SubQ Snap 1.1 vs LFM2.5 2.6B Base: 결정을 살 것인가, 체크포인트에서 직접 구축할 것인가

비교에서 가장 중요한 단어는SubQ Snap 1.1과 LFM2.5 2.6B Base 마지막 단어입니다. Base는 사전 학습(pretrained)을 의미합니다. 이는 Liquid AI가 약 34조 개의 토큰으로 학습을 마친 뒤, 언어 모델을 지시를 따르는 존재로 바꾸는 지도 미세 조정, 증류 또는 강화 학습을 하기 전에 체크포인트를 공개했음을 뜻합니다. 질문에 답하지 않습니다. 레이블을 고르지 않습니다. 지원 티켓을 라우팅하라고 요청하면, 학습된 텍스트의 문체로 프롬프트를 이어 쓸 것입니다. 이는 버그가 아니라 base 체크포인트가 존재하는 이유입니다.

SubQ Snap 1.1은 이와 대조적으로 완성된 제품입니다: 2026년 10월 22일 출시된 Subquadratic의 의사결정 모델로, 최대 384K 토큰의 텍스트와 이미지에 고정된 답변 세트를 더해 입력받고 보정된 선택을 반환합니다. 이 둘을 마치 대안인 것처럼 맞붙여 비교하는 것은 범주 오류이며, 그것도 유용한 오류입니다. 왜냐하면 그 오류는 팀이 자체 통제하는 하드웨어에서 실행되는 분류를 원할 때 마주하는 결정 그 자체이기 때문입니다. 질문은 "어느 모델이 더 나은가"가 아닙니다. "그 결정을 살 것인가, 아니면 출발점에서 직접 구축할 것인가"입니다.

Liquid AI가 실제로 출시한 것

LFM2.5-2.6B Base는 2026년 8월 4일, 사후 학습된 형제 모델인 LFM2.5-2.6B와 함께 공개되었으며, 2억 3천만 개 파라미터부터 24B mixture-of-experts까지 아우르는 모델 패밀리의 일부입니다. 아키텍처는 Liquid의 LFM2 설계로, 30개 레이어 중 22개는 이중 게이트 단락 컨볼루션 블록이고 8개는 그룹화된 쿼리 어텐션 레이어이며, 128,000토큰 어휘와 중간 학습 확장 단계에서 추가된 128K 컨텍스트 창을 갖춥니다. 26억 9천만 개 파라미터로 약 2.5기가바이트에 들어가며, Apple M5 Max에서 초당 약 220토큰, Ryzen AI Max+에서 약 113토큰, 휴대폰에서 약 30토큰의 속도로 실행됩니다.

instruct 형제 모델은 흥미로운 숫자들이 있는 곳이며, 이 숫자들은 post-training이 얼마나 가치 있는지를 보여주는 척도로서 읽어볼 가치가 있습니다. Liquid는 AIME25 51.87, LiveCodeBench v6 59.41, IFBench 59.17, Multi-IF 80.07, BFCLv4 56.88, ToolSandbox 77.83을 보고합니다. 모두 벤더가 보고한 수치이며, 모두 post-trained 모델 기준입니다. 베이스 체크포인트는 지시를 따를 수 없기 때문에 비교 가능한 instruction-following 점수가 없습니다. 체크포인트와 질문을 던질 수 있는 모델 사이의 그 격차는 네 가지 post-training 단계입니다. 두 차례의 supervised fine-tuning, 도메인별 teacher 특화, 다중 도메인 on-policy distillation, 그리고 실제 harness 내부에서의 agentic reinforcement learning입니다.

Liquid는 또한 이 모델이 무엇을 위한 것이 아닌지도 분명히 밝힌다. 바로 에이전트형 코딩과 지식 집약적인 작업이다. 이는 대부분의 연구소가 공개하는 것보다 더 정직한 포지셔닝 선언이며, 액면 그대로 받아들일 가치가 있다.

사양, 나란히 비교

• 무엇인가 — LFM2.5 2.6B Base는 인스트럭션 튜닝이 없는 사전 학습 체크포인트이고, SubQ Snap 1.1은 고정 응답 API를 갖춘 호스팅 의사결정 모델입니다.

• 컨텍스트 — LFM2.5 2.6B Base의 경우 128K 토큰, Snap 1.1의 경우 384K 토큰.

• 입력 — LFM2.5 2.6B Base는 텍스트만, Snap 1.1은 텍스트와 이미지.

• 출력 — 자유 형식 토큰 생성, 또는 LFM2.5 2.6B Base 위에 추가로 학습시키는 모든 헤드; Snap 1.1의 경우 확률이 포함된 선택 또는 점수.

