MiniCPM5-2B-DSpark vs LFM2.5-2.6B-Base: 하나는 서빙을 위한 재료, 하나는 학습을 위한 재료

2026년 늦여름에 공개된 가장 흥미로운 소형 모델 두 가지에는 공통점이 하나 있다. 둘 다 별도 설정 없이 바로 실행되지 않으며, 두 공급업체 모두 모델 카드의 첫 문장에서 이를 밝히고 있다는 점이다. MiniCPM5-2B-DSpark는 OpenBMB가 2026년 9월 6일 Hugging Face에 조용히 게시한 DSpark 드래프트 체크포인트로, ModelBest가 2026년 7월 19일 WAIC에서 발표한 온디바이스용 밀집 2.52B 모델 MiniCPM5-2B의 3억 2380만(323.8M) 파라미터 동반 모델이다. 이 체크포인트는 추측 디코딩 엔진에서 해당 대상 모델 옆에 로드하기 전까지는 아무 기능도 하지 않는다. LFM2.5-2.6B-Base는 Liquid AI의 사전 학습된 텍스트 체크포인트로, 2026년 8월 1일부터 Hugging Face에 있으며, Liquid 자체 카드에서도 "사전 학습된 텍스트 전용 체크포인트"라고 부르며 대규모 파인튜닝이 필요한 작업에만 권장된다. 하나는 완성된 모델을 더 빠르게 서빙하기 위한 재료이고, 다른 하나는 애초에 자신만의 모델을 학습시키기 위한 재료다. 둘은 서로 다른 선반에 놓여 있으며, 빌더가 저지를 수 있는 실수는 잘못된 쪽을 집어 드는 일이다.

둘을 비교할 가치가 있는 이유는 동일한 하드웨어와 동일한 2026년의 목표, 즉 휴대폰, 노트북, 엣지 박스에서 실행되는 유능한 AI를 겨냥하면서, 빌드 과정의 정반대쪽 끝에서 출발한다는 점입니다. 배포 가능한 온디바이스 모델과 무료 속도 향상이 필요하다면 OpenBMB의 스택은 모든 것을 공개된 채로 제공합니다. 포스트 트레이닝을 직접 소유하려 한다면 Liquid는 기반 재료와 노동력을 제공합니다. 이 글은 여러분이 실제로 어떤 레이어를 구매하는지에 관한 것입니다.

서로 다른 방언으로 "직접 사용 금지"라고 적힌 두 장의 카드

두 모델 카드를 나란히 읽어 보면, 그 실마리는 짝을 이루는 언어에 있다. MiniCPM5-2B-DSpark의 카드는 전적으로 다른 모델을 기준으로 작성되어 있다. 즉, 대상 모델, 공유하는 토크나이저, 드래프트 레이어, 수용 길이, 대상 경로와 드래프트 경로를 인자로 받는 SGLang 실행 명령이 그것이다. 드래프트에는 그 자체의 정체성이 없다. 전체 어텐션 레이어 5개, 파라미터 323,776,001개, 블록 크기 7, MiniCPM5-2B가 생성한 응답 70.5억 토큰으로 6 에폭 동안 학습되었으며, DSpark 방식(arXiv 2607.05147)의 confidence 헤드와 Markov 헤드를 활성화한 채 Apache-2.0 라이선스로 공개되었다. 그 목적은 처리량이다. 최대 7개의 토큰을 제안하고, 2.52B 대상 모델이 블록을 한 번에 검증하여 수용한 부분만 유지하는 것이다.

위 openbmb/MiniCPM5-2B-DSpark 카드는 이번 릴리스의 공개된 전체 모습입니다 — 발표문이 첨부되지 않은 서빙 액세서리로서, 허용 길이를 보고할 뿐 종단 간 속도 향상은 보고하지 않습니다.

LFM2.5-2.6B-Base의 카드는 아직 존재하지 않는 모델, 즉 여러분의 모델을 기준으로 작성되었습니다. 2.69B 하이브리드 아키텍처는 Liquid가 온디바이스 배포용으로 설계한 것으로, 22개의 이중 게이트 단기 컨볼루션 블록 위에 8개의 그룹 쿼리 어텐션 레이어를 쌓은 구조이며, 128K 컨텍스트로 16개 언어에 걸쳐 약 34조 개의 토큰으로 학습되었습니다. 텍스트 전용이며 명령어 튜닝이 적용되지 않았고 자체 벤치마크도 공개하지 않습니다. 사전 학습된 베이스 모델은 평가 대상이 아니며, 그로부터 파생된 파인튜닝 제품들이 평가를 받기 때문입니다. 이 모델의 역할은 여러분의 데이터로 지속 사전 학습되거나 SFT되는 것이며, 이후 출시하는 모든 결과물은 해당 라이선스 조건을 상속받게 됩니다.

