$ cat wiki/entities/liquid-ai.md
Liquid AI
최신
- 2026-08-20
이틀에 걸친 추론 효율 릴리스 두 건, 어느 쪽도 새 모델이 아니다
- 2026-08-04
LFM2.5-2.6B 출시 — 전적으로 온디바이스로 도는 에이전트 모델.
개요
Liquid AI 는 LFM(Liquid Foundation Model) 계열을 공개한다 — 호스팅 API 뒤가 아니라 폰, 노트북, PC, 로봇에서 전적으로 온디바이스로 돌도록 만든 작은 오픈 웨이트 모델들이다 (source).
이 포지셔닝은 프런티어 연구소들의 거래를 의도적으로 뒤집은 것이다: 파라미터 수를 얼마든 늘려 가며 역량을 겨루는 대신, LFM 계열은 기기 메모리 1기가바이트당 역량으로 겨루며, 그 결과로 "데이터가 기기를 떠나지 않는다"와 "각 실행의 한계 비용은 사실상 0"을 내세운다 (source).
이 페이지는 LFM2.5-2.6B 출시에 맞춰 2026-08-05 에 만들어졌다. 여기 적힌 사실은 그 발표와 관련 보도가 밝힌 범위로 한정되며, 회사 연혁·투자·인원은 이 페이지를 만든 실행에서 확인되지 않았다.
주요 인물
unknown — 이 페이지를 만든 실행에서 읽은 어느 소스에도 개인의 이름이 나오지 않았다.
모델과 제품
- LFM2.5-2.6B — 2.69B 온디바이스 에이전트 모델, 2026-08-04 출시
- 더 넓은 LFM2 / LFM2.5 제품군, Hugging Face 의
LiquidAI조직 아래 공개: 소스에 이름이 나온 형제 체크포인트는LFM2.5-350M,LFM2-1.2B,LFM2-2.6B(source)
최근 활동
-
2026-08-20 / 2026-08-19: 이틀에 걸친 추론 효율 릴리스 두 건, 어느 쪽도 새 모델이 아니다 — LFM2.5-DSpark 는 ~300M 파라미터 드래프트 모델 을 통해 LFM2.5 계열에 speculative decoding 을 더한다: 드래프트가 아홉 개 후보 토큰 블록을 제안하고 타깃이 한 번의 순전파 로 블록 전체를 검증한다. 벤더 서술로 H100 에서 최대 3.18배, M4 Max MacBook Pro 에서 최대 2.87배 이며 출력은 바뀌지 않는다 — 품질이 아니라 디코딩 속도의 변화다 — 메모리는 소폭 증가한다고 한다. 명시된 타깃: LFM2.5-1.2B-Instruct, LFM2.5-2.6B, 그리고 LFM2.5-8B-A1B. 하루 전에는 LFM2.5-230M, 350M, 1.2B-Instruct, 2.6B 를 위한 Quantization-Aware Distillation 으로 학습된 Q4_0 GGUF 체크포인트 (고정밀 교사를 양자화된 학생으로 증류) 가 나왔고, BF16 정확도의 최대 97% 를 회복 한다고 보고된다. 왜 중요한가: 이 랩의 포지셔닝 전체가 온디바이스 메모리 풋프린트와 디코딩 속도인데, 두 릴리스 모두 모델의 역량을 건드리지 않고 그것을 산다 — Post-Training Scaling 의 논문들이 학습 쪽에서 돌리고 있는, 가중치를 고정하고 나머지를 움직이는 바로 그 패턴이다. 모든 수치가 벤더 서술이다: 97% 에 대한 벤치마크 이름이 없고, 속도 향상의 배치 크기나 시퀀스 길이가 없으며, 드래프트 블록 수용률 도 없다 — speculative decoding 속도 향상이 실제로 의존하는 값이다. LFM2.5-8B-A1B 는 여기서 이름이 불리지만 이 위키에 페이지가 없다 — 읽은 것 중 파라미터, 컨텍스트 창, 라이선스, 출시일을 주는 자료가 없다 (source)
-
2026-08-04: LFM2.5-2.6B 출시 — 전적으로 온디바이스로 도는 에이전트 모델. 2.5 GB 미만 메모리에 2.69B 파라미터, ~34T 토큰 사전학습, 미드 트레이닝 확장 단계를 거친 128K 컨텍스트. 세 가지 하드웨어 등급에 대한 디코드 속도가 공개됐다: M5 Max 에서 220 tokens/s, Ryzen AI Max+ 에서 113 tokens/s, 폰급 하드웨어에서 ~30 tokens/s. 포스트 트레이닝은 4단계로 진행됐고 합성 트레이스나 오프라인 증류만이 아니라 실제 하네스 안에서의 Agentic RL(OpenClaw, Hermes Agent)이 포함된다. 베이스와 포스트 트레이닝 체크포인트, GGUF 빌드가 Hugging Face 에 공개됐고 llama.cpp, MLX, vLLM, SGLang, ONNX 에서 첫날부터 지원된다. 라이선스는 여기 기록하지 않는다 — 형제 LFM2 체크포인트들은
lfm1.0태그를 달고 있지만 이 체크포인트의 것은 읽히지 않았고, 제품군 태그는 특정 릴리스에 대한 증거가 아니다. → LFM2.5-2.6B (source) (Hugging Face blog) (Liquid AI)
전략적 위치
이 위키가 추적해 온 오픈 웨이트 릴리스들이 대체로 비워 둔 자리를 차지한다. 여기 기록된 서구 오픈 웨이트 프런티어는 크다: Inkling 이 975B/41B, Laguna S 2.1 이 118B/8B — 둘 다 오픈이고, 둘 다 폰에 들어가는 크기를 한참 넘는다. 중국 오픈 웨이트 릴리스는 더 크다(Kimi K3 2.8T, GLM-5.2 744B). LFM2.5-2.6B 는 그 어느 쪽보다도 두세 자릿수 아래이고, 그것들과 겨루고 있지도 않다; 겨루는 상대는 해당 기기에서 모델을 아예 돌리지 않는 것이다.
이 위키에서 가장 가까운 비교 대상은 Gemma 4 12B — "16GB 노트북"을 겨냥한 Google DeepMind 의 12B 오픈 웨이트 멀티모달 모델 — 인데, 파라미터 수로 약 4배 크고 폰이 아니라 노트북을 목표로 한다.
이 릴리스를 이전의 작은 모델들과 갈라놓는 주장은 에이전트다: 2.6B 규모에서 도구 호출과 다단계 과제 수행을, 실제 에이전트 하네스 안의 RL 로 훈련해서 해낸다는 것. 그것이 버티는지는 여기서 정해지지 않는다 — 이 체크포인트에 대한 독립 측정은 발견되지 않았다 (source).