LFM3-VL-2B: 헤드라인 점수가 단 하나의 스위치에 달려 있는 1.92B 비전 모델

LiquidAI/LFM3-VL-2B는 대중에 공개된 지 8일 동안 Liquid AI가 이에 대해 한마디도 하지 않았다. Hugging Face 저장소는 2026년 10월 19일에 만들어졌고, 같은 날 저녁 GGUF 빌드가 등장했다. 공급업체의 발표 — 블로그 글, 모델 컬렉션, 전체 벤치마크 표가 담긴 카드 — 는 10월 27일에 나왔다. 이 모델이 대체하는 LFM2.5-VL-3B는 분명한 기준점이다: 이 모델은 새 모델의 1.92B에 비해 3.1B 매개변수이며, Liquid 자체의 62개 벤치마크 스위트에서 새 모델은 이전 모델의 57.6에 맞서 평균 71.4를 기록한다. 같은 카드는 훨씬 덜 주목받는 두 번째 수치도 기록한다: 사고 기능을 비활성화하면 LFM3-VL-2B는 평균 62.1이다. 그 단 하나의 구성 플래그는 9.3점의 가치가 있으며, 이는 결정적인 세대 간 승리와 소폭 승리를 가르는 차이다.

이 글은 10월 28일 기준으로 실제 기록에 남아 있는 내용, 즉 저장소 타임라인, 명세, 벤치마크 표와 그에 따르는 유의 사항을 다루며, 증거가 멈추는 지점을 분명히 표시한다.

무엇이 나타났으며, 언제

타임라인이 중요한 이유는 모델이 왜 아무런 보도 없이 등장했는지를 설명해 주기 때문이다. Liquid AI는 티저도, 대기 명단도, 연구 게시물도 공개하지 않았다. 가중치와 모델 카드를 업로드했고, 그 카드는 그저 거기 있었다. 제3자 추적기들이 저장소를 발견했고, LFM3-VL-2B에 관한 최초의 공개 글은 벤더가 내놓은 무엇이라기보다는 병합되지 않은 추론 프레임워크 풀 리퀘스트를 근거로 한 추측이었다.

• 저장소 생성됨 — 2026년 10월 19일 19:51 UTC, Hugging Face API에 따르면.

• GGUF 저장소 생성됨 — 2026년 10월 19일 20:29 UTC, 38분 후.

• 카드 최종 수정 — 2026년 10월 27일 16:24 UTC, 발표 당일.

• 벤더 발표 — 2026년 10월 27일: 패밀리 블로그 게시물, Hugging Face 블로그 게시물, 모델 컬렉션.

따라서 정확한 설명은 "조용히 출시되었고 아직 발표되지 않았다"가 아닙니다. "조용히 출시된 뒤 8일 후에 발표되었다"입니다. 그 기간에 저장소를 다룬 사람은 실제로 다운로드 가능한 체크포인트를 설명하고 있었지만, Liquid의 라인업에서 명시된 위치를 가진 제품을 설명한 것은 아니었습니다. 그 위치는 이제 존재합니다. LFM3-VL-2B는 공유 1.7B 베이스를 기반으로 한 6개 모델 패밀리의 비전 구성원이며, 벤더의 프레이밍은 온디바이스 시각 이해, 즉 문서, 차트, 앱 화면, 객체 찾기, 그리고 로봇을 위한 공간 추론입니다.

카드 자체의 숫자로 본 모델

Liquid의 카드는 파라미터가 어디로 갔는지에 대해 이례적으로 구체적으로 밝히고 있는데, 이는 주목할 만하다. 모델 이름에 붙은 "2B"는 보통 드러내는 것보다 감추는 것이 더 많기 때문이다.

• 총 파라미터 — 1.92B: 1.73B 언어 모델, 164M 비전 인코더, 25M 프로젝터.

• 인코더 — 사내에서 직접 구축했으며, 합성곱과 어텐션을 결합해 LFM2.5 비전 모델에 사용된 SigLIP2 타워를 대체합니다.

• 모달리티 — 텍스트, 이미지, 비디오 입력, 텍스트 출력. 초당 2프레임으로 샘플링된 비디오를 입력받는 최초의 LFM 비전 모델입니다.

