LFM3-1.7B-Base vs Gemma 4 12B: 전문가형 트렁크 대 범용 모델

두 다운로드를 나란히 놓고 보면 첫 번째 차이는 벤치마크가 아닙니다. LFM3-1.7B-Base는 2026년 10월 26일 Hugging Face에 공개되고 다음 날 Liquid AI의 패밀리 출시에서 이름이 언급된 3.46GB bfloat16 파일이며, 17억 3천만 개 파라미터의 사전 학습된 텍스트 모델을 담고 있습니다. Gemma 4 12B는 2026년 6월 3일 Google DeepMind가 공개한 119억 5천만 개 파라미터의 dense 모델로, 인스트럭션 튜닝, 256K 컨텍스트, 그리고 텍스트뿐 아니라 이미지와 오디오를 읽는 기능을 갖추고 있습니다. 하나는 구성 요소이고, 다른 하나는 제품입니다. 기능으로 비교하는 것은 범주 오류(category error)이며, 토큰당 가격으로 비교하는 것도 거의 마찬가지로 잘못입니다. 왜냐하면 베이스 체크포인트에는 토큰 가격이 없고, 파인튜닝 비용 청구서가 있기 때문입니다. 라우팅은 공급자의 정가에 마진을 추가하지 않습니다. 0% 마크업 가격 페이지에서 패스스루 가격을 확인하세요.

그 비교는 어쨌든 그 페이지에 충분히 값어치가 있다. 둘 다 소규모 팀이 이번 주에 같은 근본 이유로 내려받을 수 있는 오픈 웨이트 모델이기 때문이다. 즉, 호출당 계약 없이 자신이 소유한 하드웨어에서 자신이 통제하는 모델을 원한다는 것이다. 유용한 질문은 어떤 종류의 자산이 그 목표에 도달하게 해 주느냐다 — 당신이 빚어내는 작은 트렁크인가, 아니면 당신이 채택하는 큰 범용가인가.

이루어질 수 없는 벤치마크 비교

LFM3-1.7B-Base에는 공개된 평가가 없다. 변변찮은 평가조차, 별표가 붙은 벤더 표조차, 그 무엇도 없다. 모델 카드에는 사양과 파인튜닝 가이드가 있고, Liquid의 출시 게시물에는 이 체크포인트로부터 만들어진 후학습 형제 모델인 LFM3-1.7B에 대한 상당한 분량의 벤치마크 표가 실려 있다. 그 둘은 서로 다른 산출물이다. 베이스 모델은 텍스트를 예측하고, 후학습 모델은 지시를 따른다. 첫 번째 모델을 지시 벤치마크로 채점하는 것은 두 번째 모델에 관한 정보를 알려준다.

이와 대조적으로, Gemma 4 12B는 인스트럭션 튜닝 체크포인트에 대한 전체 패밀리 표를 갖추고 등장합니다. MMLU Pro 77.2%, GPQA Diamond 78.8%, 도구 없이 AIME 2026 77.5%, LiveCodeBench v6 72.0%, Codeforces Elo 1659, MMMU Pro 69.1%, 128K에서 8개 니들을 사용한 MRCR v2 43.4%입니다. 이 수치는 모두 구글 자체 수치이며, 어느 것도 독립적으로 재현되지 않았습니다. Artificial Analysis는 별도로 Gemma 4 12B의 Intelligence Index를 14로 산정해 비교 클래스의 141개 모델 중 20위로 올렸으며, 측정된 출력 속도는 초당 110.9토큰입니다.

그래서 정직한 스코어보드에는 채워진 열이 하나, 비어 있는 열이 하나 있으며, 그 빈 열은 모델의 실패가 아니다. 그것이 바로 베이스 체크포인트라는 것이다. 49.37 — 튜닝된 LFM3-1.7B에 대한 Liquid 자체의 평균 — 을 Gemma의 MMLU Pro 옆에 놓는 사람은 서로 다른 두 스위트, 서로 다른 두 모델, 서로 다른 두 튜닝 수준을 비교하는 것이다.

