ZwZ2-9B vs LFM2.5 2.6B Base: 이해할 가치가 있는 범주 오류

두는ZwZ2-9B옆에 LFM2.5 2.6B Base것은 크기 비교처럼 보이지만, 실제로는 그렇지 않습니다. ZwZ2-9B는 inclusionAI가 2026년 10월 16일에 모델 카드 없이 공개한 94억 1천만 개 파라미터의 비전-언어 체크포인트입니다. LFM2.5 2.6B Base는 Liquid AI가 2026년 8월 1일에 공개한 26억 9,700만 개 파라미터의 텍스트 전용 사전 학습 모델이며, 그 카드에는 이 체크포인트가 "모든 LFM2.5-2.6B 변형을 만드는 데 사용된" 것이라고 그 자체의 표현으로 적혀 있습니다. 하나는 채택하는 것이고, 다른 하나는 그 위에 구축하는 것입니다. 이 둘 중에서 고르는 것은 두 대의 자동차 중에서 고르는 것과 같지 않습니다 — 자동차와 엔진 블록 중에서 고르는 것과 같으며, 유용한 질문은 오직 당신에게 실제로 필요했던 것이 둘 중 어느 쪽이었는가뿐입니다.

그래서 이 글은 두 가지를 합니다. 두 방식 모두에 대한 실제 수치를 알려줍니다. 여러분이 비교를 찾아 여기 왔고, 그 수치는 알아둘 가치가 있기 때문입니다. 그리고 나서 그 비교가 가리는 차이를 설명합니다. 그 차이를 잘못 이해하면 팀이 필요하지도 않은 파인튜닝에 3주를 매달리거나, 3B 노트북 모델로도 충분히 처리할 수 있었던 작업에 9.4B 서버 모델을 돌리는 상황에 이르게 되기 때문입니다.

이 아티팩트들 각각이 실제로 무엇인지

LFM2.5 2.6B Base는 의도적으로 미완성된 모델입니다. 이는 Liquid AI의 LFM2.5-2.6B 제품군의 뿌리에 있는 사전 학습된 체크포인트로, 이중 게이트 단락 합성곱 블록과 그룹 쿼리 어텐션을 번갈아 사용하는 30개 레이어, 34조 토큰의 사전 학습, 128,000 토큰 어휘와 128,000 위치 상한을 갖추고 있습니다. 텍스트 전용입니다. 이는 온디바이스 배포를 위해 설계되었으며, 이는 Liquid AI가 카드에서 사용하는 표현이고, "Base" 접미사의 핵심은 사후 학습된 대화형 변형과 에이전트형 변형이 이로부터 파생된 별도의 다운로드라는 점입니다. 사용자는 이를 파인튜닝하거나 여기에 증류하도록 되어 있습니다. 기본 상태로는 어시스턴트가 아닙니다.

ZwZ2-9B는 정반대 종류의 객체다. 설명되지 않은, 완성된 형태의 체크포인트다. 그 구성에는 27개 계층 비전 타워, 이미지 및 비디오 토큰 ID, 768프레임으로 제한된 비디오 프로세서, 기본 시스템 프롬프트가 내장된 채팅 템플릿, 그리고 32개 계층 중 24개가 커지는 키-값 캐시 대신 선형 어텐션을 실행한다는 점이 담겨 있다. 이는 훈련 기반이 아니라 배포 대상이다. 빠져 있는 것은 구매자가 요구할 만한 모든 것이다: 라이선스 필드도, 평가 결과도, 무엇으로 훈련되었는지에 대한 설명도 없고, inclusionAI의 열 개 공개 컬렉션 어디에도 등재되어 있지 않다.

• 파라미터 — ZwZ2-9B: 9,409,813,744. LFM2.5 2.6B Base: 26억 9,700만.

• 목적 — 배포 형태의 멀티모달 체크포인트 vs 파인튜닝을 위한 사전 학습된 베이스.

• 모달리티: — 텍스트, 이미지, 동영상 대 텍스트만.

