퍼셉트론 Mk1.5 vs LFM2.5-2.6B-Base: 지각을 렌트할 것인가, 아니면 체크포인트를 소유하고 직접 완성할 것인가

이 두 모델은 모두 한 손으로 들 수 있는 하드웨어를 겨냥합니다. Perceptron Mk1.5는 체화형 에이전트를 위한 지각 모델로, 공급업체에 따르면 드론, 사족보행 로봇, 스마트 글래스, 휴대폰에 탑재됩니다. LFM2.5-2.6B-Base는 Liquid AI가 온디바이스 배포를 위해 명시적으로 만든 2.69B 오픈 웨이트 체크포인트로, 2.5GB 미만의 메모리에서 실행될 만큼 작습니다. 이 공유된 물리적 야망은 두 모델의 유일한 공통점이며, 스펙 시트에서 두 모델을 비교하는 사람에게는 함정입니다. Perceptron Mk1.5는 토큰당 대여하는 완성된 제품입니다. 텍스트, 이미지, 비디오, 오디오를 입력받아 텍스트와 기계 판독 가능한 기하 구조를 출력하며, 2026년 9월 25일부터 서비스 중입니다. LFM2.5-2.6B-Base는 인스트럭션 튜닝도, 채팅 템플릿도, 벤치마크 주장도 없는 가공되지 않은 사전 학습 파운데이션입니다. 다른 사람들이 완성하도록 공개된 체크포인트입니다. 둘 중 하나는 오늘 질문에 답하고, 다른 하나는 앞으로 그렇게 할 모델을 위한 원재료입니다.

비교는 단계를 명시해야만 성립한다

서빙된 API를 베이스 체크포인트와 나란히 놓는 것은 일대일 비교가 아니며, 그렇지 않은 척하면 한쪽은 벤더가 완료했고 다른 쪽은 시작조차 하지 않았기 때문에 모든 행에서 한쪽이 "이긴다"는 엉터리 표가 만들어진다. 유용한 질문은 당신이 작업의 어느 단계에 있느냐이다.

Liquid AI는 LFM2.5 패밀리를 일련의 체크포인트 세트로 출시했으며, 그중 베이스가 첫 번째입니다. 해당 모델 카드에는 30개 레이어에 걸쳐 총 26.9억 개의 파라미터가 나열되어 있습니다. 즉, 22개의 이중 게이트 숏 컨볼루션 블록과 8개의 그룹화된 쿼리 어텐션 블록으로 구성되어 있으며, 약 34조 토큰으로 학습되었고, 128,000개 토큰 어휘, 131,072개 토큰 컨텍스트 길이, 그리고 영어, 중국어, 일본어, 한국어, 아랍어를 포함한 16개 언어를 지원합니다. 이 모델은 텍스트 전용이며, 인과적 언어 모델일 뿐 그 이상은 아닙니다. Liquid의 자체 권장 사항은 단호합니다: 이 체크포인트는 언어별 또는 도메인별 어시스턴트, 독점 데이터 학습, 또는 새로운 포스트 트레이닝 접근법 실험과 같이 대규모 파인튜닝이 필요한 작업을 위한 것입니다. 이 체크포인트를 패밀리의 공개 점수를 기록하는 도구 호출 에이전트로 탈바꿈시키는 것은 베이스 모델에는 포함되지 않은 Liquid의 4단계 포스트 트레이닝 파이프라인입니다.

Perceptron Mk1.5는 그 궤적의 반대편 끝에 있습니다. Perceptron은 이미 포스트트레이닝을 완료했고, 출력 형식을 결정했으며, 그 결과에 가격을 매겼습니다 — 입력 100만 토큰당 $0.15, 출력 100만 토큰당 $1.50, 캐시된 입력은 $0.0375입니다. 그 사양은 기본 체크포인트의 사양과 달리 구체적입니다: 36,864토큰 컨텍스트, 8,192토큰 최대 출력, 네 가지 입력 모달리티, reasoning_effort 제어(기본값 high), 채팅 완성에서의 함수 호출, 그리고 JSON Schema와 정규식을 통한 제한된 응답.

