모바일 기기에서 완전히 독립적으로 작동하는 AI 에이전트는 오랫동안 먼 미래의 과제처럼 여겨졌다. Liquid AI가 공개한 LFM2.5-2.6B는 바로 그 미래를 당장 손에 쥘 수 있는 현실로 전환한다. 이 모델은 단순히 파라미터 수를 줄인 소형 모델이 아니라, 에이전트를 위해 훈련 전략부터 추론 효율성까지 처음부터 끝까지 재설계한 결과물이다.
작은 모델이 아니라, 에이전트로 태어난 모델
LFM2.5-2.6B의 핵심 전제는 분명하다. 토큰 비용이 사라지면 에이전트는 어디서나 작동할 수 있다는 것이다. 2.69B 파라미터에 불과한 이 모델은 Apple M5 Max 칩에서 초당 220토큰, AMD Ryzen AI Max+ 395에서 초당 113토큰을 디코딩하며 메모리 사용량은 2.5GB 미만이다1. 스마트폰에서도 초당 30토큰을 처리하므로, 네트워크 연결 없이도 기기 안에서 계획 수립, 도구 호출, 다단계 작업을 실행할 수 있다.
이런 효율성은 Liquid AI의 독자적인 LFM2 아키텍처에 기반하지만, 진짜 차별점은 모델을 에이전트로 완성시키는 4단계 사후 훈련(post-training) 파이프라인에 있다. 감독형 미세 조정(SFT), 교사 전문화, 다중 도메인 온폴리시 증류(MOPD), 그리고 에이전틱 강화 학습(Agentic RL)이 그것이다1.
후반부 두 단계가 특히 눈에 띈다. MOPD 단계에서는 학생 모델이 자기 자신의 정책으로 생성한 응답에 대해, 각 도메인의 전문가 교사가 토큰 수준의 피드백을 제공한다. 교사와 학생이 동일한 SFT 체크포인트에서 갈라져 나왔기 때문에 피드백이 자연스럽게 녹아들어 안정적인 학습이 가능하다1.
에이전틱 RL 단계는 한 걸음 더 나아가 실제 에이전트 환경(Hermes Agent, OpenClaw 등) 안에서 모델을 직접 훈련시킨다. 훈련 엔진, 추론 엔진, RL 프레임워크를 분리하고 에이전트 하네스를 블랙박스로 처리하면서도 토큰 수준의 궤적을 투명하게 캡처하는 하네스 프록시를 사용한다. 실제 에이전트가 작동하는 환경을 훈련장으로 그대로 옮기면서도 학습 데이터를 하나도 버리지 않는 구조다1.
실전 능력으로 증명하는 설계
벤치마크는 설계 의도를 그대로 증명한다. LFM2.5-2.6B는 명령어 준수를 평가하는 IFBench, Multi-IF, IFStruct 등 모든 관련 벤치마크에서 비교 대상 모델 중 1위를 기록했다. 도구 호출 벤치마크 BFCLv4에서는 Qwen3.5-9B를 제외한 모든 비교 모델을 능가한다1. 파라미터 수가 4배 가까이 많은 Gemma 모델들을 여러 영역에서 앞선다는 사실은, 에이전트 성능에서 훈련 전략과 최적화가 단순한 규모보다 더 강력한 무기임을 보여준다.
배포 환경도 넓게 열려 있다. GGUF, MLX, ONNX 형식의 오픈 웨이트가 출시 첫날부터 제공되며, Transformers, vLLM, SGLang, llama.cpp, LM Studio 등 폭넓은 추론 프레임워크를 지원한다2. 단일 NVIDIA H100 GPU에서는 초당 약 15,000 출력 토큰을 처리해 하루 약 13억 토큰을 생성할 수 있으므로, 서버 배포에서도 비용 효율적인 선택지가 된다1.
LFM2.5-2.6B가 보여주는 교훈은 명확하다. 에이전트 AI의 미래는 더 큰 모델이 아니라, 실제 환경에서 훈련되고 실제 기기에서 실행되는 ‘목적 지향적’ 모델에 있다. 이 모델은 계획 수립, 도구 호출, 다단계 작업 수행을 모두 온디바이스에서 해내는 첫 번째 실용적 해답이다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.