위의 LiquidAI/LFM2.5-2.6B-Base 카드는 제품군 표를 보여줍니다 — 기본 모델 대비 사후 학습된 LFM2.5-2.6B 에이전트 모델 — 그리고 기본 모델을 원재료로 정의하는 "사전 학습된 텍스트 전용 체크포인트" 메모를 포함합니다.

리포지토리들을 차원별로

• 역할 — MiniCPM5-2B-DSpark: 기존에 완성된 타깃을 가속화합니다. LFM2.5-2.6B-Base: 완성된 모델로 후속 학습을 시키는 기반입니다.

• 파라미터 — MiniCPM5-2B-DSpark: 2.52B dense 대상용 324M 드래프트. LFM2.5-2.6B-Base: 2.69B 하이브리드(어텐션 + short-convolution 블록).

• 컨텍스트 — MiniCPM5-2B 대상: 128K 네이티브. LFM2.5-2.6B-Base: 128K 네이티브.

- 필수 추가 항목 — MiniCPM5-2B-DSpark: 서빙 엔진(SGLang DSPARK) 및 대상 모델. LFM2.5-2.6B-Base: 파인튜닝 실행, 평가 스위트, 추론 스택.

• 벤치마크 — MiniCPM5-2B-DSpark: 저장소 수용 길이만 제공(탐욕적 집계 단계당 5.52), 가속 수치 없음. LFM2.5-2.6B-Base: 기본 모델 자체에 대해 게시된 수치 없음.

• 라이선스 — MiniCPM5-2B-DSpark: Apache-2.0, 조건 없음. LFM2.5-2.6B-Base: LFM Open License v1.0 — 연 매출 $10M까지 무료 상업 이용이 가능하며, 그 상한선은 파인튜닝하는 모든 결과물에도 그대로 적용됩니다.

위의 점수판은 카드로 그려진 재료 선반입니다. 한 열은 완성된 모델을 위한 서빙 애드온이고, 다른 열은 직접 만들기 전까지는 존재하지 않는 모델을 위한 훈련 기반입니다.

1천만 달러의 차이

{{1}}빌더에게 라이선스 격차는 그 목록에서 가장 덜 화려하면서도 가장 결정적인 항목입니다.{{/1}} {{2}}ModelBest와 OpenBMB는 MiniCPM5-2B와 그 드래프트 모델을 Apache-2.0으로 배포합니다. 수익 상한선도, 저작자 표시 외에 물려받는 의무도 없이 타깃 모델을 서빙하고 드래프트를 실행하여 그 위에 상업용 제품을 구축할 수 있습니다.{{/2}} {{3}}Liquid의 LFM 오픈 라이선스 v1.0은 상업적 사용을 허용하되 상한을 둡니다. 연간 매출 1,000만 달러 미만이면 무료이며, 그 상한은 파생 저작물에도 적용되므로 LFM2.5-2.6B-Base를 파인튜닝한 제품도 동일한 상한을 갖습니다.{{/3}} {{4}}그렇다고 Liquid의 라이선스가 불합리한 것은 아닙니다. 다만 상한을 넘어 성장하려는 스타트업은 첫날부터 그 조건을 감안해 계획해야 합니다.{{/4}} {{5}}프로젝트의 수익 목표가 작거나 연구 목적으로 평가하는 경우라면 상한은 문제가 되지 않습니다.{{/5}} {{6}}성장시키려는 무언가를 구축하려 한다면 Apache-2.0은 다른 종류의 원자재입니다.{{/6}}

