# \#liquid-ai **URL:** https://discuss.pytorch.kr/tag/liquid-ai/2229.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Liquid AI, 휴대폰에서 실행 가능한 온-디바이스 에이전트 모델 LFM2.5-2.6B 공개](https://discuss.pytorch.kr/t/liquid-ai-lfm2-5-2-6b/11549)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 1\ **마지막 업데이트:** [8월 7, 2026, 9:16오후 UTC](https://discuss.pytorch.kr/t/liquid-ai-lfm2-5-2-6b/11549 "2026-08-07T21:16:58Z")
LFM2.5-2.6B 소개 Liquid AI가 온디바이스(on-device) 환경에서 에이전트를 직접 돌리는 것을 목표로 만든 2.6B 파라미터 모델 LFM2.5-2.6B를 공개했습니다. 휴대폰에 올라갈 만큼 작고, CPU에서도 반응이 끊기지 않을 만큼 빠르며, 계획을 세우고 도구를 호출하며 여러 단계에 걸친 작업을 수행할 만큼의 능력을 갖췄다는 것이 이 모델의 요지입니다. 에이전트용으로 사후학습을 마친 본 모델과, 미세조정 출발점으로 쓸 LFM2.5-2.6B-Base가 함께 공개되었으며, 둘 다 Hugging Face에서 내려받을 수 있습니다. 이 모델이 던지는 질문은 "작은 모델이 얼마나 똑똑한가" 보다는 "에이전트를 돌리는 비용이 0이 되면 개발 방식이 어떻게 바뀌는가" 에 가깝습니다. 클라우드 API에 의존하는 에이전트는 토큰마다 돈이 들기 때문에, 백그라운드에서 수백만 토큰을 태우며 도는 작업이나 수십 개를 동시에 띄우는 병렬 실행이 곧 비용 문제로 되돌아옵니다. 반면 로컬에서 도는 에이전트는 추론이 공짜이고, 왕복 지연이 없고, 데이터가 기기를 떠나지 않습니다. Liquid AI는 이 지점을 겨냥해 "토큰 비용이 제약이 아니게 되면 에이전트를 어디서든 하루 종일 돌릴 수 있다" 고 설명합니다. Liquid AI는 MIT CSAIL에서 출발한 스타트업으로, 거대한 클라우드 모델 경쟁에 뛰어드는 대신 사용자 기기에서 직접 추론을 돌리는 방향을 택해 왔습니다. 이 회사의 모델군인 Liquid Foundation Models(LFM) 은 어텐션을 매 층마다 쌓는 일반적인 트랜스포머가 아니라, 값싼 게이트 단거리 합성곱 블록을 대부분의 층에 채우고 장거리 정보가 필요한 자리에만 소수의 어텐션을 끼워 넣은 하이브리드 구조를 씁니다. LFM 계열의 학술적 뿌리와 아키텍처 설계 과정은 이전에 다룬 LFM2.5와 LFM2.5 Retrievers 소개 글에서 자세히 정리했으니, 처음 접하는 분은 그 글을 함께 읽으면 이해가 훨씬 빠릅니다. 이번 모델이 이전… --- ## [Liquid AI, 엣지용 350M 모델 LFM2.5와 다국어 검색 리트리버 LFM2.5 Retrievers 공개](https://discuss.pytorch.kr/t/liquid-ai-350m-lfm2-5-lfm2-5-retrievers/10808)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 2\ **마지막 업데이트:** [6월 22, 2026, 3:33오전 UTC](https://discuss.pytorch.kr/t/liquid-ai-350m-lfm2-5-lfm2-5-retrievers/10808 "2026-06-22T03:33:22Z")