• 가격 — LFM2.5 2.6B Base는 셀프 호스팅 전용으로 토큰당 청구 없음; Snap 1.1은 입력 토큰 100만 개당 $0.04, 출력 무료.

• 라이선스 — LFM 오픈 라이선스 v1.0, Liquid 모델의 경우 매출 기준치를 조건으로 상업적 사용 허용; Snap은 가중치가 전혀 없음.

• 설치 공간 — 약 2.5GB이며, LFM2.5 2.6B Base는 휴대폰에서 실행 가능하고, Snap 1.1은 네트워크 호출이 필요합니다.

체크포인트와 분류기 사이의 차이

LFM2.5 2.6B Base를 Snap 1.1이 하는 일을 수행하는 무언가로 만들려면 다섯 가지가 필요하며, 그중 모델은 단 하나뿐입니다.

라벨링된 데이터가 필요합니다 — 좁은 범위의 라우팅 작업이라면 클래스당 몇천 개의 예시가 합리적인 출발점이며, 클래스가 불균형하거나 경계가 미묘하다면 훨씬 더 많아야 합니다. 학습 실행도 필요합니다. 기반 체크포인트 위에 분류 헤드나 LoRA 어댑터를 얹는데, 그 기반 체크포인트는 지시문을 한 번도 본 적이 없으므로 파인튜닝이 작업 적응과 지시문 따르기 작업을 동시에 수행하게 됩니다. 캘리브레이션도 필요합니다. 소프트맥스 점수는 캘리브레이션된 확률이 아니며, 캘리브레이션되지 않은 점수로 설정한 라우팅 임계값은 추측으로 정한 임계값이기 때문입니다. 트래픽이 변하면 모델이 드리프트할 것이므로 직접 유지 관리하는 평가 하네스도 필요합니다. 그리고 서빙 인프라가 필요합니다 — llama.cpp, MLX, vLLM 또는 ONNX이며, 이들은 모두 해당 아키텍처를 지원합니다.

그중 색다른 것은 없습니다. 그 모든 것은 제대로 아는 사람이 몇 주씩 해야 하는 작업이며, 작업이 바뀔 때마다 다시 발생합니다. 정직한 비교는 백만 토큰당 $0.04 대 무료가 아닙니다. 그것은 백만 토큰당 $0.04 대 4~8주간의 엔지니어링, 그리고 모델을 보유하는 데 드는 지속적인 비용입니다.

라이선스는 Apache가 아닙니다

Liquid는 LFM2.5를 LFM Open License v1.0에 따라 제공합니다. 상업적 사용은 허용되지만, 연매출 1,000만 달러를 초과하는 조직은 별도의 상업용 라이선스가 필요합니다. 이는 Granite의 Apache 2.0이나 Gemma의 Apache 2.0과는 실질적으로 다른 조건이며, 프로토타입이 작동한 뒤에야 법무팀이 늦게 발견하는 유형의 조항입니다. 임계값 아래에 있는 스타트업이라면 오늘은 비용이 들지 않지만 나중에는 비용이 발생할 수 있습니다. 임계값을 넘는 조직이라면 GPU 가격을 책정하기 전에 라이선스 가격을 먼저 책정하십시오.

베이스 체크포인트가 완전히 우세한 경우

에어갭 배포가 가장 강력한 사례이며, 이는 근소한 차이의 문제도 아니다. 네트워크 경로가 전혀 없는 휴대폰, 노트북 또는 컨테이너에서 실행되는 2.5기가바이트 모델은 현장 애플리케이션, 기밀 환경, 또는 고객에게 출하되는 기기에 유일한 선택지다. Snap 1.1은 그중 어디에도 들어갈 수 없다. 그것은 API이며, 로컬에서 실행되는 버전은 존재하지 않는다.

볼륨 경제성은 두 번째 사례이지만, 의미가 있으려면 실제 볼륨이 필요합니다. 월 200만 건의 의사결정에 각각 20,000토큰의 컨텍스트가 붙는 경우 — 400억 입력 토큰 — Snap 1.1의 비용은 월 $1,600, 연간으로는 $20,000이 조금 안 됩니다. 이미 보유한 하드웨어에서 해당 트래픽을 처리하는 단일 파인튜닝된 2.6B 모델은 한계 비용이 들지 않습니다. 손익분기점은 연간 API 청구액이 파인튜닝의 엔지니어링 비용에 하드웨어 비용을 더한 금액을 초과하는 지점 근처인데, 대부분의 팀에게 이는 한 달이 아니라 1~2년 뒤의 일입니다.

