Liquid AI, 글자와 이미지와 소리를 다루는 작은 모델 묶음 LFM3 공개
Liquid AI가 텍스트, 이미지, 오디오, 동영상을 하나의 뼈대로 다루는 모델 6개를 발표했습니다. 기본 모델 등은 오픈 웨이트로 공개했고 Hugging Face 등에서 쓸 수 있습니다.
2026년 10월 28일 기준 소식입니다. 그 뒤로 달라졌을 수 있습니다.
AI가 자동으로 쓴 글이고, 아직 검수 전입니다. 틀린 곳이 있으면 sbp@saibridgepeople.com으로 알려 주세요.
Liquid AI가 2026년 10월 27일 새 모델 묶음 LFM3를 발표했습니다. 글자, 이미지, 소리, 동영상을 하나의 뼈대 위에서 다루는 작은 모델들입니다.
무엇이 나왔나
LFM3는 Liquid AI의 새 세대 파운데이션 모델(여러 일에 두루 쓰는 기본 AI 모델)입니다. 텍스트, 비전(이미지와 영상), 오디오, 옴니(여러 입력을 한꺼번에), 결정 모델을 하나의 공유 뼈대에 올렸습니다. 첫 릴리스는 모델 6개이고, 모두 LFM3-1.7B-Base라는 같은 기본 모델에서 갈라져 나왔습니다. 입력 방식별 4개와 결정 모델 2개입니다.
기본 모델과 후속 학습을 거친 모델은 오픈 웨이트(학습된 결과물을 내려받아 쓸 수 있는 방식)로 공개했습니다. Hugging Face, Playground, Liquid AI API에서 발표 당일부터 쓸 수 있습니다.
주요 수치는 다음과 같습니다.
- 사전학습에 쓴 데이터는 22T(22조) 토큰입니다.
- LFM3-1.7B는 이전 LFM2.5-2.6B보다 파라미터가 35% 적은데도 성능이 더 높다고 회사가 밝혔습니다.
- 텍스트 모델은 4비트 정밀도에서 약 1GB에 들어가고, 한 번에 읽는 길이(컨텍스트 창)는 256K입니다.
- 모든 모델을 GPU 한 장에서 파인튜닝(자기 데이터로 추가 학습)할 수 있다고 합니다.
개별 모델도 있습니다. LFM3-VL-2B는 LFM 비전 모델 중 처음으로 동영상을 입력으로 받고, 자체 비전 인코더는 이전 SigLIP2 인코더보다 연산량이 3배 적습니다. LFM3-Audio-2B는 18개 언어를 지원하며 텍스트나 음성을 받아 텍스트, 음성 또는 둘 다로 답합니다. LFM3-Omni-2B는 첫 옴니 모델로 파라미터가 2.2B입니다.
결정 모델로는 d1-2B(LFM3-VL-2B 기반)와 d1-Omni-2B(LFM3-Omni-2B 기반)를 내놓았습니다. d1-2B는 이전 d1-3B를 대체하며 파라미터가 3분의 1 적습니다.
llama.cpp, MLX, vLLM(모델을 기기나 서버에서 돌리는 도구들)을 기본 지원합니다. 첫날 파트너는 Ambarella, AMD, Arm, Intel, NVIDIA, OpenRouter, Qualcomm, Vercel입니다.
쉽게 풀어 보면
모델 크기를 짐 가방에 비유하면 이렇습니다. 큰 모델은 이삿짐 트럭이고, LFM3는 배낭입니다. 4비트 텍스트 모델이 약 1GB라면 스마트폰 저장공간에도 들어갈 만한 크기입니다.
결정 모델은 조금 낯섭니다. 보통 AI는 답을 문장으로 써 내려가며 만듭니다. 결정 모델은 객관식 채점기에 가깝습니다. 질문 목록을 받으면 한 번 계산해서 항목마다 확률을 붙여 답합니다. 확률이 보정돼 있다고 하니 「이 답을 얼마나 믿어도 되는지」를 숫자로 볼 수 있는 셈입니다.
회사가 내세우는 방향은 specialized intelligence입니다. 작고 빠른 모델을 자기 데이터로 다듬어 특정 일의 전문가로 만들고, 앱이 실제로 돌아가는 곳에 올려 쓰는 방식입니다.
이전 세대 LFM2는 폰 한 대와 노트북 CPU 한 대를 기준으로 구조를 탐색해 나왔습니다. LFM3는 같은 탐색을 14개 기기와 실행 환경 조합으로 넓혔습니다. 구조는 24개 층 가운데 합성곱 13개, 256토큰 범위만 보는 슬라이딩 윈도 어텐션 5개, 전체를 보는 글로벌 어텐션 6개로 이뤄집니다.
그래서 어떤 의미일까요
아래는 위 내용을 바탕으로 한 저희의 해석입니다.
일반 사용자에게는 당장 달라지는 것이 많지 않을 수 있습니다. 다만 모델이 작고 여러 기기를 지원하므로, 앞으로 인터넷 연결 없이 폰이나 노트북에서 음성이나 이미지를 처리하는 앱이 늘어날 여지가 있어 보입니다.
작은 가게나 회사에는 파인튜닝을 GPU 한 장으로 할 수 있다는 점이 눈에 띕니다. 접수 내용 분류나 사진 검수처럼 범위가 좁은 일에 자체 데이터로 맞춘 모델을 둘 수 있다는 뜻일 수 있습니다. 결정 모델은 확률을 함께 주므로 사람이 다시 볼 건을 가려내는 용도에 맞을 수 있습니다. 어디까지나 회사의 설명에 따른 가능성이고, 실제 효과는 각자의 업무에서 확인해야 알 수 있습니다.
아직 확실하지 않은 것
- 성능 비교 수치는 모두 Liquid AI가 직접 보고한 것이며, 독립적인 검증은 확인되지 않았습니다.
- API 가격과 요금제는 본문에 없습니다.
- 모델 라이선스 조건도 본문에 없어, 상업적으로 써도 되는지는 알 수 없습니다.
- LFM3-VL-2B의 비교 대상으로 본문에 GPT-5.6 Luna와 GPT-6 Luna가 섞여 적혀 있는데, 이 모델들이 무엇인지 설명이 없습니다.