각 체크포인트가 실제로 무엇을 위한 것인지

LFM3-1.7B-Base는 변경되기 위해 존재합니다. Liquid의 카드에는 이 모델이 고강도 파인튜닝에만 권장된다고 나와 있습니다 — 언어별 어시스턴트, 도메인별 어시스턴트, 독점 데이터 학습, 새로운 포스트 트레이닝 접근법 — 그리고 채팅이나 도구 사용을 원하는 사람에게는 대신 튜닝된 모델을 안내합니다. 이 모델은 22조 토큰으로 사전 학습되었으며, 그중 마지막 3.5조 토큰은 에이전트 추적과 도구 호출이 포함된 선별된 중간 학습 데이터였고, 이 단계에서 컨텍스트가 262,144 토큰으로 확장되었습니다. 4비트에서는 약 1GB를 차지하는데, 이것이 설계 전체의 논거입니다: GPU 하나로 파인튜닝하고 휴대폰에서 실행할 수 있을 만큼 작은 트렁크입니다.

Gemma 4 12B사용되기 위해 존재합니다. Google의 5개 모델로 구성된 Gemma 4 패밀리에서 중간 크기의 dense 구성원이며, 별도의 멀티모달 인코더가 없습니다. 이미지 패치와 오디오 파형은 텍스트 토큰과 동일한 공간으로 직접 투영됩니다. 4비트 양자화 기준 약 7GB로 노트북에서 실행되며, 매출 트리거가 없는 Apache 2.0 라이선스를 채택하고 있고, 6개월 된 모델이 축적하는 종류의 생태계 지원을 갖추고 있습니다. 양자화 빌드, 프레임워크 통합, 그리고 이미 실패 모드를 찾아낸 커뮤니티까지 말입니다.

승부를 가르는 여섯 가지 차이

• Parameters — 1.73B dense 대 11.95B dense. 크기 비율은 6.9대 1이며, 이는 메모리, 파인튜닝 비용, 추론 속도, 일반 지식의 상한까지 하위의 모든 요소를 좌우합니다.

• 모달리티 — LFM3-1.7B-Base의 경우 텍스트 입력, 텍스트 출력입니다. Gemma 4 12B의 경우 텍스트, 이미지, 오디오 입력, 텍스트 출력입니다. 기본 체크포인트는 스크린샷을 볼 수 없으며, 아무리 파인튜닝해도 한 번도 학습된 적 없는 비전 인코더를 추가할 수는 없습니다.

• 컨텍스트 — 둘 다 262,144 토큰입니다. 이 항목은 소형 모델이 전혀 뒤지지 않는 유일한 행이며, 마케팅상의 우연이 아니라 하이브리드 아키텍처의 진정한 성과입니다.

• 언어 — LFM3-1.7B-Base의 경우 아랍어, 힌디어, 태국어, 베트남어, 인도네시아어를 포함해 16개 언어가 나열되어 있습니다. Gemma 4 12B는 140개 이상의 언어로 사전 학습되었으며 35개 이상의 언어에 대해 별도 설정 없이 바로 지원된다고 주장하는데, 이는 훨씬 넓은 범위로 다국어 배포에 실질적인 이점입니다.

• 어휘 — LFM3-1.7B-Base의 경우 128,000토큰, Gemma 4 12B의 경우 262,000토큰입니다. 더 큰 어휘는 라틴 문자 언어와 코드에서 텍스트를 더 적극적으로 압축합니다. 더 작은 어휘는 임베딩 행렬을 작게 유지하는데, 이는 전체 모델이 3.46 GB일 때 중요합니다.

