Liquid AI가 텍스트·이미지·음성·영상과 판단 작업을 한 계열로 묶은 LFM3 모델군을 공개했다. 개발자는 필요한 기능에 맞는 작은 모델을 골라 자신의 자료로 미세조정하고, 클라우드 대신 앱이 실행되는 기기에서 처리하는 선택지를 얻는다.

1. 공통 기반에서 여섯 모델로 확장

LFM3는 2026년 10월 27일 발표된 모델군으로, 여섯 모델 모두 LFM3-1.7B-Base에서 갈라져 나왔다. 네 모델은 텍스트·시각·음성과 이들을 함께 다루는 옴니 입력, 여러 종류의 정보를 함께 받는 입력을 맡고, 나머지 두 결정 모델은 시각 또는 옴니 모델을 바탕으로 판단을 내린다. 제품군은 모두 약 2B급이며, 텍스트 모델은 1.7B, 옴니 모델은 2.2B 파라미터, 모델이 학습하는 수치 정보다.

기본 모델과 기본 학습 뒤 기능을 다듬은 후학습 모델은 모두 내부 학습값인 가중치를 공개한다. Hugging Face에서 내려받거나 Liquid AI API와 플레이그라운드, 웹에서 모델을 시험해 보는 공간에서 사용할 수 있다.

로컬에서는 llama.cpp와 MLX 등으로 실행할 수 있다. 모델을 앱과 함께 배포하거나 특정 업무 자료로 미세조정하는 개발 흐름이다.

2. 긴 문맥의 효율을 겨냥한 혼합 구조

LFM3는 짧은 합성곱과 두 종류의 어텐션을 섞는다. 가까운 패턴 처리와 넓은 문맥 처리를 결합한 구조다. 전체 문맥을 살피는 어텐션과 달리, 좁은 범위만 보는 어텐션은 256토큰 안에서 처리해 긴 문맥의 계산·보관 부담을 줄이는 역할을 한다. 여러 기기에서 속도와 품질을 함께 따져 고른 구조다. 회사 발표 기준 파라미터당 추론 성능은 짧은 입력에서 LFM2-1.2B와 비슷하고, 문맥이 8K 토큰일 때는 약 25% 빠르다.

사전학습에는 22조 토큰을 사용했고, 마지막 3조5천억 토큰 단계에서 고품질 자료와 도구 사용 흔적을 더해 문맥 길이를 256K로 확장했다.

키·값 캐시는 이전 계산을 재사용하도록 보관하는 메모리다. 회사 발표 기준 128K 문맥을 채웠을 때의 캐시 메모리는 아래와 같다.

표: 긴 문맥에서의 캐시 메모리

조건: 텍스트 모델, 128K 토큰 문맥을 채운 키·값 캐시

단위: GB

128K 문맥의 캐시 메모리 비교LFM3-1.7B: 캐시 메모리 1.6; Qwen3.5-4B: 캐시 메모리 4.3; MiniCPM5-2B: 캐시 메모리 5.6LFM3-1.7B1.6Qwen3.5-4B4.3MiniCPM5-2B5.6
128K 문맥의 캐시 메모리 비교
긴 문맥의 효율을 겨냥한 혼합 구조
모델캐시 메모리
LFM3-1.7B1.6
Qwen3.5-4B4.3
MiniCPM5-2B5.6

같은 길이의 문맥을 보관할 때 캐시가 작아 기기 메모리에 여유를 주는 설계다.

3. 작업별로 달라지는 성능과 입력 방식

텍스트 모델은 도구를 찾고 호출하는 작업을 염두에 두고 후학습됐다. 회사 발표 기준 지시 따르기와 일부 도구 사용 항목에서 강했고, 브라우저·업무 자동화 평가에서도 일부 큰 모델을 앞섰다. 도구 사용 평가 BFCL V4에서 LFM3-1.7B는 71.39점으로 Qwen3.5-9B의 62.83점을 앞섰고, AutomationBench에서도 각각 41.29점과 15.10점을 기록했다. 반면 실제 저장소의 문제를 해결하는 코딩 평가인 SWE-bench Verified의 OpenCode 환경 점수는 43.40으로 Qwen3.5-9B의 51.20보다 낮아, 작업에 따른 편차를 보였다.

시각 모델은 영상 입력과 단계적 추론을 지원한다. 회사 발표 기준 62개 시각 평가 평균은 비슷한 크기의 비교 모델보다 최소 7.4점 높고, 12B 모델과도 근접했다.