• 컨텍스트 상한 — 262,144개 위치 대 128,000개(Liquid AI의 카드에서는 이를 131,072로 반올림합니다).

• 어휘 — 248,320 대 128,000.

• 어텐션 설계 — 24개의 선형 레이어 + 8개의 전체 어텐션 레이어 vs 22개의 합성곱 레이어 + 8개의 어텐션 레이어.

• 라이선스 — 선언 없음 vs LFM Open License v1.0, 이는 Apache-2.0이 아닌 사용자 지정 라이선스입니다.

• 문서화 — 없음 vs 모델 카드, 기술 보고서, 명시된 학습 예산.

거기 두 줄은 겉보기보다 더 흥미롭다. 두 모델 모두 정확히 8개의 어텐션 레이어에 도달하고, 나머지는 더 저렴한 무언가로 채운다 — ZwZ2-9B는 순환 선형 어텐션으로, LFM2.5 2.6B Base는 짧은 컨볼루션으로. 그 수렴은 우연이 아니다. 그것이 지난 2년간 "효율적 아키텍처"가 의미해 온 것이다. 서로 반대 방향에서, 그리고 서로 반대 규모에서 도달한. 그리고 컨텍스트 상한은 승부가 아니다: 262,144 대 128,000은 거의 아무것도 말해주지 않는다. 왜냐하면 2.7B 모델은 25만 토큰 캐시가 현실적인 작업 세트가 아닌 노트북에 올라가도록 만들어졌기 때문이다.

"Base"라는 단어가 결정의 전부다

이 페어링에서 단 하나만 가져간다면, 이것을 가져가세요. 베이스 체크포인트에는 명령 수행이 없고, 신뢰할 만한 채팅 포맷팅도 없으며, 안전 튜닝도 없습니다. 그리고 도메인 모델을 만들고 있다면 이것은 장점입니다. 왜냐하면 여러분이 자신의 정렬을 훈련할 때 다른 사람의 정렬과 싸울 필요가 없기 때문입니다. 어시스턴트를 원했다면 이것은 결함입니다. 왜냐하면 사전 학습된 모델은 질문에 답하기보다 텍스트를 완성한다는 사실을 처음 2주 동안 다시 깨닫게 될 테니까요.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

배포 계산, 바로 그곳에 진짜 차이가 깃들어 있다

2.697B 텍스트 모델과 9.41B 비전 모델은 같은 하드웨어에서 서로 대안이 되지 않는다. LFM2.5 베이스는 휴대폰, 노트북, 싱글보드 머신에 맞춰 만들어졌다. Liquid AI가 내세우는 것은 온디바이스 추론이며, 4비트로 양자화된 2.7B 체크포인트는 몇 기가바이트에 불과하다. ZwZ2-9B는 32개 언어 레이어와 나란히 27개 레이어 비전 타워를 유지하고, 각 방향으로 약 2GB의 임베딩 행렬을 갖는다. 어휘만 해도 248,320×4,096 테이블이다. 그래서 이 모델은 서버용이거나, 적어도 실제 가속기가 달린 데스크톱용이다.

그렇기 때문에 대부분의 팀에게 정직한 아키텍처는 "하나를 고르는 것"이 아니다. 그것은 두 계층이다. 지연 시간과 프라이버시가 중요하고 작업 범위가 좁은 곳에는 작고 문서화된 모델을 두고, 어려운 사례는 호스팅 모델로 라우팅하라. 그러면 가변 비용은 어려운 사례가 생길 때만 나타난다. 그 분할을 제대로 하는 것은 이 페이지의 어떤 단일 모델 선택보다도 가치 있으며, 또한 나중에 바꾸기가 가장 어려운 일이기도 하다. 왜냐하면 그것이 바로 여러분의 코드를 건드리는 부분이기 때문이다.

