LFM2.5-24B-A2B vs Ternary Bonsai 2 27B: 차이는 2비트와 클라우드 연결입니다

가장 짧고 솔직한 답은 이렇습니다. LFM2.5-24B-A2B는 Liquid AI가 네트워크가 없는 머신의 에이전트 루프 안에 들어가도록 만든 텍스트 전용 전문가 혼합(mixture-of-experts) 모델로, 2026년 10월 13일에 총 24.0B, 활성 2.45B 파라미터로 발표되었습니다. Ternary Bonsai 2 27B는 Prism ML이 2026년 9월 17일에 Apache 2.0으로 공개한 Qwen3.8-27B의 저비트 재작성 버전으로, 각 가중치를 세 가지 기호 중 하나로 저장해 유효 1.76비트를 구현하고 53.81GB FP16 모델을 5.93GB 다운로드로 줄였습니다. 둘 다 로컬에 보관할 수 있을 만큼 작고 둘 다 오픈 웨이트이며, 같은 일을 하려는 것은 아닙니다. Liquid의 모델은 도구를 호출하도록 훈련되었습니다. Prism의 모델은 훨씬 저렴한 옷을 입은 풀정밀도 비전-언어 모델입니다.

이 짝을 한 페이지에 실을 만한 가치는, 각각이 자신의 근거가 어디에서 빈약한지를 알려주고, 그 두 약점이 서로 정반대라는 데 있다.

각각이 무엇인지, 중요한 부분만 간추린 것

LFM2.5-24B-A2B는 LFM2 아키텍처를 유지한다: 40개 계층, 30개의 이중 게이트 숏 컨볼루션 블록과 10개의 그룹화된 쿼리 어텐션 계층, 블록당 top-4 라우팅을 사용하는 64개의 전문가, 131,072 토큰의 컨텍스트, 128,000 토큰 어휘, 텍스트 입력 및 텍스트 출력. Liquid의 포스트 트레이닝 파이프라인은 OpenClaw, Hermes Agent, Pi, OpenCode 내부에서 실행되는 에이전트형 강화 학습 단계로 마무리된다. 공급업체는 지식 질문에서 이를 신뢰하기보다는 검색 또는 웹 검색과 함께 사용할 것을 명시적으로 권장한다 — 그리고 자체 출시 표에서 AA-Omniscience 행은 −24.90에 자리하는데, 이는 그 권고를 숫자로 나타낸 것이다.

Ternary Bonsai 2 27B는 Qwen3.8-27B와 동일한 네트워크를 다르게 표기한 것입니다. Prism ML의 백서는 27.36B 매개변수를 64개 블록에 걸친 언어 백본의 24.35B, 임베딩 및 LM 헤드의 2.54B, 그리고 약 0.63GB의 별도 4비트 mmproj 파일로 제공되며 이미지가 들어올 때만 로드되는 27블록 비전 타워의 0.47B로 나눕니다. 기본 모델의 하이브리드 어텐션 — 16개의 전체 어텐션 레이어와 교차 배치된 48개의 Gated DeltaNet 선형 어텐션 레이어, 히든 크기 5,120, 248,320개 토큰 어휘 — 은 변경 없이 그대로 계승됩니다. 262,144토큰 컨텍스트도 마찬가지입니다.

이 둘을 가장 빠르게 구분하는 기준은 모달리티입니다. Ternary Bonsai 2 27B는 이미지를 입력받습니다. LFM2.5-24B-A2B는 그렇지 않으며, 어떤 양자화 기법도 이를 바꾸지 못합니다.

품질, 둘 중 어느 쪽이든 가진 유일한 테이블 위에

Prism ML은 자사 빌드를 풀 정밀도 원본과 20개 벤치마크 스위트 전반에서 비교 측정했고, 평균의 98.2%를 유지한다고 보고했다 — 83.9 대 85.4. 이는 벤더 자체의 하네스이며, 한 달 된 것이고, 아무도 재현하지 않았다. 또한 이는, 의도적이든 아니든, 자신의 분포를 숨기는 바로 그런 종류의 주장이다. 왜냐하면 1.8점이 고르게 분포되지 않기 때문이다.

• 수학 — 96.57 대 97.06.사실상 동일한 수준입니다.

• 코딩 — 81.58 대 82.17. 근소한 차이이며, 압축 기법을 두고 논쟁이 벌어지고 있는 범주입니다.

• 지시 수행 — 82.66 대 81.25. 압축된 모델이 앞서는데, 표에서 정말로 놀라운 유일한 항목이다.

• 지식 및 추론 — 83.95 대 86.66. 2.7점 하락이며, 부족한 1.8점에 대한 단일 최대 기여 요인입니다.

• 에이전트 및 도구 호출 — 77.57 대 79.74, τ2-Bench 80.22, BFCL v3 74.92를 포함합니다.

이제 여기서 그 표를 사용할 때의 문제입니다. Prism의 수치는 자체 풀정밀도 베이스를 기준으로 한 자사 빌드의 수치입니다. Liquid의 수치 — AutomationBench 27.69, LiveClaw 48.09, ToolSandbox 80.71, BFCLv4 65.01, IFEval 96.75, IFBench 74.69 — 는 다른 모델 세트, 다른 하네스, 다른 생성 설정을 기준으로 한 것입니다. 두 표에 모두 등장하는 벤치마크는 하나도 없습니다.BFCLv3 74.92를 BFCLv4 65.01 옆에 놓고 승자를 발표하는 사람은 서로 다른 두 테스트를 비교해 놓고 그것을 결과라고 부르는 것입니다.