표: 시각 평가 평균 점수

조건: 원문의 62개 시각 평가 전체 점수의 비가중 평균

단위: 점

시각 평가 평균 비교LFM3-VL-2B: 평균 점수 71.4; LFM2.5-VL-3B: 평균 점수 57.6; Qwen 3.5 2B: 평균 점수 64.0; Gemma 4 12B: 평균 점수 71.7LFM3-VL-2B71.4LFM2.5-VL-3B57.6Qwen 3.5 2B64.0Gemma 4 12B71.7
시각 평가 평균 비교
작업별로 달라지는 성능과 입력 방식
모델평균 점수
LFM3-VL-2B71.4
LFM2.5-VL-3B57.6
Qwen 3.5 2B64.0
Gemma 4 12B71.7

음성 모델은 18개 언어의 인식·합성·번역을 지원한다. 옴니 모델은 음성 질문과 영상의 시청각 정보를 함께 처리해 도구 호출로 연결한다.

4. 기기 실행 수치와 조건

회사 발표 기준 아래 휴대전화 측정에서 텍스트 모델은 비교 대상 중 토큰 생성이 가장 빠르고 통합 메모리, CPU와 GPU가 함께 쓰는 메모리 사용량이 가장 낮았다. 같은 기기와 설정으로 비교한 결과다.

표: 휴대전화의 토큰 생성 속도와 메모리

조건: iPhone 17 Pro, 양자화 설정 Q4_0(4비트), 모델 파일 형식 GGUF, 실행 도구 llama.cpp, 입력 32K 토큰, 배치 크기 1, 출력 100토큰, GPU 오프로드, 일부 계산을 그래픽칩으로 옮기는 처리

단위: 생성 속도 tok/s, 통합 메모리 GB

같은 휴대전화에서의 토큰 생성 속도LFM3-1.7B: 생성 속도 43.6; MiniCPM5-2B: 생성 속도 15.8; Qwen3.5-4B: 생성 속도 15.5; Qwen3.5-9B: 생성 속도 10.3; Gemma 4 E4B: 생성 속도 15.4LFM3-1.7B43.6MiniCPM5-2B15.8Qwen3.5-4B15.5Qwen3.5-9B10.3Gemma 4 E4B15.4
같은 휴대전화에서의 토큰 생성 속도
기기 실행 수치와 조건
모델생성 속도메모리
LFM3-1.7B43.61.90
MiniCPM5-2B15.83.15
Qwen3.5-4B15.54.53
Qwen3.5-9B10.36.82
Gemma 4 E4B15.46.15

회사 발표 기준 같은 양자화·입출력 설정에서 AMD Ryzen AI Max+ 395는 초당 129.6토큰, Apple M5 Max는 237.1토큰을 생성했다. 모델을 놓을 기기에 따라 처리 속도가 달라진다.

서버에서는 회사 발표 기준 NVIDIA B300 한 장, BF16, 16비트 부동소수점 형식으로 초당 41,710토큰을 기록했다. SGLang 0.5.22의 LFM3 지원 환경에서 요청당 입력 1,024·출력 256토큰, 동시 요청 1,024개로 3회 실행한 평균이다.

5. 맞춤화의 이점과 기기 자원 부담

회사 발표 기준 풍력 터빈 날개 사진 약 3천 장으로 A100 한 장에서 몇 시간 미세조정한 시각 모델은, 학습에 쓰지 않은 약 1,400장 평가에서 분류 정확도가 미세조정 전 10% 미만에서 67%로 올랐다. 검출 F1, 정밀도와 재현율을 함께 반영한 점수는 0.003에서 0.11로 올라 업무 자료에 맞춘 학습의 효과를 보였다.

이런 맞춤형 모델을 앱 가까이에 두면 네트워크 왕복을 줄일 수 있지만, 연산·메모리 부담은 배포 기기와 학습 장비로 옮겨간다. 회사 설명에 따르면 텍스트 모델은 4비트에서 약 1GB에 들어가며 긴 문맥에는 캐시 메모리가 추가된다.

원문은 연구·문서에서 모델을 인용할 때 쓸 수 있는 다음 서지 정보도 제공한다.

@article{liquidAI2026LFM3,
  author = {Liquid AI},
  title = {Introducing LFM3: Every Modality for Specialized Intelligence},
  journal = {Liquid AI Blog},
  year = {2026},
  note = {www.liquid.ai/blog/lfm3},
}

LFM3의 핵심은 하나의 거대 모델이 아니라, 앱의 입력과 작업에 맞춘 2B급 모델을 고르고 로컬에 배치할 수 있도록 선택지를 넓힌 데 있다.