• 시각적 토큰화 — 2×2 패치 블록 각각이 네이티브 해상도에서 하나의 언어 토큰이 됩니다.

• 컨텍스트 — 입력과 출력을 합쳐 128K 토큰, 최대 포지션 128,000.

• 라이선스 — LFM 오픈 라이선스 v1.0으로, 제품군의 나머지와 동일한 비허용적이지만 개방적인 조건입니다.

• 사전 학습 — LFM3-1.7B-Base 트렁크, 총 22T 토큰, 중간 학습 중 사용되는 128K 컨텍스트 확장 및 256K 확장 포함.

• 권장되지 않음: — 코딩, 멀티턴 대화, 복잡한 추론(카드 자체 안내 기준).

마지막 문장은 두 번 읽어볼 만한 문장이다. 멀티턴 대화에 명시적으로 권장되지 않는 모델은, 128K 컨텍스트 창을 긴 컨텍스트가 일반적으로 사용되는 방식대로 쓰기도 어려운 모델이다. 이 창은 실제로 존재하며, LFM2.5-VL-3B의 32,768 토큰에 비해 거의 네 배에 달한다. 또한 1.92B 모델에서 이는 자신이 붙어 있는 가중치보다 더 빠르게 증가하는 KV 캐시이기도 하다.

62개의 벤치마크, 하나의 실험실, 그리고 경쟁자들을 지목하는 표

벤치마크 섹션은 이번 릴리스에서 가장 유용한 부분이며, 단지 숫자가 높기 때문만은 아니다. Liquid는 자사 모델을 두 가지 구성으로 포함해 9개 경쟁 모델과 나란히 배치한 62개 벤치마크 표를 공개했다: LFM2.5-VL-3B, MiniCPM-V 4.7 1B, Qwen3.5 2B, Qwen3.5 4B, InternVL3.5 4B, Gemma 4 E2B, Gemma 4 12B, GPT-5.6 Luna, Gemini 3.5 Flash Lite. 모든 점수는 0–100으로 정규화되며, 각 범주는 해당 벤치마크들의 비가중 평균이고, 평균은 전체 62개에 걸친 비가중 평균이다.

그것은 보도자료용 차트보다 더 반증 가능한 산출물이다. 어떤 도구를 썼는지, 어떤 경쟁 모델이 포함됐는지 명시하고, 카드 각주에는 어떤 모델이 추론 기능을 활성화한 상태로 실행됐고 어떤 모델은 그렇지 않았는지 밝힌다. 그래도 여전히 벤더가 만든 작업이다. Liquid가 62개 벤치마크를 골랐고, 모든 모델을 실행했으며, 표를 공개했다. 회사 외부에서는 그중 어느 것도 재현한 사람이 없다.

• 평균 — LFM3-VL-2B는 71.4로, LFM2.5-VL-3B의 57.6, MiniCPM-V 4.7 1B의 57.5와 대비됩니다.

• 문서, OCR 및 차트 — 83.9, 온디바이스 홍보에서 가장 강하게 내세우는 카테고리입니다.

• GUI 이해 — LFM2.5-VL-3B의 66.0 대비 83.1.

• 시각적 그라운딩 — 68.3 대비 77.3.

• 비디오 — 동영상을 아예 지원하는 최초의 LFM 비전 모델에서 41.3에 맞선 61.2.

• Agentic — 42.5, 21.1 대비. 표에 있는 모든 소형 모델에서 가장 취약한 범주입니다.

• 수학 및 논리적 추론 — 40.6에 대비되는 68.8. 그 숫자를 기억하세요; 흥미로운 것은 바로 그 숫자입니다.

이 카드는 산문으로 세 가지 비교 주장을 제시한다. LFM3-VL-2B가 62개 벤치마크 전반에서 비슷한 크기의 모든 모델보다 최소 8점 앞서며, Gemma 4 12B와 맞먹고, Gemini 3.5 Flash Lite를 앞서면서 GPT-5.6 Luna와는 2점 이내 차이에 든다는 주장이다. 표와 대조해 보면 이는 사실로 확인된다. Gemma 4 12B는 평균 71.7, GPT-5.6 Luna는 73.4, Gemini 3.5 Flash Lite는 70.0이다. 1.92B 모델이 12B 모델과 0.3 이내 차이로 평균을 내는 것이 핵심 주장이며, 이는 벤더가 실행한 수치에 관한 벤더 주도 주장이다.

