Tell 1 vs LFM2.5 2.6B Base: 빌려 쓰는 음성 모델과 직접 완성하는 체크포인트

나란히 놓아 보세요: Tell 1과 LFM2.5 2.6B Base를. 그러면 크기 차이가 이야기의 핵심처럼 보입니다. 하나는 컨택트 센터 플랫폼 내부에 있는 Retell의 자체 추론 모델이고, 다른 하나는 5.4GB 파일에 들어가는 Liquid AI의 26.9억 매개변수 텍스트 전용 체크포인트입니다. 하지만 그것이 이야기의 핵심은 아닙니다. 이야기의 핵심은 LFM2.5 2.6B Base가 기본 모델이라는 점입니다. 한 번도 인스트럭션 튜닝된 적이 없어서 질문을 하면 답하는 대신 질문 텍스트를 이어서 쓸 것입니다. 반면 Tell 1은 전화 응대를 생업으로 하는 제품의 완성된 구성 요소입니다. 둘 중 하나는 원재료입니다. 다른 하나는 분해하면 안 되는 작동 부품입니다. 아래의 모든 내용은 여러분의 문제에 실제로 필요한 것이 이 둘 중 어느 쪽인지에 관한 것입니다. 어느 쪽도 다른 쪽을 대신할 수 없고, 당연해 보이는 가격 비교는 이 페이지에서 가장 쓸모없는 정보이기 때문입니다.

시점도 중요하며, 이 조합이 존재하는 이유이기도 하다. 둘 다 최근 사례다. Liquid AI는 2026년 8월 LFM2.5 제품군을 공개했고, Retell의 Tell 1은 2026년 11월 Retell이 공개하는 벤치마크의 최상위에 오르면서 대중의 시야에 들어왔다. 둘 다 늦게 접하는 출시작이 아니다. 또한 둘 다 반대되는 이유로 공개 문서가 유난히 부족하다. Liquid는 지침이 애초에 핵심이 아니었기 때문에 지침 없는 체크포인트를 내놓았고, Retell은 모델이 별도로 구매할 수 있는 제품이 아니기 때문에 문서 없는 모델을 내놓았다.

Liquid 체크포인트가 할 수 없는 것부터 시작하십시오.

LFM2.5 2.6B Base는 Liquid AI의 LFM2.5 하이브리드 제품군에 속한 사전 학습된 체크포인트입니다. 30개 레이어 중 22개는 이중 게이트 숏 컨볼루션 블록이고 8개는 그룹화된 쿼리 어텐션이며, 약 34조 개의 토큰으로 16개 언어에 걸쳐 학습되었습니다. 131,072토큰 컨텍스트 창과 약 1.67GB에 이르는 Q4_K_M 양자화를 갖추고 있습니다. 텍스트 입력, 텍스트 출력입니다. 비전도, 오디오도, 신뢰할 수 있는 도구 호출 템플릿도, 명령어 튜닝도 없습니다. 그리고 Liquid의 자체 모델 카드에는 이것이 프롬프팅보다는 집중적인 파인튜닝을 위한 것이라고 분명히 밝혀져 있습니다.

그것은 결함이 아니며, 그것을 결함으로 취급하는 것이 베이스 모델에 관한 글에서 가장 흔한 실수다. 과제의 윤곽이 잡혀 있고, 자체 예시가 대량으로 있으며, 그 과제를 해결하기 위해 벤더에 토큰당 비용을 지불할 생각이 없을 때 베이스 체크포인트는 올바른 출발점이다. 소비자용 GPU 한 대에서 파인튜닝한 뒤 노트북이나 휴대폰에서 양자화되어 실행되는 2.69B 모델은 어떤 호스팅 API와도 다른 경제적 대상이다. 호출당 한계 비용은 대략 전기료 수준으로 내려가고, 실제로 지불하는 비용은 데이터 라벨링, 학습 실행, 평가로 옮겨간다.

그것이 할 수 없는 일은 대화에 바로 투입되는 것입니다. 베이스 체크포인트를 신뢰할 수 있는 도구 호출 에이전트로 바꿔 주는 시스템 프롬프트는 없으며, 아무리 많은 프롬프트 엔지니어링도 포스트 트레이닝 단계를 대체할 수 없습니다. 당신의 계획이 "그것을 다운로드해서 OpenAI 호환 서버로 감싸고 음성 에이전트를 거기에 연결한다"는 것이라면, 그 계획은 첫 번째 함수 호출에서 실패할 것입니다. 그리고 그 실패는 학습 단계가 빠졌기 때문인데도 모델 품질 문제처럼 보일 것입니다.