런타임은 둘이 실제로 갈라지는 지점이다.

이 부분은 벤더의 주장이 아니라, 오후 반나절이면 직접 부딪혀 확인할 수 있는 호환성 사실입니다.

Prism ML은 이 아키텍처를 위해 커널을 직접 작성해야 했습니다. 패킹된 형식과 대부분 선형인 어텐션이 둘 다 일반적이지 않기 때문입니다. 기본 llama.cpp는 Prism의 두 패킹을 모두 알 수 없는 타입으로 거부합니다. 그리고 더 위험하게도, 구형 삼진 형식은 아무 문제 없이 로드하고 유창한 헛소리를 만들어냅니다. 활성화값에 일치하는 회전이 적용되지 않았기 때문입니다. Ternary Bonsai 2 27B를 이를 모르는 바이너리에서 실행하면 오류가 나지 않습니다. 자신감 있게 틀린 출력이 나옵니다.

LFM2.5-24B-A2B는 위험 프로파일이 반대다. Liquid는 GGUF용 llama.cpp, MLX, vLLM, SGLang, ONNX 전반에 걸친 출시 첫날 지원과 FP8, ONNX, 4비트 MLX 형제 리포지토리를 나열한다 — 전형적인 릴리스다. 여기서 남은 의문은 정확성이 아니라 성능이다: Apple M5 Max에서 초당 184토큰, AMD Ryzen AI Max+ 395에서 114토큰이라는 벤더의 수치는 재현되지 않았고, "차선 모델보다 최대 1.7배 빠름"이라는 헤드라인에는 공개된 기준선이 붙어 있지 않다.

여기서 0% 마크업이 실제로 중요한 경우는 어디인가요?

이 두 모델 사이에서 라우팅이라는 관점은 정말 어색하며, 이를 포장하기보다 솔직히 말할 가치가 있습니다. Ternary Bonsai 2 27B는 다운로드입니다. Prism ML이 Hugging Face에서 Apache 2.0으로 배포하며, 이 기법 전체의 요점은 사용자가 직접 실행한다는 것입니다. LFM2.5-24B-A2B 역시 주로 로컬 아티팩트로, Liquid의 Console 엔드포인트가 백만 입력 토큰당 $0.10 — 캐시된 경우 $0.05 — 그리고 백만 출력당 $1.00를 호스팅 대안으로 제공합니다. 어느 쪽도 핵심 가치 제안이 종량제 API 호출이 아닙니다.

라우팅 계층이 제 몫을 하는 자리는 그것들을 대신하는 곳이 아니라 바로 그 옆입니다. Ternary Bonsai 2 27B가 압축된 기반 모델은 — qwen/qwen3.8-27b2026년 8월 13일 A​ibaba가 공개한 — 이 모델은 저희 카탈로그에서 백만 입력 토큰당 $0.33, 백만 출력 토큰당 $2.40에 제공되는데, 이는 동일한 작업을 제공되는 풀 정밀도 모델에 대해 실행하면서 동시에 동일한 프롬프트로 5.93 GB 로컬 빌드를 평가할 수 있다는 뜻입니다. 이는 저렴한 비용으로 이루어지는 공정한 비교이며, Prism 자체의 20개 벤치마크 표가 여러분을 위해 해줄 수 없는 바로 그 비교입니다.

어느 쪽에도 각주가 아닌 그 라이선스

Ternary Bonsai 2 27B는 Apache 2.0을 채택하고 있으며, 매출 트리거도, 사용 분야 조항도 없습니다. 파생된 Qwen3.8-27B 가중치도 마찬가지입니다. LFM2.5-24B-A2B는 Liquid의 lfm1.0 라이선스로 제공되는데, 이는 자체 상업 조건을 가진 별개의 법적 문서입니다. 순수 엔지니어링 관점에서 보면 두 모델은 충분히 비슷해서 선택은 종종 배포 형태, 즉 로컬 실행기 대 로컬 시각 추론기로 귀결됩니다. 하지만 라이선스는 벤치마크 주기와 함께 변하지 않는 유일한 입력값이며, 둘 중 하나를 기반으로 제품을 만들기 전에 자신의 매출 수치와 비교해 확인해 볼 가치가 있습니다.

각 공급업체가 측정하지 않고 남겨둔 것이 바로 주목해야 할 부분이다. Prism ML은 유지율 퍼센트는 공개했지만, 1.76비트 모델이 당신의 데이터에서 워크로드별로 어떻게 동작하는지는 공개하지 않았으며, 평균의 98.2%에 해당하는 압축 아티팩트라도 당신이 중요하게 여기는 단 하나의 범주에는 여전히 잘못된 도구일 수 있다 — 집계상 작은 코딩 성능 하락은 어딘가 특정 지점에서 가장 크게 나타난다. Liquid는 독립적인 열도 없고 131K 창에 대한 장문맥 검색 수치도 전혀 없는 에이전트 표를 공개했다. 두 격차는 모두 블로그 포스트가 아니라 벤치마크 발표로 메워지며, 어느 공급업체가 먼저 그것을 내놓든 지난 1.8포인트가 그랬던 것보다 논쟁을 훨씬 더 앞으로 진전시켰을 것이다.

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