생각 스위치가 대부분의 작업을 처리하고 있습니다.

LFM3-VL-2B는 동일한 가중치에 대해 두 개의 점수를 보고합니다. 추론 모드에서는 평균 71.4를 기록합니다. 사고 기능을 비활성화하면 평균 62.1을 기록합니다. 이 격차는 범주 전반에 고르게 퍼져 있지 않습니다. 추론이 도움이 될 만한 곳에 집중되어 있고, 그렇지 않은 곳에서는 거의 나타나지 않습니다.

• 수학 및 논리적 추론 — 사고 사용 시 68.8, 미사용 시 41.0. 27.8점 격차로, 단연 가장 큽니다.

• 문서, OCR 및 차트 — 83.9 대 71.6. 지각적으로 보이지만 실제로는 그렇지 않은 경우가 많은 작업에서 12.3점 차이입니다.

• GUI 이해 — 83.1 대 81.5. 거의 변하지 않는데, 이는 화면 읽기 능력이 추론 루프가 아니라 인코더와 후속 학습에 있다는 것을 시사합니다.

• 지각 — 75.6 대 68.9.

• 평균 — 71.4 대 62.1.

그 결과, 헤드라인 비교는 특정한 방식으로 새 모델을 유리하게 부각한다. LFM2.5-VL-3B는 추론 모드를 지원하지 않으므로, Liquid는 사고 모델과 비사고 모델을 비교하고 있는 것이다. 공정한 비교는 62.1 대 57.6이다. 여전히 승리이지만, 13.8점 차가 아니라 4.5점 차 승리다. 그리고 그 구성에서는 더 이상 주변의 모든 모델을 앞서지도 않는다. Qwen3.5 2B는 평균 64.0인데, 이 수치 역시 추론이 활성화된 실행에서 나온 것이다.

이 모든 것이 이번 릴리스를 덜 흥미롭게 만들지는 않는다. 오히려 이번 릴리스를 이해할 수 있게 만든다. Liquid는 기본 배포가 빠르고 추론하지 않는 작은 모델을 만들었으며, 생각하게 하면 그 상한이 훨씬 높아진다. 어떤 수치가 당신에게 적용되는지는 전적으로 당신의 제품이 휴대폰에서 추론 루프의 지연을 감당할 수 있는지에 달려 있다.

1.92B로 기기에서 얻을 수 있는 것

효율성 논거는 Liquid가 실제로 판매하는 부분이며, 이 카드는 형용사가 아니라 측정치로 이를 뒷받침한다. BF16으로 SGLang을 실행하는 단일 NVIDIA B300에서 이 모델은 1,024개의 동시 요청 시 초당 12,000개 이상의 출력 토큰을 생성한다. 그 수치는 모델 자체보다 배칭에 대해 더 많은 것을 말해주지만, 서빙 경로가 첫날부터 존재한다는 점을 입증한다.

온디바이스에서 이 카드는 고정 워크로드(512×512 이미지 1장, 입력 텍스트 토큰 1,024개, 출력 토큰 256개, 모두 llama.cpp에서 Q4_0 GGUF 언어 모델과 F16 비전 프로젝터 사용)에서 비교 대상 각 모델의 프리필, 디코드, 최대 메모리를 공개합니다. 이는 재현 가능한 구성이며, 휴대폰에 적용하기로 결정하기 전에 읽어야 할 항목은 메모리 열입니다.

툴링은 실제로 존재하지만 고르지 않습니다. {{1}}SGLang 지원은 출시 당시 있었습니다{{/1}}. {{2}}llama.cpp 지원은 검토 중이며 — 풀 리퀘스트 31252{{/2}} — Liquid의 명시적인 주의 사항을 담고 있습니다: 현재 비디오 입력은 없습니다. {{3}}GGUF 가중치는 존재하며 발표보다 8일 앞서 나왔습니다{{/3}}. 비디오 때문에 이 모델을 원하신다면, 로컬 경로는 아직 완성되지 않았으며, 카드에도 그렇게 적혀 있습니다.