LFM2.5와 LFM2.5 Retrievers 소개 Liquid AI가 2026년 들어 엣지(edge) 환경을 겨냥한 소형 모델 제품군을 빠르게 확장하고 있습니다. 먼저 350M 파라미터의 범용 언어 모델 LFM2.5-350M을 내놓아 자기보다 두 배 이상 큰 모델을 여러 벤치마크에서 앞질렀고, 이어서 같은 백본 위에 올린 두 개의 다국어 검색(retrieval) 모델 LFM2.5-Embedding-350M과 LFM2.5-ColBERT-350M을 공개했습니다. 세 모델 모두 노트북, 스마트폰, 심지어 라즈베리파이에서도 돌아갈 만큼 작으면서, 11개 언어를 빠르고 안정적으로 처리합니다. 이 글의 목적은 단순히 새 모델 출시 소식을 전하는 것이 아닙니다. Liquid AI의 모델은 우리가 흔히 보는 트랜스포머(Transformer) 기반 거대 언어 모델과는 설계 철학과 내부 구조가 상당히 다릅니다. 그래서 이 글에서는 Liquid Foundation Models(LFM) 라는 모델군이 무엇인지, 어떤 구조로 어떻게 빠른 속도를 얻는지, 그리고 그 장단점은 무엇인지부터 차근차근 살펴본 뒤, LFM의 두 번째 세대인 LFM2와 그 개선판인 LFM2.5, 마지막으로 검색에 특화된 LFM2.5 Retrievers까지 이어서 설명합니다. LFM을 처음 접하는 분이라도 이 글 하나로 전체 그림을 잡을 수 있도록 구성했습니다. 핵심을 한 문장으로 요약하면 이렇습니다. LFM은 "엣지 기기에서 빠르고 가볍게 도는 것"을 최우선 목표로 두고, 어텐션 위주의 일반적인 트랜스포머 대신 단거리 합성곱과 소수의 어텐션을 섞은 하이브리드 구조를 하드웨어 제약 아래에서 직접 탐색해 만든 모델군입니다. 그리고 LFM2.5 Retrievers는 이 생성용 디코더 백본을 검색용 양방향 인코더로 개조한 첫 사례입니다. Liquid Foundation Models(LFM)이란 무엇인가 LFM을 만든 Liquid AI는 MIT CSAIL에서 출발한 스타트업으로, 창업자와 핵심 연구진(Ram… --- ## [PyTorchKR이 정리한 오늘의 주요 AI/ML 소식들 @ 2023-12-07](https://discuss.pytorch.kr/t/pytorchkr-ai-ml-2023-12-07/2994)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [12월 7, 2023, 4:15오전 UTC](https://discuss.pytorch.kr/t/pytorchkr-ai-ml-2023-12-07/2994 "2023-12-07T04:15:40Z")
파이토치 한국 사용자 모임이 한땀한땀 정리한 오늘의 주요 AI/ML 소식들을 전해드립니다. Gemini: Google이 공개한 "가장 크고 능력 있는" AI 모델 Google Deepmind는 지금까지 공개한 모델들 중 가장 크고 능력 있는 인공지능 모델인 'Gemini'를 공개했습니다. 이 거대한 언어 모델은 다양한 크기의 카테고리를 갖추고 있어, 멀티모달 AI 응용 프로그램의 가능성을 넓히고 있습니다. 'Gemini'의 출시는 인공지능 기술 발전의 중요한 이정표로 여겨집니다. 더 읽어보기 출시 소개: Gemini 3 — Google DeepMind \[GN\] 구글, AI 모델 Gemini 공개 관련 태그: google gemini deepmind Liquid AI: 새로운 유형의 AI 모델 개발을 목표로 MIT에서 창업한 스타트업 Liquid AI는 Mike Robins 등, 로보틱스 분야의 유명 인사가 공동 창업한 회사로, 일반 목적의 AI 시스템(AGI)을 구축하는 것을 목표로 하고 있습니다. 이들은 액체 신경망이라는 새로운 유형의 AI 모델을 사용하여 AI 기술의 다양한 응용 분야들에 대한 새로운 접근법을 제공하려고 합니다. 더 읽어보기 Liquid AI 홈페이지: https://www.liquid.ai/ Liquid AI, a new MIT spinoff, wants to build an entirely new type of AI | TechCrunch 관련 태그: liquid-neural-networks 10%의 조직이 '생성형 AI' 솔루션을 생산 단계에 도입 중 cnvrg.io 가 매년 진행하는 ML Insider 조사에 따르면, 조사에 응답한 조직 중 10%가 이미 생성형 AI 솔루션을 생산 단계에 도입했다고 합니다. 이는 AI 기술이 산업계에 실제로 적용되고 있음을 보여주는 중요한 지표입니다. 더 읽어보기 ML Insider 2023: https://cnvrg.io/ml-insider-r…