두 가지를 함께 고려해야 하는 이유는 총 소유 비용이 서로 반대 방향으로 흐르기 때문이다. Mk1.5는 토큰당 비용이 비싸고 시작은 무료다. LFM2.5-2.6B-Base는 한계 비용은 무료이고, 베이스 체크포인트에 중요한 유일한 화폐인 엔지니어링 시간 측면에서는 비싸다.

차원별로, 역할은 제대로 구분한 채로

• 무엇인가 — Perceptron Mk1.5는 구조화된 공간 출력을 제공하는 호스팅형 인식 API입니다. LFM2.5-2.6B-Base는 다운로드 가능한 2.69B 사전 학습 causal LM입니다.

• 입력 — Mk1.5는 텍스트, 이미지, 비디오, 오디오(WAV, MP3, FLAC)를 받습니다. LFM2.5-2.6B-Base는 텍스트만 받습니다.

• 출력 — Mk1.5는 텍스트와 선택적 포인트, 박스, 폴리곤, 클립, 그리고 타임스탬프가 지정된 <track> 요소를 반환하거나, JSON Schema로 제약된 응답을 반환합니다. 기본 모델은 다음 토큰에 대한 토큰 확률을 반환하며, 이를 유용하게 만들기 위해 튜닝된 것은 아무것도 없습니다.

• 단독 사용 — Mk1.5는 키를 받은 당일부터 작동합니다. LFM2.5-2.6B-Base는 제품 관점에서는 질문에 전혀 답하지 못합니다. 출시할 만한 모델이 되려면 파인튜닝이 필요하고, 보통은 채팅 템플릿도 필요합니다.

• 컨텍스트 — Mk1.5는 36,864토큰, 기본 모델은 131,072토큰입니다. 온디바이스 체크포인트는 서빙되는 인식 모델이 무엇이든 담고 있는 양보다 거의 네 배 많은 텍스트를 보유합니다.

• 풋프린트 — Mk1.5는 Perceptron이 실행하는 곳에서 구동되며, 공개된 지연 시간 작업은 단일 H100에서 수행되었다. 베이스는 2.5GB 미만으로 노트북, 휴대폰 또는 엣지 박스에서 실행되도록 설계되었다.

• 근거 — Mk1.5의 모든 성능 수치는 Perceptron 자체에서 나온 것이며, 이를 검증할 독립적인 지표는 존재하지 않습니다. 베이스 모델에는 벤치마크 주장이 전혀 없습니다: Liquid는 이 체크포인트가 아니라 후속 학습된 LFM2.5-2.6B에 대한 점수를 공개합니다.

• 라이선스 — Mk1.5는 폐쇄형이며 토큰당 임대 방식입니다. LFM2.5-2.6B-Base는 LFM Open License v1.0에 따라 제공되며, 가중치를 다운로드하여 계속 보유할 수 있습니다.

정직하게 비용이 산정된 가중치 경로

LFM2.5-2.6B-Base의 매력이 가중치가 무료라는 점이라면, 그 문장을 정직하게 표현하면 가중치는 프로젝트에서 가장 저렴한 부분이라는 뜻이다. 독점 데이터에 대한 파인튜닝은 데이터셋, 학습 실행, 파인튜닝이 성공했는지 알려줄 평가 하네스, 그리고 서빙 경로를 의미한다 — Transformers, vLLM 또는 SGLang, 혹은 Liquid가 각각 CPU, 크로스 플랫폼, Apple Silicon 배포를 위해 공개하는 GGUF, ONNX, MLX 빌드 중 하나. 그중 별난 것은 없고, 2.69B라면 70B 파인튜닝이 결코 건드리지 않는 하드웨어에도 들어간다. 하지만 베이스 체크포인트는 시작점일 뿐이고, 일정 리스크는 전적으로 거래의 귀하 측에 있다.

