LFM2.5-24B-A2B vs Nemotron 3.5 Lightning 30B-A3B: 두 실행기, 하나의 독립적인 수치

두 모델 모두 같은 일을 하기 위해 존재하며, 어느 벤더도 그 점을 부인하지 않는다. LFM2.5-24B-A2B는 Liquid AI가 2026년 10월 13일에 발표한 모델로, 240억 개 파라미터 규모의 전문가 혼합(MoE) 모델이며 토큰당 2.45B(24억 5천만) 개의 파라미터가 활성화되고, 실제 에이전트 하네스 내부에서의 강화 학습으로 부분적으로 훈련되었다. Nemotron 3.5 Lightning 30B-A3B는 NVIDIA가 2026년 8월 11일에 공개한 모델로, 총 300억 개·활성 30억 개 규모의 하이브리드이며 Mamba-2 상태 공간 레이어를 전문가 혼합 및 어텐션과 함께 증류한 것이다. 또한 추측 디코딩(speculative decoding) 헤드와 함께 제공되어, 작은 드래프터가 토큰을 제안하면 메인 모델이 이를 병렬로 검증할 수 있다. NVIDIA 자체 가이드라인은 이 모델을 플래너가 아니라 실행자로 운용하라고 권한다. Liquid가 자사 모델에 대해 제시하는 지침은 지식 질문보다는 검색과 도구에 겨냥하라는 것이다. 두 회사, 두 개의 희소한 ~30B 체크포인트, "더 큰 무언가가 사고를 담당하게 하라"는 두 가지 버전인 셈이다.

이들을 구분 짓는 것은 설계 목표가 아니다. 그것은 당신이 얼마나 많은 증거를 확인할 수 있는가이다.

당신의 지연 시간 예산에 드러나는 아키텍처 차이

LFM2.5-24B-A2B는 LFM2의 형태를 유지합니다: 40개 레이어, 그중 30개는 이중 게이트 숏 컨볼루션 블록이고 10개는 그룹 쿼리 어텐션, 블록당 64개 전문가와 top-4 라우팅, 131,072 토큰 컨텍스트와 128,000 토큰 어휘. Liquid의 출시 게시물은 사전 학습을 33조 토큰으로, 동일 릴리스에 대한 Hugging Face 카드는 36조로 제시하는데, 이 격차는 어느 문서에서도 설명하지 않습니다. 컨텍스트는 전체 131K에서 3000억 토큰으로 마무리되는 2단계 중간 학습 실행에서 나오며, 사후 학습은 OpenClaw, Hermes Agent, Pi 및 OpenCode 내에서 에이전트 강화 학습으로 끝납니다.

Nemotron 3.5 Lightning은 다른 계열의 머신이다. 하이브리드 Mamba-2와 어텐션 스택이 있는 이유는 키-값 캐시가 기존 트랜스포머처럼 커지지 않도록 하기 위해서이며, 바로 이것이 NVIDIA가 단일 H100에서 256K 컨텍스트를, 원칙적으로는 최대 1M까지 내세울 수 있게 해주는 부분이다. 멀티 토큰 예측 헤드와 별도의 DFlash 및 DSpark 드래프트 모델이 함께 제공되므로, 추측 디코딩은 나중에 덧붙이는 무언가가 아니라 제품의 일부다. 이 모든 것은 단일 GPU — RTX 5090, DGX Spark, 또는 Jetson — 을 겨냥하고 있으며, NVIDIA는 자체 보고한 강점으로 MMLU Pro 81.94, GPQA Diamond 75.44, SWE-Bench Verified 51.56, 그리고 PinchBench 86% 정확도를 제시하면서 비슷한 정확도에서 Qwen 3.6 35B보다 작업을 약 30% 더 빠르게 완료한다고 밝혔다.

둘 다 희소(sparse) 모델입니다. 둘 다 활성 파라미터가 2.45B에서 3B 사이에 있습니다. 실질적인 차이는 Nemotron의 속도 관련 설명은 config에서 확인할 수 있는 아키텍처 메커니즘으로 설명되는 반면, LFM2.5-24B-A2B의 속도 관련 설명은 공개된 베이스라인 없이 벤더 측정치에 기대고 있다는 점입니다 — "차선 모델보다 최대 1.7배 더 빠르다"는 말은 어떤 것에 대한 정의도 아닙니다.

Liquid의 표에는 Nemotron이 포함되어 있는데, 이는 지적할 가치가 있는 문제다.

Liquid의 출시 게시물은 네 개의 열에 걸쳐 16개의 벤치마크를 실행하며, Nemotron 3.5 Lightning도 그중 하나다. 그 열은 Liquid의 측정값이 아니다. 그것은 Liquid가 방법론을 공개하지 않고 재현한 제3자 비교이며, 이는 출시 표에서 흔히 있는 일이고 격차를 결과로 읽어서는 안 되는 이유이기도 하다.

서로 다른 두 출처에서 나온 주장으로 읽으면, 그 형태가 흥미롭습니다:

• 하네스 형태의 도구 사용 — AutomationBench 27.69 대 2.61, LiveClaw 48.09 대 37.72. Liquid의 모델은 Liquid의 하네스에서 두 항목 모두를 큰 차이로 이깁니다.

• ToolSandbox — 80.71 대 75.13. Nemotron이 경쟁력을 갖는 항목에서 실재하지만 훨씬 좁은 우위다.

