MiniCPM5-2B vs LFM2.5 2.6B Base: 완성된 모델 vs 직접 만들기 위한 원자재

지난 한 달간 가장 흥미로웠던 소형 모델 출시 두 건은 같은 체급에 속하면서도 생애 주기상 이보다 더 다를 수 없는 지점에 서 있다. MiniCPM5-2B는 완성된 결과물이다. ModelBest와 OpenBMB가 7월 19일 세계인공지능대회에서 공개한 2.5B 밀집 모델로, 그 오픈 가중치는 완전한 포스트트레이닝 파이프라인을 갖추고 9월 6일과 7일에 허깅페이스에 조용히 게재되었으며, Apache-2.0 라이선스로 바로 서빙할 준비가 되어 있다. LFM2.5 2.6B Base는 Liquid AI의 사전 학습된 텍스트 전용 체크포인트다. 회사가 "대규모 파인튜닝이 필요한 작업에만 권장된다"고 말하는 원재료로, 인스트럭션 튜닝도, 채팅 템플릿도, 공개된 벤치마크도 전혀 없다. 베이스 모델은 채점 대상이 아니기 때문이다. 점수를 받는 것은 그로부터 파인튜닝한 모델들이다. 이 둘을 비교하는 것은 사실상 빌드의 어느 레이어를 사고 있는가에 대한 질문이다: 오늘 밤 바로 작동하는 모델인지, 아니면 직접 만들 재료인지.

두 카드 모두 서로 다른 표현으로 “직접 사용용이 아님”이라고 밝히고 있으며, 공급업체들은 그 말을 첫 줄에 넣어 두었다. MiniCPM5-2B의 카드는 총 2,516,756,480개(비임베딩 1,981,982,720개)의 파라미터, 42개 레이어, grouped-query attention, 기본 설정에서 131,072-토큰 컨텍스트 창을 갖춘 조밀한 Llama 아키텍처 트랜스포머를 설명하고, 에이전트적 행동과 도구 사용을 정조준한 사후 학습 과정 — deep-thinking SFT, 특수 RL, On-Policy Distillation — 을 소개한다. Liquid의 LFM2.5 2.6B Base 카드는 2.69B 하이브리드 모델을 설명하는데, 이 모델은 22개의 dual-gated short-convolution 블록 위에 8개의 grouped-query-attention 레이어를 쌓고, 약 34조 개의 토큰으로 16개 언어에 걸쳐 사전 학습되었으며 128K 컨텍스트를 지닌다. 그러고 나서 설명은 거기서 멈춘다. base 모델은 다른 무엇인가로 이어지거나 파인튜닝되기 위해 존재한다. 하나는 목적지이고, 다른 하나는 출발선이다.

Liquid가 실제로 출시한 것

LFM2.5 2.6B Base는 8월 초 Hugging Face에 공개되었으며, Liquid의 LFM2.5-2.6B 제품군을 위한 사전 학습 기반 모델입니다. 모델 카드에는 제품군 표가 있습니다. 여기에는 기본(base) 모델과 Liquid가 도구 호출이 포함된 에이전틱 워크로드에 맞게 튜닝한 사후 학습(post-trained) LFM2.5-2.6B가 포함되며, 기본 모델이 모든 변형을 만드는 데 사용된 텍스트 전용 체크포인트라는 점이 명확히 명시되어 있습니다. 이것이 기본 모델의 전부입니다. 2.69B 하이브리드 아키텍처와 34조 토큰 규모의 다국어 기반을 가져와 자체 도메인에 맞게 사전 학습을 계속하거나 SFT를 수행하면, 이후 출시하는 모든 것은 해당 라이선스 조건을 물려받게 됩니다. 카드에는 벤치마크가 없습니다. 아직 벤치마크할 것이 없기 때문입니다. 이 모델은 인스트럭션 튜닝이 적용되지 않아 기본 상태에서는 답변을 하는 대신 텍스트를 계속 생성합니다. 약 2.5GB의 가중치로 실행되며 Transformers, vLLM, SGLang, MLX 및 llama.cpp에서 지원되므로 휴대폰 및 엣지급 파인튜닝 프로젝트의 기반으로 적합합니다.

이 비교 구도에서 실용적인 주의사항은 다음과 같습니다. Liquid에서 바로 작동하는 소형 모델을 원한다면 MiniCPM5-2B와 공정하게 비교되는 대상은 Base가 아니라 사후 훈련된 LFM2.5-2.6B입니다. Base는 직접 사후 훈련을 수행하려는 경우 선택하는 버전이며, 이것이 바로 MiniCPM5-2B의 자체 벤치마크 표가 이 원시 체크포인트가 아니라 그 제품군의 인스트럭션 튜닝된 형제 모델과 비교하는 이유입니다.

