LBS-27B vs LFM2.5 24B A2B: 활성 파라미터 문제

LFM2.5 24B A2B에서 가장 중요한 숫자는 24가 아니다. 바로 2.45다. 이는 모델이 토큰마다 실제로 읽어 들이는 파라미터 수(단위: 10억 개)다. 그래서 Liquid AI는 이 모델이 240억 개 파라미터 분량의 지식을 보유하면서도 Apple M5 Max에서 초당 184개의 출력 토큰을 낼 수 있다고 주장할 수 있으며, 이 회사가 이 모델을 데이터센터용 일꾼이 아니라 온디바이스 에이전트로 포지셔닝하는 이유이기도 하다. 같은 숫자가 LBS-27B에서는 빠져 있으며, 그 부재가 바로 이 비교를 아직 결론짓지 못하는 이유다. 활성 파라미터 수가 없으면 inclusionAI의 모델을 LFM2.5가 정의하는 효율성 곡선 위에 놓을 방법이 없다.

LFM2.5 24B A2B는 2026년 10월 13일부터 다운로드할 수 있으며, 모델 카드와 16개의 벤치마크 행, 그리고 대부분의 기업이 주의 깊게 읽어야 할 라이선스를 갖추고 있습니다. LBS-27B는 2026년 10월 26일에 생성된 저장소로, 표준 .gitattributes 파일과 Apache-2.0을 선언하는 28바이트짜리 README가 들어 있습니다. 가중치도, 설정도, 카드도, 발표도 없습니다. 따라서 다음은 완전히 명세된 효율성 전략과, 아직 어떤 종류의 모델인지 밝히지 않은 이름 사이의 비교입니다.

Liquid가 최적화하는 대상

LFM2.5 24B A2B는 64개의 전문가와 top-4 라우팅을 갖춘 전문가 혼합(MoE) 디코더로, 40개 레이어, 2,048의 은닉 크기, 128,000개 토큰의 어휘를 갖추고 있습니다. 활성 파라미터 수는 24억 5천만 개입니다. 131,072개 토큰의 컨텍스트를 지원하며, 이는 이전 세대의 32K에서 증가한 수치이고, 33조 개 토큰으로 사전 학습되었으며, 이는 LFM2에 사용된 17조 개 토큰의 약 두 배입니다.

어휘 변경은 주목할 만한 세부 사항이다. 65K에서 128K 토큰으로 늘리는 것은 비용이 많이 든다. 임베딩과 출력 레이어를 다시 학습해야 하기 때문이다. 그리고 보통 그렇게 하는 이유는 비라틴 문자 텍스트 때문이다. 카드에는 열여섯 개 언어가 나열되어 있다: 영어, 아랍어, 중국어, 프랑스어, 독일어, 이탈리아어, 일본어, 한국어, 포르투갈어, 스페인어, 베트남어, 태국어, 인도네시아어, 힌디어, 러시아어, 폴란드어. 어휘가 커지면 해당 언어들은 단어당 비용이 낮아지고 보통 꼬리 부분에서 더 나아진다.

또한 추론 전용 모델입니다. Liquid의 포스트트레이닝 파이프라인은 지도 미세 조정, 교사 특화, 비에이전트 및 에이전트 증류를 거친 뒤 OpenClaw, Hermes Agent, Pi, OpenCode 같은 하네스 내에서 에이전트 강화 학습을 실행합니다. 이 모델은 답변하기 전에 사고 연쇄를 생성하며, 모델 카드에는 별도의 "빠른, 사고 없는" 모드가 문서화되어 있지 않습니다.

의도적으로 들쭉날쭉하게 설계된 벤치마크 프로파일

Liquid가 자체적으로 제시한, 우리가 재현하지 않은 수치들은 이 모델이 온디바이스 에이전트가 하는 일에는 뛰어나고 지식 노동자가 필요로 하는 일에는 취약하다는 것을 보여줍니다. 그런 형태는 우연이 아니라 설계입니다.