아직 알 수 없는 것은 무엇인가

이 글의 솔직한 경계: 위의 모든 정량적 내용은 Liquid AI에서 나온 것입니다. LFM3-VL-2B에 대한 독립적인 평가도, 제3자 리더보드 항목도, 62개 벤치마크 스위트의 재현도, 10월 28일 기준 Liquid 자체 API에서 이 모델의 공개된 토큰당 가격도 없습니다. 카드에는 Hugging Face, Liquid playground 및 Liquid API를 통한 사용 가능성이 나열되어 있고 가중치는 공개되어 있지만, "오픈 웨이트"와 "독립적으로 검증됨"은 서로 다른 주장입니다.

집계 수치와 배포 현실 사이에도 간극이 있다. 62개 벤치마크 평균은 모델 순위를 매기기에는 좋은 도구지만, 자신의 워크로드를 예측하기에는 좋지 않은 도구다. LFM3-VL-2B가 가장 강한 범주 — GUI 이해, 시각적 그라운딩, 문서 및 차트 읽기 — 는 벤더가 벤치마크 인스턴스를 어떻게 고르느냐에 따라 점수가 몇 점씩 움직일 수 있는 바로 그 범주다. 가장 약한 범주인 42.5의 에이전트 작업은 이 카드가 광고하는 로보틱스 사용 사례에서 가장 중요해질 가능성이 큰 범주다.

무언가를 만들고 있다면 이것이 어디에 해당하는지

LFM3-VL-2B는 OrcaRouter의 카탈로그에는 작성 시점 기준으로 없습니다 — 이것은 직접 다운로드해 실행하는 체크포인트이지, 우리 API에서 호출하는 대상이 아닙니다. 이는 이를 배제하기보다 유용한 패턴을 형성합니다. 이 릴리스가 비용 면에서 경쟁하는 모델 — 문서와 비디오의 롱테일을 처리하는 호스팅 비전 모델 — 은 라우팅 대상이며, 로컬 체크포인트와 호스팅 폴백을 하나의 라우팅 결정 양쪽에 두는 것이 수치가 실제로 뒷받침하는 아키텍처입니다. 1.92B 모델을 기기에서 실행하고 어려운 프레임을 더 큰 호스팅 모델로 에스컬레이션하는 것이 62.1이라는 수치를 수용 가능하게 만드는 배포 방식입니다. 왜냐하면 그것이 실패하는 사례는 기기를 떠나는 사례이기 때문입니다.

우리가 라우팅하는 모델의 경우, 하나의 엔드포인트는 하나의 키를 의미하고, 두 번째 계약은 없으며, 기본 제공자가 성능 저하 상태일 때 제공자 간 자동 장애 조치가 이루어집니다. 그것이 라우터가 필요한 시스템의 절반이고, 온디바이스 쪽 절반은 좋은 양자화와 배터리 예산이 필요합니다.

이 그림을 바꿀 수 있는 것은 무엇일까요?

중요도 순으로 세 가지입니다. 62개 벤치마크 표를 독립적으로 재현하면 릴리스에서 가장 흥미로운 주장이 확인되거나 뒤집힐 것입니다. 비디오 지원이 병합된 llama.cpp 빌드는 온디바이스 제안을 계획에서 제품으로 바꿀 것입니다. 그리고 API 가격이 공개되면 누구나 대부분의 배포를 결정하는 축에서 비교할 수 있을 텐데, 지금 그 축은 빈 칸입니다.

그때까지 방어 가능한 해석은 좁지만 유용하다. Liquid는 공급업체 자체 평가 세트에서 자신이 대체하는 3.1B 모델을 능가하는 1.92B 비전 모델을 출시했고, 추론이 활성화되면 그 비교에서 결정적으로, 그렇지 않으면 근소하게 이기며, 화면과 문서에서는 동급 크기에서 앞선다. 저장소는 발표 8일 전에 공개되어 있었는데, 이는 모델이 아니라 Liquid의 출시 과정에 관한 사실이다. 그러나 그것이 LFM3-VL-2B에 대한 첫 보도가 리뷰가 아니라 추측이었던 이유다.