OpenBMB가 출시한 것과 그것이 왜 다른지

MiniCPM5-2B는 공장 설계도가 첨부된 완제품으로 출시된다. Liquid가 베이스와 노동력을 건네준다면, OpenBMB는 전체를 통째로 열어젖힌 채 건네준다: 최종 RL + OPD 사후 학습 체크포인트, GGUF, MLX, GPTQ, 베이스, SFT 및 드래프트 동반 모델들, 그리고 비교 구도를 바꾸는 핵심 — 학습 코퍼스 자체를 UltraData 패밀리라는 이름으로 Apache-2.0 하에 공개한다. 모델 카드는 공급업체가 선정한 2B-4B 오픈 모델 비교군에서 내부 평균 53.9를 보고하며, AIME 2025/2026에서 86.5, SWE-bench Verified에서 공급업체 실행 기준 46.4를 기록했지만, 그 어느 것도 아직 독립적으로 재현되지 않았다. 이 모델은 학습이 아니라 실행을 위해 만들어진 것이다: 출시 포인트는 9개 칩 제품군과 ARM에서의 출시 당일 적응, XML 스타일 호출을 통한 네이티브 도구 호출, 그리고 대화형 사용을 위한 하이브리드 고속/신중 응답 모드였다.

정직하게 표시된 스코어보드

• 제공 내용 — MiniCPM5-2B: 완성되어 서빙 가능한 채팅 모델과 공개 학습 데이터. LFM2.5 2.6B Base: 파인튜닝하여 완성된 모델로 만들 수 있는 사전 학습된 베이스 모델.

• 매개변수 — MiniCPM5-2B: 전체 2.52B / 비임베딩 1.98B, 덴스 Llama 스타일. LFM2.5 2.6B Base: 2.69B 하이브리드(어텐션 8개 + 숏 컨볼루션 블록 22개).

• 컨텍스트 — MiniCPM5-2B: 출시 구성 기준 131,072개 토큰. LFM2.5 2.6B Base: 128K 네이티브.

• 언어 — MiniCPM5-2B: 영어 및 중국어 중심 카드 및 데이터. LFM2.5 2.6B Base: 16개 언어로 사전 학습됨.

• 벤치마크 — MiniCPM5-2B: 벤더 전체 스위트(내부 평균 53.9; 재현되지 않음). LFM2.5 2.6B Base: 베이스 자체에 대해 발표된 것은 없음, 설계상 그러함.

• 라이선스 — MiniCPM5-2B: 가중치 및 공개 데이터는 Apache-2.0. LFM2.5 2.6B Base: LFM 오픈 라이선스 v1.0, 연매출 1천만 달러 미만 시 무료, 해당 상한선은 파생물에도 적용됩니다.

위의 스코어보드는 여섯 개의 행에서 동일한 이야기를 나타냅니다. 두 모델 모두 작은 편이며 128K급이고 Apache에 인접해 있지만, 한 열은 실행 중인 서비스로 끝나고 다른 열은 누가 학습을 수행할지에 대한 결정으로 끝납니다.

라이선스가 곧 기능입니다.

빌더에게 있어 라이선스 격차는 그 목록에서 가장 덜 화려하면서도 가장 결정적인 항목이다. OpenBMB는 MiniCPM5-2B와 공개 데이터를 Apache-2.0 하에 배포했다. 수익 상한도, 저작자 표시 외에 물려받는 의무도 없이 이를 서비스하고, 미세 조정하고, 상업 제품으로 만들 수 있다. Liquid의 LFM Open License v1.0은 진정한 오픈 웨이트이지만 수익 조건이 붙는다. 연간 수익 1천만 달러 미만의 조직은 폭넓은 상업적 허가를 받지만, 그 기준 이상의 조직은 그렇지 않으며, 그 상한은 미세 조정하는 모든 모델에 상속된다. 따라서 LFM2.5 2.6B Base로 만든 제품도 회사가 성장함에 따라 동일한 상한을 지니게 된다. 이것이 Liquid의 라이선스를 비합리적으로 만드는 것은 아니다. 이는 상한을 넘어 성장하려는 스타트업이 첫날부터 감안하고 계획해야 할 조건이 된다는 뜻이며, '완성된 모델'이라는 프레이밍이 중요한 가장 큰 이유다. 성장시키려는 무언가를 만들고 있다면, 오픈 데이터를 갖춘 Apache-2.0은 상한이 있는 라이선스와는 결이 다른 원자재다.

