배포

놓고 보면Kolibri옆에LFM2.5 2.6B Base뻔한 해석은 다윗과 골리앗이다: 781억 개 매개변수 대 26.9억 개, 2개 GPU 배포 최소 요구 사항 대 Liquid AI가 휴대폰에서 실행된다고 말하는 모델. 뻔한 해석은 틀렸고, 예상하는 방향으로 틀린 것이 아니다. 이들 중 어느 것도 오늘 당장 어떤 작업에 갖다 쓸 수 있는 모델이 아니다. Kolibri는 Aleph Alpha가 2026년 10월 3일에 출시한, 서빙 플러그인과 권장 샘플링 구성을 갖춘 완전한 사후 훈련된 도구 호출형 독일어·영어 어시스턴트다. LFM2.5 2.6B Base는 Liquid AI가 2026년 8월 초에 공개한 사전 학습 체크포인트로, 인스트럭션 튜닝이 전혀 없으며, 미세 조정을 목적으로 특별히 출시되었다. 하나는 배포하는 제품이다. 다른 하나는 원재료다. 이들의 품질을 비교하는 것은 범주 오류이며, 흥미로운 질문은 여러분의 프로젝트에 실제로 어떤 종류의 원재료가 필요한가이다.

이 둘 사이에서 대부분의 실제 조달을 결정짓는 격차는 파라미터가 아니다. 그것은 라이선스다. Kolibri는 Apache 2.0으로 제공된다. LFM2.5 2.6B Base는 맞춤형 라이선스인 LFM Open License v1.0으로 제공되며(모델 카드에는 "license: other"로 기재되어 있다), 그 차이가 바로 엔지니어링 팀이 아니라 법무 팀으로 넘어가는 차이다.

"오픈 웨이트"의 두 가지 다른 의미

두 모델 모두 가중치를 내려받아 직접 실행할 수 있게 해줍니다. 그 이후에 무엇을 하도록 허용되는지가 두 모델이 갈라지는 지점입니다.

• Kolibri — Apache 2.0, 허용 사용 부속 조항 없음, 사용자 수 임계값 없음, 별도의 상업적 조건 없음. Aleph Alpha의 카드에는 해당 연구소가 EU GPAI 실무규약의 서명자라는 점만 언급되어 있습니다.

• LFM2.5 2.6B Base — OSI 표준 라이선스가 아닌 Liquid AI 자체 라이선스인 LFM Open License v1.0이 적용됩니다. 사후 학습된(post-trained) LFM2.5 2.6B와 이 제품군의 나머지 모델에도 동일한 라이선스가 적용됩니다.

연구팀에게는 어느 쪽이든 괜찮습니다. 조달 문서에 자사의 라이선스 입장을 명시해야 하는 기업에게는 하나는 이미 알려진 항목이고 다른 하나는 누군가가 읽어야 하는 문서입니다. 그것은 실제 비용이며, 단 하나도 생성되기 전에 치러지고, 어떤 벤치마크 표에도 보이지 않습니다.

같은 범주에 두 번째 차이가 있으며, 이는 Liquid AI 자체 카드가 애써 강조하는 지점이기도 합니다. Base는 어시스턴트가 아닙니다. 지시 튜닝이 적용되지 않았으므로 프롬프트를 따르지 않고, 답변을 보류하지도 않으며, 도구 호출을 내보내지도 않고, 주제에 머물지도 않습니다 — 약해서가 아니라, 애초에 그렇게 훈련된 적이 없기 때문입니다. 카드에는 대규모 파인튜닝이 필요한 작업에만 권장된다고 분명히 나와 있습니다: 언어별 또는 도메인별 어시스턴트, 독점 데이터로 학습, 또는 새로운 포스트트레이닝 접근법 실험. 베이스 체크포인트 이후의 모든 것 — 지도 파인튜닝, 교사 특화, 온폴리시 증류, 에이전트 강화학습 — 은 구매자의 몫입니다. Kolibri는 그 모든 것이 이미 완료된 상태로, 네 가지 추론 강도 수준에서, Hermes 스타일 도구 호출 파서가 가중치 옆에 함께 제공됩니다.

사이즈가 실제로 주는 것

프레이밍을 걷어내면 두 모델은 상반된 제약 조건에 맞춰 최적화되어 있다.

• 파라미터 — Kolibri에서 총 78,103,074,560개이며 토큰당 3,457,573,120개가 활성인 반면, LFM2.5 Base에서는 총 26억 9천만 개로, 이는 균일한 블록의 트랜스포머가 아니라 22개의 이중 게이트 숏 컨볼루션 블록과 8개의 그룹화된 쿼리 어텐션 레이어로 구성된 하이브리드 스택을 사용한다.

• 컨텍스트 — LFM2.5 Base에서의 131,072토큰, Kolibri에서의 262,144토큰 네이티브 윈도우 및 그 너머로 검증된 1,048,576토큰과 대비됩니다.

