Liquid AI, 온디바이스 에이전트용 오픈 웨이트 모델 LFM2.5-24B-A2B 공개

Liquid AI는 2026년 10월 13일 LFM2.5-24B-A2B를 공개했다. 이 모델은 총 240억 개의 파라미터를 갖춘 혼합 전문가(MoE) 추론 모델이지만, 토큰마다 활성화되는 파라미터는 20억 개에 그친다. 회사는 사용자의 하드웨어에서 구동되는 빠르고 개인정보를 보호하는 에이전트를 구현하기 위해 이 모델을 만들었다. 모델과 기반 버전인 LFM2.5-24B-A2B-Base는 모두 허깅페이스에서 오픈 웨이트로 이용할 수 있다.

Liquid AI에 따르면 이 모델은 답변에 앞서 항상 명시적인 사고 과정을 작성하며, 도구 호출이 가능하고, 주요 에이전트 하네스 안에서 다단계 작업을 처리한다. 토큰마다 활성화되는 파라미터가 적은 만큼 각 추론 단계의 비용이 낮아, 로컬 기기에서 에이전트를 지속적으로 구동하는 것이 현실적이라고 회사는 설명했다.

아키텍처와 학습

이번 공개 모델은 전작 LFM2-24B-A2B의 구조를 그대로 유지한다. 40개 레이어, MoE 블록당 64개 전문가와 상위 4개 라우팅, 게이티드 短 컨볼루션과 그룹 쿼리 어텐션을 결합한 하이브리드 구조다. 컨텍스트 창은 32K에서 131K 토큰으로 늘어났고, 어휘 크기는 65K에서 128K 토큰으로 두 배가 되어 라틴 문자가 아닌 문자 처리를 개선했다. 사전 학습 규모는 약 17조 토큰에서 약 33조 토큰으로 늘었으며, 이후 5단계 사후 학습 파이프라인을 거쳤다. 마지막 단계는 OpenClaw, Hermes Agent, Pi, OpenCode 같은 하네스 안에서 진행한 강화학습이다.

벤치마크와 속도

Liquid AI가 16개 벤치마크에서 자체적으로 실시한 테스트에서 이 모델은 LiveClaw 점수 48.09점을 기록했다. 총 파라미터와 활성 파라미터가 약 50% 더 많은 Qwen3.6-35B-A3B는 38.19점이었다. 회사는 AutomationBench에서 차점 점수의 3배 이상을 기록했고, 명령 수행 벤치마크 3종 모두에서 1위를 차지했다고 밝혔다. 비교 대상에는 Gemma-4-26B-A4B-it와 Nemotron-3.5-Lightning도 포함됐다.

결과가 일관되게 유리한 것은 아니다. GPQA Diamond와 HLE 같이 지식 중심의 테스트와 코딩 과제에서는 규모가 큰 경쟁 모델이 여전히 앞선다. SWE-Bench Verified에서 이 모델은 51.00점을 받았고, Qwen3.6-35B-A3B는 66.20점이었다. Liquid AI는 지식 집약적 작업에는 검색 증강 또는 웹 검색과 함께 사용할 것을 권장한다. 모든 수치는 자체 보고된 것이며 독립적으로 검증되지 않았다.

성능과 관련해 회사는 Apple M5 Max에서 초당 184토큰, AMD Ryzen AI Max+ 395에서 초당 114토큰을 기록했으며, 단일 NVIDIA B300 GPU에서 높은 동시 처리 환경 기준 초당 21,000개 이상의 출력 토큰을 달성했다고 밝혔다. llama.cpp, MLX, vLLM, SGLang, ONNX는 출시와 동시에 지원된다. 이번 공개는 클라우드 서비스에 의존하기보다 로컬에서 구동되는 유능한 에이전트를 향한 업계 전반의 흐름을 반영한다.