구체화된 '자체 개발 대 구매' 갈림길

이것을 ‘직접 구축 대 구매(build-versus-buy)’ 관점에서 보면 선택이 더 이상 혼란스럽지 않습니다. MiniCPM5-2B는 구매 경로입니다. 에이전틱하고 긴 컨텍스트를 요구하는 작업을 위한 소형 모델의 포스트트레이닝이라는 어려운 작업이 이미 끝나 있고, 라이선스도 깨끗하며, 남은 작업은 서빙과 평가뿐입니다. 그 비용은 남의 포스트트레이닝 선택을 받아들인다는 점, 그리고 이 모델의 대표 수치가 일주일 전의 것이며 실험실 밖에서는 아무도 검증하지 않았다는 점입니다. LFM2.5 2.6B Base는 직접 구축 경로입니다. Liquid의 아키텍처와 프리트레이닝을 구매하고 포스트트레이닝은 직접 수행하는 과정이며, 이것이 Liquid가 이미 판매 중인 인스트럭션 튜닝 버전의 형제 모델 LFM2.5-2.6B 대신 베이스 모델을 고를 수 있는 유일하게 정직한 이유입니다. 이 경로는 기성 모델이 다루지 못하는 도메인, 언어 또는 행동 프로필이 있을 때 타당합니다. 작업량은 명백히 더 많고, 공개된 벤치마크가 하나도 없는 상태에서 시작하며, 매출 상한도 그대로 이어집니다. 그 보상은 다른 누구도 갖지 못한 모델입니다. 게다가 OpenBMB가 MiniCPM5-2B의 자체 데이터를 공개했기 때문에, 이제 그 목표에 도달할 두 번째 방법이 생겼습니다. 빈 베이스 모델에서 시작하는 대신 검증된 Apache-2.0 레시피를 이어서 학습(continue-training)하면 됩니다.

두 경우 모두의 라우팅 현실

오늘날 두 체크포인트 중 어느 것도 호스팅 카탈로그에 나타나지 않으므로, 레이어 문제는 전달(delivery)보다는 그 주변 환경에 관한 문제입니다. MiniCPM5-2B를 서빙했거나 LFM2.5 2.6B Base를 파인튜닝해 나만의 무언가로 만들었다면, 둘 중 하나를 이미 사용 중인 호스팅 모델과 대조 실험하는 되돌릴 수 있는 방법은 자동 장애 조치(failover)가 적용된 하나의 API를 이용하는 것입니다. 새 스택이나 파생 스택이 중단되어도 프로덕션이 내려가지 않고, 공급업체 공시 가격이 0% 마크업으로 전가되므로 A/B 비교 비용이 낮습니다. 그러나 직접 만들지 구매할지에 대한 결정 자체의 경우, 솔직한 계획은 소형 오픈 모델에서 늘 그래왔던 것과 같습니다. 중요한 벤치마크는 어느 쪽 모델 카드에 적힌 수치가 아니라, 자신의 하드웨어와 자신의 데이터로 실행한 벤치마크입니다.

실제로 어떤 레이어를 사려고 하시나요?

MiniCPM5-2B를 선택하세요. 오늘 밤 바로 서빙하고 오픈 데이터로 파인튜닝할 수 있는, 완성된 Apache-2.0 온디바이스 모델이 필요할 때 말입니다. 다만, 그 인상적인 모델 카드는 검증되지 않았으므로 프로덕션 신뢰를 얻으려면 직접 재현해 봐야 한다는 점을 받아들여야 합니다. LFM2.5 2.6B Base를 선택하세요. 직접 후속 훈련할 모델을 구축하려 하고 Liquid의 하이브리드 아키텍처와 16개 언어 기반을 시작 가중치로 삼고 싶을 때 말입니다. 이 경우 파인튜닝 비용, 공개된 벤치마크가 하나도 없다는 점, 그리고 무엇을 출시하든 함께 따라붙는 1,000만 달러 매출 상한까지 감수해야 합니다. 둘은 같은 작업을 두고 경쟁하는 모델이 아닙니다. 같은 하드웨어에서 수행하는 서로 다른 두 작업일 뿐입니다. 유일하게 잘못된 선택은, 다른 모델을 사고 있다고 믿으면서 한쪽을 사는 것입니다.