• 지시 따르기 — IFEval 96.75, IFBench 74.69, Multi-IF 84.38. 이는 카드에서 가장 강력한 클러스터이며, 도구 스키마를 따라야 하는 에이전트에게 가장 중요한 항목입니다.

• 도구 사용 — ToolSandbox 80.71, PinchBench 83.18, BFCL v4 65.01, AutomationBench 27.69. 좋지만 하네스마다 편차가 있습니다.

• {{1}}에이전트형 브라우징 및 컴퓨터 사용{{/1}} — LiveClaw 48.09, WebArena Verified 26.75, tau3-Bench Banking 8.04. {{2}}은행 결과는 이례적입니다: 다른 에이전트형 모델들이 훨씬 더 잘 처리하는 작업 모음에서 한 자릿수 점수를 기록했습니다. 이는 "에이전트형"이 하나의 능력이 아니라는 점을 상기시켜 줍니다.{{/2}}

소프트웨어 엔지니어링 — OpenCode 기준 SWE-Bench Verified 51.00, SciCode 32.71. 중위권.

• 수학 — MATH-500 96.04. 이 규모에 비해 강력합니다.

• 지식 — GPQA Diamond 74.42, HLE 7.40, AA-Omniscience −24.90. 여기서 부정적인 Omniscience 점수는 정직한 신호입니다. 확신에 찬 오답에 페널티를 부여하는 벤치마크에서 이 모델은 얻는 것보다 잃는 것이 더 많습니다. Liquid의 자체 포지셔닝도 이를 인정합니다 — 이 모델은 백과사전으로 신뢰되기보다 검색과 함께 사용되도록 설계되었습니다.

함께 읽으면, 그 행들은 이 모델이 얇은 지식 기반을 갖춘 유능한 지시 수행자이자 도구 호출자임을 보여준다. 파일을 읽고 API를 호출하는 로컬 에이전트에게는 그것이 올바른 절충이다. 연구 보조원에게는 잘못된 절충이다.

효율성 주장과 그에 따르는 유의점들

Liquid는 Apple M5 Max에서 약 15GB의 메모리를 사용해 초당 184개 토큰을 보고하고, Ryzen AI Max+ 395에서는 초당 114개 토큰을 보고합니다. 이는 특정 하드웨어에 대한 공급업체 수치일 뿐 일반적인 벤치마크가 아니며, 양자화와 배치 크기에 따라 달라집니다. 그래도 방향성은 여전히 의미가 있습니다. 2.45B가 활성인 24B 모델은 dense 24B 모델이 할 수 없는 방식으로 노트북에서 실행될 수 있습니다.

트레이드오프는 메모리 대역폭에 있습니다. 희소 모델도 240억 개 파라미터 전부를 메모리에 보유해야 합니다 — 절감되는 것은 저장 용량이 아니라 토큰당 연산량입니다. 그래서 15GB라는 수치가 처리량만큼이나 중요한 것입니다. 이는 전체 가중치 세트를 대략 4비트로 양자화한 것이며, 하드웨어의 하한선을 정합니다.

LBS-27B가 있어야 할 위치

이 맞대결에 관한 모든 것은 LBS-27B 저장소에 아직 존재하지 않는 두 가지 필드, 즉 전문가 수와 활성 파라미터 수에 달려 있습니다.

LBS-27B가 활성 파라미터가 2B~4B 정도인 희소 모델이라면, 이는 곧바로 LFM2.5의 영역에 들어섭니다 — 작은 모델의 연산량으로 27B급 지식 기반을 갖추는 것이죠 — 그리고 비교는 활성 파라미터당 품질을 겨루는 정면 승부가 됩니다. 밀집 모델이라면 전혀 다른 제품입니다: 예측 가능한 연산량과 대부분의 노트북에서는 감당할 수 없는 메모리 사용량을 지닌 서버 측 모델이죠. 활성 파라미터 수가 많은 희소 모델이라면 두 모델 사이에 위치하며 효율성보다 품질로 경쟁합니다.