완전한 제어는 세 번째입니다. 자체 라벨로 학습한 모델은 학습시킨 일을 수행하며, 그 외에는 아무것도 하지 않습니다. Snap 1.1은 Artificial Analysis Decision Index v1.0에서 20%의 정확도를 기록한 범용 의사결정 모델입니다. 이 모델의 지수 점수 65는 주로 답할 수 없는 질문에 대해 답변을 보류하는 데서 나오며, 보고된 비환각률은 86%입니다. 도메인에 맞게 파인튜닝한 2.6B 모델은 해당 작업에서 그 정확도를 자주 능가하며, 그렇게 학습시키지 않는 한 절대 답변을 보류하지 않습니다.

Snap 1.1이 확실히 우위를 점하는 부분

첫 결정까지 걸리는 시간은 스프린트가 아니라 분 단위로 측정됩니다. 수집할 학습 데이터도, 피팅할 헤드도, 그릴 보정 곡선도 없습니다. 문서와 옵션 목록을 보내면 확률이 돌아오고, 그 확률이 곧 제품입니다.

긴 컨텍스트는 두 번째 차이점이며, 이는 부수적인 것이 아니라 아키텍처에 기인한 것입니다. Snap은 토큰당 일정한 연산량으로 단일 순전파에서 384K 토큰을 처리합니다. LFM2.5 2.6B Base는 128K 창을 가지며, 26억 개 매개변수 모델로서 유효 검색 범위는 명목상 범위보다 상당히 짧을 것입니다. Liquid의 자사 형제 모델은 AA-Omniscience 점수 −29.50을 보고하는데, 이는 작은 모델이 얼마나 많이 아는지를 측정하는 지표이지 읽기 능력을 측정하는 지표는 아니지만, 기대치를 형성합니다.

세 번째는 Snap의 출력이 이미 여러분에게 필요한 바로 그것이라는 점입니다. 파서도, 스키마도, 잘못된 형식의 답변을 위한 재시도 로직도 필요 없습니다.

그럼 어느 것?

의사 결정이 긴 문서에 대한 {{2}}라우팅 또는 분류 호출{{/2}}이고, 데이터가 네트워크 외부로 나갈 수 있으며, 이번 분기에 해당 기능을 원한다면 Snap {{1}}1.1{{/1}}을 구매하세요. 직접 구축하는 경로는 현실적이긴 하지만 대부분의 팀에게 첫해에 더 저렴하지는 않으며, {{3}}베이스 체크포인트{{/3}}는 그 경로에서 가능한 가장 어려운 출발점입니다 — 보통은 {{4}}포스트 트레이닝된 LFM2.5-2.6B{{/4}}에서 시작해 거기서부터 파인튜닝하며, Base에서 시작하지는 않습니다.

네트워크가 닿지 않는 곳에 모델을 두어야 하거나, 가중치를 영구적으로 소유하고 그것이 그럴 만한 가치가 있도록 만들 엔지니어링 역량이 있다면 Base 체크포인트를 선택하세요. 그런 경우에는 학습 실행뿐 아니라 라이선스 문제도 예산에 포함하세요.

둘 다 OrcaRouter의 카탈로그에 없으며 앞으로도 없을 것입니다: LFM2.5 2.6B Base는 로컬 체크포인트이고, Snap 1.1은 console.subq.ai의 Subquadratic API를 통해서만 제공됩니다. 둘 중 하나를 중심으로 구축된 파이프라인에서 OrcaRouter가 하는 일은 결정을 행동으로 전환하는 계층입니다 — 하나의 키로 생성 모델 200개 이상 이용, 공급자 정가를 0% 마크업으로 그대로 전달, 자동 페일오버 덕분에 일시적으로 사용할 수 없는 모델에 라우팅 호출이 도착하더라도 요청이 유실되지 않습니다. 의사 결정 계층과 작성 계층은 실패 모드가 다릅니다. 두 계층을 같은 의존성에 두지 않는 것이 좋습니다.

주목할 만한 것은 어느 모델의 벤치마크 행도 아니다. 그것은 수천 개의 도메인 예시로 파인튜닝한 26억 매개변수 체크포인트가 팀이 실제로 가진 단 하나의 과업에서 목적에 맞게 구축된 의사결정 모델과 맞먹을 수 있는지 여부다. 좁고 잘 레이블링된 분류에서는 역사적으로 답이 '그렇다'였고, 그것이 여기서 사느냐 만들 것이냐(buy-versus-build)라는 질문이 수사적이 아니라 진정으로 열려 있는 이유다.