• 학습 데이터 — LFM2.5 Base에서는 34조 토큰, 이에 비해 Kolibri에서는 필터링과 중복 제거 후 200조가 넘는 원시 풀에서 추출한 20조 토큰을 사용했으며, 그중 13.6퍼센트가 코드였다.

• 언어 — LFM2.5 Base에서는 아랍어, 중국어, 일본어, 한국어, 태국어, 베트남어를 포함해 16개를 지원하는 반면, Kolibri에서는 명시적인 설계에 따라 정확히 독일어와 영어 두 개만 지원합니다.

• 메모리 — LFM2.5 Base는 GGUF, ONNX, MLX 빌드가 함께 공개되어 있으며 엣지 배포용으로 제작되었습니다. Kolibri의 FP8 가중치는 약 78 GB의 메모리 사용량을 차지하며, 최소 두 장의 A100 80 GB 카드, 두 장의 H100 SXM5, 한 장의 H200, 한 장의 B200 또는 한 장의 B300이 필요합니다.

그 다섯 줄을 함께 읽으면 그림은 더 이상 한쪽으로 치우치지 않게 된다. Liquid AI의 모델은 세 자릿수 더 작은 하드웨어에서 열 배 더 많은 언어를 지원한다. Aleph Alpha의 모델은 여덟 배 더 긴 컨텍스트 윈도와 자체 버티컬 평가 내부에서만 드러나는 전문성의 깊이를 바탕으로 두 개 언어를 지원한다. 어느 쪽도 다른 쪽의 열등한 버전이 아니다. 그것들은 서로 다른 질문에 대한 답이며, 그 질문은 "서버 없이 실행될 수 있는가"와 "독일 규제 당국 제출 서류를 끝까지 추론해낼 수 있는가"이다.

그중 하나만 측정된 점수를 가지고 있으며, 그것은 Base가 아닙니다.

다음은 그 페어링이 숨기는 부분입니다. Artificial Analysis에는 실제로 LFM2.5-2.6B 모델 페이지가 있습니다. 다만 Base가 아니라 사후 학습된 모델을 위한 페이지입니다. 그 페이지는 Intelligence Index 8을 보고하며, 동급 49개 모델 중 #9위이고, 128,000토큰 컨텍스트, 27억 개 파라미터, LFM Open License v1.0을 갖추고 있습니다. 겸손하면서도 정직한 점수입니다. 이 모델은 측정되었고, 사실상 0의 가격이 매겨졌으며, 있는 그대로 — 작은 추론 모델 — 로 평가됩니다.

Base 체크포인트에는 점수가 없으며, 점수를 가질 수도 없습니다. Intelligence Index는 모델을 추론 및 지식 과제에 대해 실행하여 계산됩니다. 인스트럭션 튜닝되지 않은 체크포인트는 그러한 과제에서 의미 있는 동작을 보이지 않습니다. Liquid AI는 이에 대한 평가 표를 공개하지 않는데, 그 부재는 릴리스의 누락이 아니라 아티팩트 자체에 관한 진술입니다.

Kolibri의 위치는 또 다르며, 쉽게 오독될 수 있기 때문에 정확히 짚고 넘어갈 가치가 있다. Kolibri 역시 Artificial Analysis 페이지가 없다 — 우리가 확인했고, 그 모델은 해당 비교에서 완전히 빠져 있다. 존재하는 것은 Aleph Alpha 자체의 포스트트레이닝 표뿐인데, 여기서 Kolibri는 자체 하네스 전반에서 영어 평균 75.5, 독일어 평균 70.8을 기록한 반면, 자사 이전 모델인 Kolibri Origin은 54.1과 46.4를 기록했다. 이는 벤더가 실행한 수치이자 벤더가 구축한 평가 스위트에서 나온 것이며, Intelligence Index로 환산할 수 없다. 따라서 이 헤드라인에 등장하는 두 모델 중 하나는 형제 버전에 대한 독립적 점수를 갖고 있고, 다른 하나는 벤더 표를 갖고 있으며, 비교 대상인 바로 그 산출물 중 어느 것도 독립적 측정치를 전혀 갖고 있지 않다.

추천을 바꾸는 형제

LFM2.5 2.6B Base만을 놓고 판단하는 것은 Liquid AI의 출시를 평가하는 잘못된 방식이다. 왜냐하면 Base는 사후 학습된 LFM2.5 2.6B를 지원하기 위해 존재하며, 이 둘은 함께 출시되기 때문이다. 파인튜닝 파이프라인을 작성할 생각이 없다면, Base는 당신의 모델이 아니다 — 사후 학습된 형제 모델이 당신의 모델이며, 직접 호스팅할 때 공개 점수와 토큰당 사실상 0에 가까운 공개 가격을 가진 쪽도 바로 그 모델이다.