저장소에서 어느 것인지 추론할 방법이 없습니다. 이름은 27B라고 말하고, README는 Apache-2.0이라고 말하며, 파일 트리는 그 외에는 아무것도 말하지 않습니다. inclusionAI는 우리가 찾을 수 있는 카드, 블로그 글 또는 논문을 게시하지 않았습니다.

가능한 범위까지의 비교

• 총 매개변수 — LFM2.5 24B A2B의 경우 24.0B; LBS-27B의 경우 검증되지 않은 27B.

• 활성 매개변수 — LFM2.5의 경우 2.45B, LBS-27B의 경우 미확인이며, 이것이 결정적인 미지수입니다.

• 아키텍처 — LFM2.5의 경우 top-4 라우팅을 사용하는 64개 전문가와 40개 레이어, LBS-27B의 경우 알 수 없음.

• 컨텍스트 — LFM2.5의 경우 131,072 토큰, LBS-27B는 알 수 없음.

• 모달리티 — LFM2.5의 경우 텍스트 전용, LBS-27B의 경우 알 수 없음.

• 언어 — LFM2.5에는 16개가 나열되어 있음; LBS-27B는 알 수 없음.

• 추론 — LFM2.5의 경우 기본적으로 사고의 연쇄를 사용하며, 문서화된 비사고 모드는 없음; LBS-27B의 경우 알 수 없음.

• 라이선스 — LFM 1.0 라이선스로, 연간 매출 1,000만 달러 초과 시 상용 라이선스 요구 사항이 있는 LFM2.5용; LBS-27B에 대해 Apache-2.0 선언됨.

• 공개된 평가 — LFM2.5에 대해 공급업체가 보고한 16개 행, LBS-27B에 대해서는 없음.

라이선스는 각주가 아니라 조달 문제입니다.

이것은 빈 리포지토리가 이미 LBS-27B에 이점을 제공하는 유일한 측면입니다. LFM 1.0 라이선스는 OSI가 말하는 오픈 소스가 아닙니다. 연 매출이 1,000만 달러를 넘는 기업은 배포 전에 별도의 상용 라이선스가 필요합니다. 기준 미만의 개인 개발자나 스타트업에게는 문제가 되지 않습니다. 중견 기업에게는 법률 검토, 협상, 그리고 비용 항목입니다.

LBS-27B는 README에서 Apache-2.0을 선언한다. 이는 명시적 특허 허여가 있고 매출 기준이 없는 관대한 라이선스이며, 가중치 공개까지 유지된다면 조달 절차 하나를 통째로 없애준다. 이는 이 비교에서 LBS-27B가 현재 지닌 유일한 구체적 이점이며, 실제이기에 분명히 언급할 가치가 있다 — 저장소 생성 시 이루어진 라이선스 선언은 약한 증거이지만, 아무것도 아닌 것은 아니다.

온디바이스 대 API: 서로 다른 두 제품

LFM2.5 24B A2B는 데이터가 있는 곳에서 실행되도록 만들어졌습니다. 핵심 소구점은 프라이버시와 지연 시간입니다. 즉, 노트북이나 워크스테이션에서 실행되며 제3자에게 요청을 전혀 보내지 않고, 로컬 자동화를 구동할 만큼 충분히 뛰어난 도구 호출을 갖춘 모델입니다. 4비트 메모리 사용량과 131K 컨텍스트는 바로 그 용도에 맞게 설계되었습니다.