하나의 인터페이스 뒤에서 처리하는 것이 라우터의 핵심입니다. OrcaRouter는 하나의 OpenAI 호환 엔드포인트와 하나의 API 키로 200개 이상의 모델을 제공합니다, 자동 페일오버를 갖추고 있어, 저렴한 티어와 비싼 티어가 두 개의 통합이 아니라 모델 문자열 하나 차이로 구분됩니다 — 그리고 공급자 정가가 0% 마크업으로 그대로 전달됩니다, 따라서 비싼 티어를 실행하는 비용은 다른 어디에서와 동일합니다. 우리는 LFM2.5 2.6B Base를 호스팅하지 않으며 ZwZ2-9B도 호스팅하지 않으므로, 이 둘 중 어느 것도 저희가 대신 결정해 드릴 수 있는 사안이 아닙니다 — Liquid AI는 자체 가중치를 벤더 자체 채널을 통해 배포하며, inclusionAI는 엔드포인트를 전혀 공개하지 않았습니다. 오늘 그 구분의 호스팅 쪽에 올릴 수 있는 것은 qwen/qwen3-vl-8b-instruct, 131K 토큰 컨텍스트를 갖춘 8B 비전-언어 모델로, 입력 토큰 100만 개당 $0.18, 출력 토큰 100만 개당 $0.70이며, 이는 소형 멀티모달 티어에 대해 문서화된 가장 가까운 대체 모델입니다.

라이선싱은 이 둘이 가장 극명하게 갈리는 지점입니다.

어느 쪽 라이선스도 Apache-2.0이 아니며, 그 이유는 중요한 방식으로 서로 다릅니다. LFM2.5 2.6B Base는 LFM Open License v1.0에 따라 배포되는데, 이는 맞춤형 라이선스입니다. 즉 공개되어 있고, 읽을 수 있으며, 같은 제품군의 나머지 모델이 사용하는 것과 동일한 라이선스입니다. 따라서 한 번만 법률 검토를 해두면 여러분이 다루는 모든 LFM2.5 모델에 적용됩니다. ZwZ2-9B는 아무것도 명시하지 않습니다. 라이선스가 없다는 것은 허용적인 라이선스가 아닙니다. 명시적인 허여가 없는 경우, 권리가 부여되지 않았다고 보는 것이 보수적인 해석이며, 이는 읽고 평가할 수 있는 맞춤형 라이선스보다 실질적으로 더 나쁜 상황입니다.

파인튜닝을 하고 어쩌면 재배포할 수도 있는 베이스 체크포인트라면, 이는 각주 같은 문제가 아니다. 파생 저작물 조건은 바로 맞춤형 라이선스가 특히 의견을 내기 쉬운 조항이며, 어떤 조항도 전혀 없는 상황이 당신에게 유리하게 결론 나지는 않는다.

선택하는 방법, 간단히 말하면

좁은 범위의 텍스트 작업, 대상 기기, 그리고 직접 학습을 실행할 의욕이 있다면 LFM2.5 2.6B Base를 선택하세요 — 그리고 지시 수행을 제공하는 주체가 바로 당신이라는 점을 받아들이세요. 문서화된 학습 예산과 명시된 라이선스는 당신이 무엇에서 시작하는지 알 수 있게 해줍니다.

입력에 이미지나 비디오가 필요하고, 9.4B 모델을 서빙할 GPU가 있으며, 지구상에서 최초로 이를 평가할 의향이 있다면 ZwZ2-9B를 선택하세요. 마지막 조건은 수사적 표현이 아닙니다. 도입을 확정하기 전에 답해야 할 질문은 이 모델이 여러분의 이미지 형식을 받아들이는지, thinking을 비활성화한 상태에서 필요한 출력 형태를 반환하는지, 그리고 실제로 어떤 라이선스 아래에서 운영하게 될지입니다. 이 세 가지 중 두 가지는 저장소에 답이 있습니다. 세 번째는 없습니다.

벤치마크는 낡아가고 가격은 변동하지만, 실패 기록은 그렇지 않습니다: 이 계열의 모델과 관련된 문서화된 AI 사고와 에이전트 실패는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목은 자체 출처, 심각도, 신뢰도 등급, 이의 제기 플래그를 갖추고 있습니다.