그 대가로 얻는 것은 통제력입니다. 16개 언어 토크나이저와 131K 컨텍스트는 도메인 파인튜닝이 사전 학습과 용량을 두고 다투지 않아도 된다는 뜻입니다. 2.5GB 미만의 풋프린트는 배포 대상이 데이터센터가 아니라 기기라는 의미이며, 이것이 이 제품군의 핵심입니다. 그리고 LFM Open License를 사용하면 결과물, 즉 경쟁사 누구도 당신과 동일한 API에서 빌려 쓸 수 없는 전문 모델을 그대로 보유할 수 있습니다.

계보에 베팅하기 전에 알아 둘 가치가 있는 제3자 증거가 하나 있고, 공백도 하나 있습니다. Liquid의 포스트트레이닝된 LFM2.5-2.6B에는 독립적인 측정치가 실제로 있습니다. Artificial Analysis는 이를 Intelligence Index 8로 기재하며, 동급 49개 모델 중 9위로 올려 두었습니다. 기본 체크포인트에는 그런 측정치가 없습니다. 해당 페이지가 없는데, 이는 사전학습된 파운데이션 모델에서는 정상적인 일이므로 판결처럼 다루기보다는 분명히 말해 둘 만합니다. 포스트트레이닝된 모델의 지수가 알려 주는 것은 이 시작점에서 파이프라인이 지수 대역의 하단에서 만들어 내는 결과이지, 여러분의 파인튜닝이 만들어 낼 결과가 아닙니다.

API 라우트, 그리고 호스팅된 모델에게 "온디바이스"가 의미하는 것

Perceptron Mk1.5의 배포 이야기는 대상 목록이 시사하는 것보다 더 복잡하며, 정확히 짚고 넘어갈 가치가 있습니다. 벤더의 발표에서는 드론, 사족보행 로봇, 스마트 안경, 스마트폰을 배포 대상으로 명시합니다. 모델 자체는 api.perceptron.inc에서 API 키 뒤에 두고 서비스되며, Perceptron이 공개한 지연 시간 근거는 단일 H100에서 세 번 실행한 값의 중앙값입니다. 단일 H100은 드론이 아닙니다. 현실적인 해석은 Mk1.5가 네트워크 연결이나 동반 컴퓨팅 박스를 갖춘 로봇을 위한 인식 레이어이며, 기체 내부에서 실행되는 모델이 아니라는 것입니다. 따라서 이를 기반으로 오프라인 기기를 계획하는 사람은 하드웨어를 설계하기 전에 그 가정을 검증해야 합니다.

네트워크 가정이 성립한다면, API 경로가 주는 것은 베이스 체크포인트가 어떤 대가로도 줄 수 없는 것입니다: 좌표입니다. Mk1.5의 <track> 출력은 공간 관측과 그 타임스탬프를 담고 있으므로, 클립은 장면에 대한 설명이 아니라 시간에 따른 객체 위치로 반환됩니다. 추가할 asset_idx 필드는 하나의 요청으로 여러 이미지나 비디오를 개별적으로 지정할 수 있게 하며, 요청 형태는 제어 루프와 일치합니다 — 기준 프레임 입력, 기하 출력, 모델과 무언가를 움직이는 코드 사이에 파싱 단계가 없습니다.

비용은 이미 나열된 것들입니다: 36,864토큰의 컨텍스트, Perceptron 문서가 분당 약 750토큰 기준 대략 21.8분이라고 제시한 항목당 16,384토큰의 오디오 상한, reasoning_effort 기본값이 high이며, 구성하지 않은 모든 호출에서 가장 비싼 추론 경로에 대해 요금을 청구하는 것, 그리고 모델을 판매하는 회사가 내놓은 일련의 벤치마크 주장. 손 추적 수치는 여러분 자신의 영상으로 테스트해야 할 항목입니다: egocentric hand_box에서 0.9433은 Perceptron 자체 실행에서 Gemini 3.1 Pro의 0.4467과 비교하면 큰 격차이며, 공급업체 평가에서 큰 격차는 바로 재현해 볼 가치가 있는 것들입니다.

둘 다 우리 카탈로그에 없으며, 그것은 결정을 바꿉니다.