LBS-27B는 무엇을 위한 것인지 밝히지 않았다. inclusionAI가 서버 측 서빙을 염두에 둔 모델을 출시한다면, 온디바이스 논리는 그대로 적용되지 않으며 두 모델은 대체재가 아니라 보완재가 된다. 로컬 배포 스토리를 갖춘 소규모 활성 MoE를 출시한다면 비교는 직접적으로 이루어지고, 온디바이스 툴링에서 Liquid가 확보한 두 세대 앞선 우위 — llama.cpp, MLX, ONNX 및 vLLM 지원, 그리고 문서화된 에이전트 하네스 — 가 결정적 차별화 요소가 된다.

프레임워크 지원은 이 점에서 과소평가되는 부분입니다. 출시 첫날에 llama.cpp나 MLX에서 지원되지 않는 모델은 활성 파라미터 수와 관계없이 사실상 온디바이스 모델이 아닙니다.

검증되지 않은 모델에 베팅하지 않고 테스트하기

LBS-27B와 LFM2.5 24B A2B는 현재 OrcaRouter에 없으므로 둘 다 호스팅 엔드포인트가 없으며, 그렇지 않다고 제안하지도 않겠습니다. 여기서 이 플랫폼을 언급하는 이유는 뒤따르는 평가 문제 때문입니다. 새로운 소규모 활성 모델이 현재 사용 중인 모델을 대체할 수 있는지 알고 싶다면, 리더보드가 아니라 자체 트래픽에서 두 모델을 모두 실행해야 합니다.

OrcaRouter의 라우팅 DSL을 사용하면 요청의 일정 비율을 후보 모델로 보내면서 기존 모델은 기본값으로 유지할 수 있으며, 자동 장애 조치 덕분에 시간 초과나 오류가 발생한 후보는 요청을 실패시키는 대신 알려진 모델로 대체됩니다. 하나의 모델로 충분하지 않은 어려운 경우에는 모델 퓨전을 통해 여러 모델로 구성된 패널이 함께 응답하고 결합된 결과를 반환할 수 있습니다. 이는 작업이 지식 집약적이고 저렴한 모델의 약점이 바로 테스트하려는 대상일 때 유용합니다. 여기서는 200개 이상의 모델 카탈로그와 0% 마크업보다 추가 통합 없이 자체 입력으로 비교할 수 있는 능력이 더 중요합니다.

그것은 이 페이지에 빠진 증거를 생성하는 한 가지 방법입니다. 그것은 모델이 존재하는 것을 대신하지는 않습니다.

세 명의 독자, 세 가지 답

온디바이스 에이전트를 만들고 있고 오늘날 노트북에서 실행되는 무언가가 필요하다면, LFM2.5 24B A2B는 진지하게 고려할 만한 후보입니다. 강력한 지시 수행 능력, 여러 하네스에서의 양호한 도구 호출, 131K 컨텍스트, 그리고 일반적인 로컬 런타임으로 이어지는 문서화된 경로를 갖추고 있습니다. 라이선스 기준을 먼저 확인하고, 검색 없이 이 모델이 사실을 알고 있을 것이라고 기대하지 마세요.

서버 측 27B 모델을 고르는 중이고 관대한 라이선스가 필요하다면, LBS-27B는 Apache-2.0이 이미 선언되어 있다는 바로 그 점 때문에 주목할 만합니다. 하지만 평가할 내용은 아무것도 없으며, 라이선스 선언은 모델이 아닙니다.

매출이 1,000만 달러를 넘고 엄격한 조달 절차를 갖춘 기업이라면, 라이선스 차이가 이 글의 어떤 벤치마크 수치보다 더 중요할 수 있습니다. LFM2.5의 맞춤형 라이선스는 실질적인 비용이며, LBS-27B의 Apache-2.0은 출시까지 유지된다는 전제하에 실질적인 이점입니다.

세 가지 답을 모두 바꿔 놓을 숫자는 활성 파라미터 수입니다. 그것이 존재하기 전까지 정직한 입장은, 한 모델은 효율성에 관한 이야기를 갖고 있고 다른 모델은 저장소를 갖고 있다는 것입니다.