그렇다면 Tell 1이 무엇인지, 그리고 왜 그것을 가질 수 없는지

Tell 1은 Retell의 음성 스택에서 추론 계층이며, 회사 홈페이지의 "Developed by Retell Labs" 아래에서 모델·지식·도구를 조립하는 에이전트 하네스 옆에 나열되어 있습니다. 모델로 판매되지는 않습니다. Retell 사이트 어디에도 모델 카드, 저장소, 컨텍스트 창 수치, 파라미터 수, 라이선스, 토큰당 가격이 공개되어 있지 않습니다. 유일한 정량적 공개 근거는 Retell이 직접 운영하는 리더보드인 Retell vCX Benchmark의 한 행입니다: 지시 수행 88.6%, 환각이라는 라벨이 붙은 차원 97.2%, 도구 호출 95.4%, 구어체 96.6%, 평균 94.45%, 중앙 지연 시간 72.5ms, 모델 비용은 분당 3.5센트입니다.

Tell 1이 공개된 무엇인가를 파인튜닝한 것인지, 처음부터 학습한 모델인지, 아니면 더 큰 모델에서 증류한 소형 모델인지는 공개되지 않았다. 72ms라는 중앙값은 최전선의 범용 모델이라기보다 작고 빠른 모델임을 시사한다. 이 수치는 제3자 추론 스택까지의 왕복 시간이 지배하기 시작하는 구간에 들어 있기 때문이다. 그러나 이는 지연 시간 수치로부터 한 추론일 뿐이며, 지연 시간 수치에는 여러 원인이 있다. 추론이 아닌 부분은 패키징이다. Tell 1은 Retell 플랫폼에서 시간을 구매하는 방식으로 얻을 수 있으며, 구성에 따라 분당 $0.07에서 $0.31이고, 모델은 전화 통신, 음성 스택 및 그 주변의 하네스와 분리할 수 없다.

이것이 구매자가 값을 매겨야 하는 비대칭성입니다. LFM2.5 2.6B Base는 어떤 호스팅 모델도 결코 갖지 못하는 방식으로 당신의 것입니다. 가중치를 읽고, 양자화하고, 앱에 탑재해 출시할 수 있으며, 공급업체가 사라져도 계속 실행할 수 있습니다. Tell 1은 어떤 다운로드 가능한 모델도 갖지 못하는 방식으로 사용 가능합니다. 이미 전화번호, 발화 순서 조정 계층, 음성에 연결되어 있고, 실제 통화에서 사람처럼 들리게 만드는 작업은 다른 누군가가 이미 해두었습니다.

실제로 중요한 비교: 지연 시간 예산이 어디에 쓰이는가

이 두 모델은 모두 스톱워치 하나에 성패가 달려 있어서, 하는 일은 다르지만 함께 언급됩니다. 전화 통화에서는 발신자가 문장을 끝낸 뒤 에이전트가 말을 시작하기까지 약 800ms의 예산이 주어지며, 이 시간을 넘기면 그 침묵이 끊긴 전화선처럼 들립니다. 이 예산은 음성 인식, 모델 턴, 도구 호출, 음성 합성 순서로 사용됩니다.

• 모델 지연 시간 — Retell의 하네스 내 Tell 1 기준 중앙값 72.5ms로, 해당 벤치마크의 62개 구성 중 1위입니다. LFM2.5 2.6B Base의 경우 공개되지 않았는데, 베이스 체크포인트는 측정할 서빙 제품이 없고 양자화된 처리량은 전적으로 하드웨어에 달려 있기 때문입니다.

• 800ms 안에는 또 무엇이 포함될까 — Tell 1의 경우 전화 통신과 음성은 플랫폼이 제시하는 수치 안에 포함되며, Retell은 일반적인 종단 간 응답 시간이 약 600ms라고 언급합니다. 자체 호스팅 LFM2.5 스택의 경우 ASR, TTS 및 서빙 계층을 모두 직접 추가해야 하며, 각각은 공급업체가 결정할 사항입니다.

• 처리량 — 이 체크포인트의 포스트 트레이닝된 Liquid 형제 모델은 Apple M5 Max에서 초당 220토큰, AMD Ryzen CPU에서 초당 113토큰으로 실행되며, 벤더는 휴대폰에서도 초당 30토큰이 가능하다고 언급합니다. 2.69B 모델의 속도는 서비스 수준이 아니라 기계의 함수입니다.