• 라이선스 — LFM Open License v1.0은 연간 매출 1,000만 달러 미만일 경우 상업적 사용이 무료이며, 이 기준을 초과하면 상업용 라이선스가 적용됩니다. Gemma 4 12B는 Apache 2.0이며, Google의 허용적 사용 약관은 매출 조건이 아니라 가중치와 함께 제공됩니다.

동일 스위트 내 유일한 번호, 그리고 그것이 이전되지 않는 이유

Liquid가 동일한 평가 제품군에서 Gemma 4 12B에 대한 점수를 공개한 곳은 정확히 한 군데뿐이며, 그것은 다른 모델을 포함합니다. 62개 비전 벤치마크 전반에서 Liquid는 자사의 1.9B 비전 모델인 LFM3-VL-2B가 해당 제품군의 일반 카테고리에서 66.0점을 기록했다고 보고했으며, Gemma 4 12B는 74.0점입니다. 같은 표의 다른 항목에서는 더 작은 모델이 더 근접하며, Liquid의 요약은 이 비전 모델이 6배 이상 더 작음에도 불구하고 Gemma 4 12B와 "맞먹는다"는 것입니다.

문장이 아니라 표를 읽으면 더 정확한 내용이 드러난다: 1.9B 멀티모달 모델이 광범위한 비전 제품군에서 12B 멀티모달 모델과 8점 이내 차이를 보이며, 그 격차는 범주마다 고르지 않다. 이것을 LFM3-1.7B-Base에 관한 진술로 읽으면 아무것도 말하지 못한다. 텍스트 베이스 체크포인트에는 비전 타워가 없고 해당 벤치마크 중 어느 것에서도 평가되지 않았다. 이 주장은 형제 모델에 속하며, 이는 신중한 비교를 오해의 소지가 있는 비교로 바꾸는 전형적인 출처 착오다.

12B 범용 모델은 돈으로 얼마만큼의 가치가 있는가

Gemma 4 12B는 제3자 제공업체들이 이를 서빙하기 때문에 시장 가격이 형성됩니다. Artificial Analysis는 오픈 가중치를 호스팅하는 플랫폼 전반에서 입력 토큰 100만 개당 0.10달러, 출력 토큰 100만 개당 0.30달러의 혼합 중앙값을 보고합니다. 이는 제공업체 전반의 중앙값이지 정가가 아니며, 공급 측이 바뀌면 함께 움직일 값입니다. 이 정도면 대부분의 팀이 직접 실행하는 일은 생각하지 않을 만큼 저렴합니다.

LFM3-1.7B-Base에는 그런 가격이 없습니다. 서빙되는 모델이 아니기 때문입니다. 그 비용은 파인튜닝 실행, 데이터 파이프라인, 서빙 스택이며, 이 수치들은 무엇을 구축하느냐에 따라 10배 이상 달라집니다. Liquid의 주장은 실행이 단일 GPU에 들어가고 결과물이 약 1기가바이트에 들어간다는 것인데, 이는 모델에 대해서는 사실이지만 레이블링된 데이터의 비용에 대해서는 아무 말도 하지 않습니다. 전문 특화 파인튜닝은 이미 데이터를 가지고 있지 않다면 범용 API를 호출하는 것보다 저렴하지 않습니다. 데이터를 가지고 있다면 대량 처리 시 훨씬 저렴합니다.

바로 이 지점에서 라우팅 계층이 제 역할을 합니다. OrcaRouter 제공업체 정가를 0% 마진으로 그대로 전달, 따라서 공급업체의 가격 인하가 재가격 책정 주기를 기다리지 않고 당일에 반영되며, 동일한 키로 자동 페일오버를 통해 200개 이상의 모델에 접근할 수 있습니다. 이 결정을 저울질하는 팀의 실용적인 패턴은 전문가용 파인튜닝을 평가하는 동안 범용 모델을 라우팅 경로에 유지하고, 자체 홀드아웃 세트에서 파인튜닝이 우세할 때 트래픽을 전환하는 것입니다 — 공급업체 평균이 아니라.