현재 OrcaRouter에서는 Perceptron Mk1.5도 LFM2.5-2.6B-Base도 라우팅되지 않습니다. Mk1.5는 라우트가 전혀 없어서, 접근하려면 벤더 자체 API를 사용해야 합니다 — pip install "perceptron>=0.4.0" 및 PERCEPTRON_API_KEY — 그리고 Liquid AI는 당사 카탈로그에 어떤 크기의 모델도 없으므로, 베이스 체크포인트는 호출이 아니라 Liquid의 Hugging Face에서 다운로드하는 방식입니다.

그것은 들리는 것보다 덜 중요하다. 왜냐하면 그 둘은 서로 대체 가능한 엔드포인트가 아니며, 어떤 가격 논리도 그것을 그렇게 만들지 못하기 때문이다. 여기서 라우팅 계층이 기여하는 바는 아직 열려 있는 결정의 나머지 부분이다. Mk1.5로 인식 서비스를, 파인튜닝된 LFM2.5-2.6B-Base로 텍스트 전문 서비스를 구축한다면, 두 개의 통합과 두 개의 실패 모드를 운영하는 셈이다. 그 앞에 놓인 OpenAI 호환 게이트웨이는 어느 한쪽의 공급자 장애를 실패한 작업이 아니라 폴백으로 바꿔 주고, 라우팅 규칙은 애플리케이션이 어느 쪽이 어느 쪽인지 알지 못한 채 비전 트래픽과 텍스트 트래픽을 서로 다른 모델로 보낼 수 있게 해준다. 하나의 API가 공급자 정가를 0% 마진으로 그대로 전달하는 200개 이상의 모델을포괄하는 것이 바로 그런 방식이며, 이를 통해 벤더 가격 변경이 다음 갱신 시점이 아니라 같은 날 반영된다 — 다만 이 두 가지의 경우, 오늘날 게이트웨이는 사용 가능한 지름길이라기보다 계획상의 고려 사항이다.

무엇을 해야 하는지, 그리고 무엇을 측정해야 하는지

당신의 작업이 "이 프레임에서 이 객체를 찾아 그것이 어디에 있는지 반환하는 것"이라면, Mk1.5를 빌려 프로덕션 경로를 거기에 확정하기 전에 자체 영상에서 hand-box 주장을 테스트하세요. 네트워크 가정을 예산에 반영하고, 다음과 같이 설정하세요: reasoning_effort를 의도적으로, high를 그대로 받아들이는 대신, 그리고 36,864토큰 창을 그것이 지닌 엄격한 제약으로 취급하세요. 구조화된 출력이 곧 제품이며, 다운스트림 코드가 파싱 단계 없이 좌표를 소비할 수 있다면, 이는 대부분의 비전 파이프라인이 조용히 정확도를 잃는 지점에서 진정한 절약입니다.

당신의 작업이 “다른 누구도 가진 적 없는 데이터로 튜닝한 2.6B 모델이 필요한데, GPU 없이 어딘가에서 돌아가야 한다”라면, LFM2.5-2.6B-Base를 다운로드하고 시작하기 전에 파인튜닝 비용을 솔직하게 산정하세요. 체크포인트는 무료지만 엔지니어링은 무료가 아닙니다. 그리고 이 패밀리 자체의 교훈, 즉 포스트트레이닝된 형제 모델이 독립 지표에서 8점을 받는다는 점은 베이스 모델과 완성된 모델 사이의 격차가 바로 실제 작업이 이루어지는 곳이라는 것을 상기시킵니다. 이 둘 중 어느 것도 오답이 아닙니다. 그것들은 서로 다른 구매이며, 유일한 진짜 실수는 당신이 완성해야 하는 파운데이션을 이미 완성된 제품인 것처럼 취급하는 것입니다.

두 개의 모델, 두 개의 통합, 두 가지 실패 모드는 겉보기보다 더 나쁜 상황입니다. OrcaRouter에서는 자동 페일오버를 설정할 수 있어, 어느 한쪽에서 공급자 장애가 발생해도 작업이 실패하는 대신 폴백으로 이어집니다.