그 마지막 문장이 바로 본질적인 차이를 전부 보여줍니다. Tell 1의 지연 시간은 다른 누군가가 지켜 주는 약속이고, LFM2.5의 지연 시간은 당신이 선택한 하드웨어의 속성입니다. 배포 대상이 동시 회선 200개를 처리하는 콜센터라면, 당신이 구매하는 것은 첫 번째입니다. 네트워크가 없는 창고에 있는 장치라면, 두 번째만이 존재하는 유일한 선택지입니다.

파인튜닝은 갈림길이다

결정을 최대한 명확히 말하겠습니다. 정확히 설명할 수 있는 작업과 그 예시가 있고, 그 예시를 제3자에게 보내지 않을 이유가 있다면 LFM2.5 2.6B Base를 선택하세요 — 통화 흐름 내부의 분류 단계, 도메인 특화 요약기, 요청이 무엇인지 판단하는 온디바이스 라우터 같은 경우입니다. 이 모델은 작아서 파인튜닝이 분기가 아니라 한나절이면 되고, 컨텍스트 창은 실제 문서를 처리하기에 충분히 크며, 라이선스는 연 매출 1,000만 달러 미만에서 상업적 사용을 허용하고 그 기준 이상에서는 별도 계약이 필요합니다. 그 임계값은 조달상의 사실이며 각주가 아니라 결정에 포함되어야 합니다.

모델이 아니라 전화 에이전트를 구매하려는 경우, 특히 직접 구축할 수 없는 것이 대화형 표면—인터럽션 처리, 구어체 표현, 그리고 발신자가 기계임을 알아차리지 못할 만큼 빠르게 도착하는 첫 음절—이라면 Tell 1을 선택하십시오. Retell의 벤치마크에 따르면 Tell 1이 앞서는 두 차원은 바로 이것들이며—구어체 1위, 지연 시간 1위—, 명령 따르기, 그라운딩, 도구 호출에서는 앞서지 않는다고 똑같이 분명히 밝힙니다. 해당 항목에서의 순위는 각각 2위, 2위, 5위입니다. 표준화하기 전에 자사 통화로 이 세 가지를 테스트하십시오. 단지 더 느린 답변이 아니라 잘못된 답변을 만들어내는 것이 바로 이 세 가지이기 때문입니다.

세 번째 선택지가 있으며, 실제 워크로드를 가진 대부분의 팀이 결국 여기에 안착합니다. 좁고 반복적인 작업 부분에는 작은 파인튜닝 모델을 유지하고, 어려운 구간은 더 큰 호스팅 모델로 라우팅하는 것입니다. 바로 이것이 라우팅 레이어가 만들어진 이유이며, 자체 카탈로그가 여기에 해당합니다. Tell 1도 LFM2.5 2.6B Base도 OrcaRouter를 통해 라우팅할 수 없습니다. 저희는 둘 다 호스팅하지 않기 때문입니다. 따라서 이 아키텍처의 실용적인 버전은 Liquid 파인튜닝 모델을 자체 하드웨어에 두고, 에스컬레이션 경로는 저희가 실제로 제공하는 모델로 보내며, 하나의 API 키로, 추가 비용 없이 제공업체 정가로.

무엇이 답을 바꿀까요?

Tell 1의 경우, 세 가지 공개 자료가 있으면 이를 "플랫폼 내부 테스트"에서 "표준화 검토"로 옮길 수 있습니다. 아키텍처와 학습 데이터를 명시한 모델 카드, 분당 번들에서 비용을 분리할 수 있도록 하는 모델별 가격, 그리고 Retell이 아닌 주체가 수행한 평가입니다. 현재 기록은 벤더 자체 리더보드의 한 행에 불과하며, 벤더가 자체 하네스에서 스스로를 1위로 올리는 것은 결과가 아니라 가설입니다.

LFM2.5 2.6B Base에서 빠진 조각은 문서가 아니라 바로 여러분의 자체 파인튜닝입니다. 체크포인트는 완비되어 있고 라이선스도 확인할 수 있으므로, 유일한 미지수는 여러분의 데이터로 학습한 2.69B 모델이 여러분의 과제에서 기준을 통과하는지 여부입니다. 그것은 GPU 하나로 이번 주에 답할 수 있는 질문이며, 아무리 많이 읽어도 여러분 대신 답해 주지 않습니다. 그 맞바꿈을 한 문장으로 말하면 이렇습니다: Tell 1은 엔지니어링을 아껴 주는 대신 통제권을 가져가고, LFM2.5 2.6B Base는 통제권을 주는 대신 엔지니어링을 여러분이 직접 하게 만듭니다.