구매자 셋, 답변 셋

귀사에는 독점 데이터와 좁은 범위의 과업이 있습니다. LFM3-1.7B-Base를 선택하십시오. 1.73B 트렁크는 단일 GPU에서 미세 조정하기에 충분히 작고, 256K 컨텍스트는 미세 조정 후에도 유지되며, 16개 언어 어휘는 대부분의 지역 배포를 커버합니다. Gemma 4 12B도 미세 조정할 수 있지만, 곧 전문화하여 없애버릴 능력을 재훈련하는 비용을 지불하게 될 것입니다.

오늘 오후에 바로 쓸 수 있는 모델이 필요합니다. Gemma 4 12B를 선택하세요. 기본 체크포인트는 질문에 답할 수 없고, 튜닝된 형제 모델은 다운로드도 따로, 라이선스 문제도 따로입니다. Gemma 4 12B는 인스트럭션 튜닝이 되어 있고, 멀티모달을 지원하며, 문서화되어 있고, 공개된 중위 가격으로 이용할 수 있습니다. 첫 답변까지 걸리는 시간은 분 단위로 측정됩니다.

둘 다 필요합니다. 이것이 일반적인 경우이며, 프레이밍이 감추고 있는 바로 그 경우입니다. 트렁크는 좁고 처리량이 많은 작업에 맞게 미세 조정하고, 나머지 모든 것은 범용 모델로 라우팅하세요. 이 둘은 아키텍처 수준에서 대체재가 아니며, 이 결정을 배타적인 것으로 취급하는 것이 바로 팀들이 전문 모델에 과도한 비용을 지불하거나, 소형 모델이 애초에 학습된 적 없는 사용 사례를 제대로 지원하지 못하게 되는 이유입니다.

라이선스가 숨은 쟁점이다.

Apache 2.0은 많은 기업이 Gemma 라이선스에서 읽기를 멈추는 이유입니다. 매출 기준도, 상업적 전환 조건도, 협상도 없습니다. 가중치는 Google의 허용 가능한 사용 정책을 준수하는 조건으로 수정하고 서비스할 수 있습니다. Liquid의 LFM Open License v1.0도 소규모에서는 관대하지만, 연매출 1,000만 달러 기준을 정의하여 이를 초과하면 상업용 라이선스가 적용됩니다. 스타트업에게 이 차이는 이론적인 것입니다. 더 큰 기업 내의 사업부에게는 첫 파인튜닝이 시작되기 전부터 시작되는 조달 논의입니다.

무엇이 답을 바꿀까요?

이 비교를 범주 논쟁에서 수치 논쟁으로 옮겨 줄 두 가지 증거가 있다. 첫째는 Liquid의 베이스 모델 평가로, 설령 홀드아웃 코퍼스에서의 작은 평가라도 독자가 22조 토큰과 트라이 하이브리드 스택이 LFM2.5-2.6B-Base보다 더 나은 출발점을 만들어냈는지 판단할 수 있게 해 준다. 둘째는 공개 태스크에서 LFM3-1.7B-Base를 독립적으로 파인튜닝한 결과를 Gemma 4 12B 베이스라인과 비교해 보고한 것이다. 둘 다 아직 존재하지 않으며, 출시 글에서도 이를 약속하지 않는다.

그들이 그렇게 하기 전까지, 결정은 어느 모델이 더 나은가가 아니라 당신이 무엇을 사는가에 달려 있다: 점수도 없고 인스트럭션 튜닝도 없는 3.46GB 트렁크인지, 아니면 벤더 수치가 가득한 표와 다시 들여다볼 필요 없는 라이선스를 갖춘 12B 범용 모델인지. 그것은 역량에 관한 간발의 차이가 아니다. 적합성에 관한 간발의 차이며, 점수판의 빈 열이 이 페이지에서 가장 정직한 것이다.