빌더를 위한 자체 제작 대 구매의 갈림길

이를 모델 자체에 대한 '직접 구축(build) 대 구매(buy)' 결정으로 틀을 잡으면 선택이 더 이상 혼란스럽지 않습니다. MiniCPM5-2B-DSpark는 '구매' 경로입니다. 에이전트형·장문 컨텍스트 작업을 위한 온디바이스 모델의 후속 훈련(post-training)이라는 힘든 작업은 이미 MiniCPM5-2B에서 완료되어 있으며, 드래프트는 그 위에 추가 라이선스 없이 얹히는 가속 계층일 뿐입니다. 즉, 완성된 모델과 속도 향상을 사는 셈이고, 둘 다 Apache-2.0이며, 남은 작업은 서빙과 평가뿐입니다. 미결 질문은 정량적입니다. OpenBMB는 드래프트의 수용률(탐욕적(greedy) 방식에서 검증 단계당 5.52토큰)을 측정했지만 실제 소요 시간(wall-clock) 기준 이득은 측정하지 않았으므로, 무엇을 샀는지 알려면 여전히 자체 하드웨어에서 SGLang 배포를 벤치마킹해야 합니다.

LFM2.5-2.6B-Base는 "빌드(build)" 경로입니다. 사전학습(pretraining) 기반 모델을 구매해 포스트트레이닝(post-training)을 직접 수행하는 방식이며, 이것이 Liquid가 이미 판매하는 포스트트레이닝 버전 LFM2.5-2.6B 형제 모델 대신 베이스 모델을 선택하는 유일한 정직한 이유입니다. 이 경로는 기성(off-the-shelf) 모델이 커버하지 못하는 도메인, 언어, 또는 행동 프로필이 있을 때 의미가 있습니다. Liquid의 아키텍처와 34조 토큰 규모의 파운데이션을 가져와 자신만의 것으로 만드는 것입니다. 이는 명백히 더 많은 작업을 요구하며, 공개된 벤치마크 수치가 전혀 없는 상태에서 시작하고, 수익 상한(revenue cap) 조건도 그대로 적용됩니다. 그 대가로 얻는 것은 다른 누구도 갖지 못한 모델입니다.

라우팅의 현실

오늘날 두 체크포인트 모두 어떤 호스팅 카탈로그에도 등재되어 있지 않습니다. OrcaRouter의 카탈로그도 예외는 아닙니다. 드래프트는 정의상 로컬 서빙 보조 도구이고, Liquid의 베이스는 자체 호스팅 파인튜닝 프로젝트이기 때문입니다. 라우팅 레이어는 바로 그 지점에서, 둘 중 하나를 호스팅하는 척하지 않고도 유용하게 쓰입니다. 두 모델 중 하나를 서빙하거나 파인튜닝했다면, 자신의 엔드포인트 앞에 놓인 레이어가 그 모델들을 시험 적용하는 것을 되돌릴 수 있게 해 줍니다. 프로덕션은 지금 서빙 중인 모델을 계속 사용하면서 테스트 경로만 MiniCPM5-2B-plus-draft SGLang 빌드로 지정하고, 자동 장애 조치가 멈춤을 포착하게 하며, 비교 대상 호스팅 모델의 제공업체 정가는 0% 마크업으로 그대로 통과시키면 됩니다. 여기서 레이어의 핵심은 전달이 아닙니다. 어느 구성 요소도 되돌릴 수 없는 선택을 강요하지 않는다는 점입니다.

어느 선반에서 쇼핑 중이신가요?

MiniCPM5-2B-DSpark(해당 타깃 포함)은 오늘 바로 사용할 수 있는 완성된 Apache-2.0 온디바이스 모델과, 속도를 높여줄 수 있는 드래프트를 함께 원할 때 선택하세요. 단, 벤더가 측정해주지 않으므로 드래프트의 속도 향상은 직접 측정해야 한다는 점을 감수해야 합니다. LFM2.5-2.6B-Base는 자체 모델을 파인튜닝할 계획이 있고, Liquid의 하이브리드 아키텍처와 16개 언어 기반을 시작 가중치로 활용하려 할 때 선택하세요. 단, 파인튜닝 비용, 공개된 벤치마크 전무, 그리고 출시하는 모든 제품에 함께 따라붙는 1,000만 달러 수익 상한을 감수해야 합니다. 이 둘은 같은 작업을 두고 경쟁하는 관계가 아니라, 같은 하드웨어에서 서로 다른 두 가지 작업을 수행하는 모델입니다. 유일한 잘못된 선택은 하나를 구매하면서 다른 하나를 구매한다고 착각하는 것입니다.