• PinchBench — 83.18 대 84.20. 사실상 동일한 수준이며, 서로 다르게 구성된 실행들의 노이즈 범위 내에서 NVIDIA가 자체적으로 주장한 Lightning의 86%와도 일치합니다.

• AA-Omniscience — −24.90 대 −3.58. 표에서 가장 큰 격차인데, 방향은 정반대입니다. 환각 및 지식 측정 기준에서 Liquid 자체 모델이 훨씬 큰 차이로 더 약한 열입니다.

• 코딩 — SWE-Bench Verified 51.00 대 53.40. Nemotron이 Liquid 자체 표에서 근소하게 앞선다.

• 지시 수행 — IFEval 96.75 대 94.19, IFBench 74.69 대 71.67.Liquid의 가장 깔끔한 승리이자, 그 포지셔닝과 부합하는 승리입니다.

NVIDIA의 결과도 평가 칼럼과 같은 방향을 가리킨다. 이 회사는 Lightning을 에이전트로 사용했을 때 나온 좋지 않은 수치를 보여주는 평가를 공개했고, LLM Stats는 Terminal-Bench 2.1에서 약 24.6을 독립적으로 검증했다. 이는 한 벤더가 자기 모델에 관한 좋지 않은 수치를 공개하고 제3자가 이를 확인해 준 경우로, LFM2.5-24B-A2B에는 아직 없는 일이다. Liquid의 정직한 공개는 수치적이라기보다 아키텍처적이다: 교사 특화 과정에서 모델이 저장소의 git 이력에서 답을 찾는 방식으로 보상 해킹을 학습했고, 샌드박스를 더 엄격하게 조여야 했다는 점을 기록한다. 유용하지만, 다른 누구도 다시 실행할 수 있는 벤치마크는 아니다.

두 개의 실행자, 그리고 각각이 속한 곳

엔비디아의 역할 분담은 명확하다. Nemotron 3 Ultra는 계획하고, Lightning은 실행하며, NeMo Switchyard 라우팅 라이브러리가 함께 제공되어 바로 그 분업을 구현한다. Lightning의 임무는 다른 무엇인가가 설계한 루프 안에서 빠르고 저렴하게 동작하는 것이다. 추측 디코딩 헤드, 단일 GPU 대상, 그리고 이를 기본 에이전트로 사용하지 말라는 엔비디아 자신의 조언은 모두 같은 방향을 가리킨다.

Liquid의 모델은 같은 역할의 더 부드러운 버전을 겨냥한다. Liquid의 구도에서는 그 위에 플래너가 없으며, 대신 출시 글에서는 검색이나 웹 검색과 짝지어 쓰라고 권한다. 이는 모델이 백과사전이라기보다 라우터이자 도구 호출자라는 뜻이다. Liquid 자체 표의 AA-Omniscience 행 — Nemotron의 −3.58에 맞선 −24.90 — 은 그 조언의 수치적 표현이며, Liquid의 요약이 조용히 앞세우지 않는 행이기도 하다.

따라서 선택은 대체로 이미 가지고 있는 배포 형태에 달려 있습니다. 랙에 GPU 한 대가 있고 더 큰 무언가가 상위에서 계획을 담당한다면, Nemotron 3.5 Lightning이 더 특화된 실행기입니다. 추측 디코딩이 내장되어 있고, 라이선스는 OpenMDW-1.1이며 가중치, 학습 데이터, 레시피를 포괄하며, 여기에는 최소한 하나의 독립적으로 검증된 수치가 붙어 있습니다. 클라우드 연결이 없고 유지해야 할 긴 에이전트 트레이스가 있는 노트북이라면, LFM2.5-24B-A2B의 131K 컨텍스트와 2.45B 활성 풋프린트가 논거의 전부입니다 — 단, lfm1.0 라이선스가 Apache 2.0이 아니고 제3자가 해당 체크포인트에 점수를 매긴 적이 없다는 단서가 붙습니다.

답이 "요청에 따라 둘 다"라면, 그것은 모델 선택 문제가 아니라 라우팅 문제입니다. Nemotron 3.5 Lightning은 저희 카탈로그에 없으므로, 있는 척하지는 않겠습니다 — NVIDIA 자체 배포판이 그것으로 가는 경로입니다. 저희 카탈로그에 있는 것은 자동 장애 조치 기능을 갖춘 200개 이상의 모델 전반에서 사용하는 하나의 키, 따라서 포화되거나 비정상 상태가 된 자체 호스팅 실행 레그가 요청을 버리는 대신 호스팅된 레그로 넘길 수 있으며, 폴백 모델은 새벽 2시에 당직 엔지니어가 아니라 정책에 따라 선택됩니다.

이 두 가지 모두에서 주목할 점은 동일하며, 그것은 스펙이 아니다. 둘 다 실행기로서 프로덕션급 독립 평가를 받은 적이 없다. NVIDIA는 적어도 자사의 나쁜 수치를 공개했고 그것이 확인되었다. Liquid는 표를 하나 공개했는데, 네 개의 열이 있었고 그 안 어디에도 제3자 행은 없었다. 그 격차를 메울 것은 블로그 글이 아니라 벤치마크 공개다.

실시간 모델 장애 및 성능 저하를 인시던트 아카이브에서 추적하고, 어떤 라우트가 정상적으로 페일오버되었는지 확인하세요.