이는 Kolibri가 Kolibri Origin과 맺고 있는 관계와 같으며, Aleph Alpha가 타임라인을 공개했기 때문에 이 비교는 해 볼 가치가 있다. Origin은 2026년 6월 11일에 파라미터 306억 개, 활성 파라미터 32억 7천만 개 규모로 사전학습을 마쳤지만 끝내 공개되지 않았다. Kolibri는 2026년 9월 11일에 781억 개 규모로 사전학습을 마쳤고 10월 3일에 공개되었다. 두 모델, 석 달, 그중 하나는 내부 전용이었다. Liquid AI의 이에 상응하는 분할은 양쪽 모두 공개되어 있다: Base와 사후 학습 버전이 나란히 공개되고, llama.cpp, ONNX Runtime, Apple의 MLX용 양자화 빌드가 네이티브 체크포인트와 함께 공개되었다. 파인튜닝을 계획하고 있다면, 그 주변 도구는 벤치마크 결과 한 줄보다 더 가치가 있다. 직접 해야 할 작업이 얼마나 되는지를 좌우하기 때문이다.

요구사항별 배포 대상

이것은 승자를 가리는 문제라기보다 짧은 결정 목록으로 귀결된다.

• 서버 없이 모델을 실행해야 한다면 — 휴대폰, 노트북, 공장의 어플라이언스에서 — LFM2.5 2.6B Base는 둘 중 유일하게 후보가 될 수 있는 모델이며, 실제로 시작점으로 삼게 될 것은 사후 학습된 LFM2.5 2.6B입니다. Kolibri는 어떤 양자화로도 그 환경에서 실행할 수 없습니다.

• 워크로드가 자체 경계 내에서 독일어 또는 영어 문서 추론을 수행하는 것이고, 규제 대상 데이터 제약과 답변 유보 동작에 대한 요구가 있다면, LFM2.5 Base는 적합한 형태의 아티팩트가 아니며 Kolibri는 바로 그것을 겨냥합니다 — 단, 80GB 가속기 두 대를 공급할 수 있고 한 줄로 밝힐 수 있는 라이선스 입장을 받아들일 수 있다면.

• 독일어와 영어 이상이 필요하다면, Liquid AI의 패밀리는 2.6B에서 열여섯 개 언어를 지원하며, 그 규모에서는 언어 지원 범위에 관한 논리가 역전됩니다.

• 이번 분기에 배포할 어시스턴트가 필요하고 포스트 트레이닝 파이프라인을 돌리고 싶지 않다면, Kolibri는 포스트 트레이닝되어 있습니다; LFM2.5 Base는 그렇지 않으며, LFM2.5 포스트 트레이닝 모델은 Kolibri의 더 저렴한 버전이 아니라 Kolibri보다 훨씬 작은 어시스턴트입니다.

워크로드가 진정으로 중간에 위치하는 팀 — 월 수십억 토큰, 중간 정도의 컨텍스트, 하드웨어를 직접 소유해야 한다는 규제 요건 없음 — 에게는 이들 중 어느 것도 가장 먼저 선택할 대상이 아니다. 4B 미만 모델은 자체 호스팅하기엔 저렴하고 대규모로 라우팅하기엔 어색한데, 배포의 운영 비용이 토큰 청구서를 초과할 수 있기 때문이다. 78B 모델은 반대의 문제다. 실제로 라우팅되는 계층은 그 중간에 있으며, 그 계층은 현재 OrcaRouter에서 제공된다: Qwen3.5 35B-A3B는 백만 입력당 $0.057, 출력 $0.459, Qwen3.8-Flash는 1M 토큰 컨텍스트에 $0.15와 $0.47, 또는 전문가 혼합(MoE) Gemma 4 26B-A4B IT는 $0.06와 $0.33이다. 이는 공급자 정가로, 토큰당 아무것도 더하지 않고 그대로 전달되며, 장애 조치가 있는 하나의 OpenAI 호환 키로 제공되고, 미세 조정 프로젝트든 랙이든 확정하기 전에 실제 토큰 볼륨을 측정하려는 팀에게는 이것이 정직한 답이다.

우리가 제공하지 않는 것을 분명히 하자면, 오늘날 OrcaRouter에서 Kolibri와 LFM2.5 2.6B Base는 둘 다 라우팅할 수 없습니다. 가능한 모든 벤더 및 모델 표기로 카탈로그에서 두 모델을 찾아봤지만 어느 것도 없습니다. Kolibri는 자체 호스팅 전용이며, LFM2.5 Base는 API 뒤에 놓일 목적으로 만들어진 적이 없는 파인튜닝 산출물입니다.

한 줄로 보는 선택

Kolibri는 완성되었고 라이선스가 부여되었으며 문서화된 780억 매개변수 독일어-영어 추론기로, 실행하는 데 가속기 두 개가 필요합니다. LFM2.5 2.6B Base는 미완성된 26억 9천만 매개변수 다국어 출발점으로, 파인튜닝 파이프라인이 필요하고 주머니에 쏙 들어갑니다. 둘 사이의 매개변수 비율은 29 대 1이며, 이는 이 기사에서 가장 정보량이 적은 숫자입니다.