LFM2.5-24B-A2B를 로컬 에이전트 실습 모델로 검토할 때 볼 조건

교육용 PC에서 에이전트 실습을 하려면 모델을 어디서 돌릴지부터 정해야 합니다. 클라우드 API를 쓰면 수강생이 넣은 글이 회사 밖 서버로 나가고, PC 안에서 돌리면 모델과 실행 프로그램을 직접 골라야 합니다. Liquid AI는 2026년 10월 13일 공식 블로그에서 LFM2.5-24B-A2B를 공개하고, 기본 모델(LFM2.5-24B-A2B-Base)과 후속 학습을 마친 모델(LFM2.5-24B-A2B)을 모두 오픈 웨이트로 내놓았다고 밝혔습니다. 오픈 웨이트는 모델 파일을 내려받아 자기 장비에 직접 설치할 수 있다는 뜻입니다. 이 모델을 로컬 에이전트 실습 후보에 올릴 때 공식 글로 확인되는 내용, 회사가 스스로 밝힌 강점과 약점, 라이선스 조건, 아직 확인하지 못한 조건을 나눠 정리했습니다. 모델을 직접 실행해 보지는 않았습니다.

1. 내려받는 경로와 API 경로

Liquid AI 블로그는 두 모델이 "available today on Hugging Face and our Playground"라고 적었습니다. 모델 파일은 Hugging Face에서 받고, Playground는 Liquid AI가 운영하는 체험 공간입니다. 이름에 Base가 붙은 쪽은 직접 추가 학습할 때 출발점으로 쓰는 버전이고, Base가 없는 쪽이 후속 학습까지 마친 버전입니다. 실습에서 에이전트에 바로 연결해 볼 대상은 후속 학습 모델입니다.

공식 발표 기준 컨텍스트 길이는 131K 토큰입니다. 컨텍스트는 모델이 한 번에 읽을 수 있는 글의 양을 말하며, 긴 문서를 넣고 여러 단계로 작업을 시키는 실습에서 상한이 됩니다.

PC에 설치하지 않고 쓰는 방법도 있습니다. Liquid AI는 Liquid Console에서 API로 이 모델을 쓸 수 있고, 가입하면 $2 크레딧을 준다고 밝혔습니다. 단가는 아래와 같습니다.

구분	100만 토큰당 가격
입력	$0.10
캐시된 입력	$0.05
출력	$1.00

표는 Liquid AI 블로그의 "The model is priced at $.10/1M input tokens (at $.05 for cached input) and $1.00/1M output tokens." 문장을 옮긴 것입니다. 한국 계정으로 가입과 결제가 되는지는 공식 글에 적혀 있지 않아 확인하지 못했습니다. API는 수강생 입력이 PC 밖으로 나가는 경로이므로, PC 안에서만 실습해야 하는 과정이라면 모델 파일을 내려받는 경로를 기준으로 검토하면 됩니다.

2. PC 안에서 에이전트에 연결하는 구조

Hugging Face 블로그에 올라온 Liquid AI 글은 사용 방법을 "Serve LFM2.5-24B-A2B locally behind any OpenAI-compatible backend, then point your agent harness at it."라고 설명합니다. 모델을 PC 안의 OpenAI 호환 서버로 띄우고, 에이전트 실행 프로그램이 그 서버로 요청을 보내게 하라는 뜻입니다. OpenAI 호환 서버는 OpenAI API와 같은 요청 형식을 받는 로컬 서버입니다. 에이전트 실행 프로그램(하네스)은 모델에게 일을 맡기고, 모델이 요청한 도구 실행과 다음 단계를 이어서 처리하는 프로그램을 말합니다.

구성 요소 이름, 공개 당일 지원 런타임 목록, API 단가는 Liquid AI 블로그와 Hugging Face 블로그(2026년 10월 13일) 내용입니다. PC 안과 밖을 나눈 경계선과 아래쪽 점검 문구는 작성자가 구성했습니다.

공식 발표에 따르면 공개 당일부터 llama.cpp, MLX, vLLM, SGLang, ONNX에서 이 모델을 쓸 수 있습니다. 모두 모델 파일을 읽어 실행하는 런타임(실행 프로그램)입니다. 교육 담당자라면 수강생 PC에 이 가운데 무엇을 설치할 수 있는지부터 확인해야 합니다. 실습 PC에 이미 하나가 설치돼 있다면 모델만 바꿔 연결해 볼 수 있고, 하나도 없다면 런타임 설치가 허용되는지부터 정해야 합니다.

PC에 필요한 메모리 용량은 이번에 확인한 공식 글에서 찾지 못했습니다. 모델 이름의 24B만 보고 사양을 짐작하지 말고, 모델 카드에 올라온 파일 크기와 런타임 문서를 보고 판단하십시오.

3. 회사가 밝힌 강점은 도구 호출, 약점은 지식과 코딩

Liquid AI는 공식 글에 Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it, Nemotron-3.5-Lightning과 비교한 벤치마크 표를 싣고, 도구 호출·에이전트 시험 8개 중 5개(AutomationBench, BFCLv4, ToolSandbox, LiveClaw, τ³-Bench Banking)에서 이 모델이 앞서거나 같고, 지시 따르기 시험 3개에서는 모두 앞선다고 밝혔습니다. 반면 같은 글은 "Larger models keep an edge on knowledge-heavy benchmarks like GPQA Diamond, HLE, and AA-Omniscience, and on coding benchmarks like SWE-Bench Verified (OpenCode) and SciCode."라고 적었습니다. 지식을 많이 요구하는 시험(GPQA Diamond, HLE, AA-Omniscience)과 코딩 시험(SWE-Bench Verified (OpenCode), SciCode)에서는 더 큰 모델이 앞선다는 내용입니다. 회사는 지식이 많이 필요한 작업에는 검색이나 웹 검색과 함께 쓰라고 권합니다.

이 수치는 회사가 직접 측정한 결과입니다. 독립된 기관이 같은 조건으로 다시 측정한 결과는 확인하지 못했고, 다른 항목의 비교 수치는 이 글에서 다루지 않았습니다.

회사가 약점을 직접 적어 두었으니 실습을 설계할 때 미리 반영할 수 있습니다. 사실 확인이 필요한 질의응답이나 코드 작성 실습을 이 모델 하나로 진행하면, 결과가 기대보다 약할 때 원인이 모델인지 지시문인지 구분하기 어렵습니다. 이 모델을 후보로 둔다면 지식·코딩 과제는 지금 쓰는 모델과 같은 과제로 나란히 비교해 보는 편이 안전합니다.

4. 라이선스에는 연 매출 1,000만 달러 조건이 있습니다

모델 파일을 내려받을 수 있다는 것과, 회사 업무나 유료 교육에 써도 된다는 것은 별개입니다. Hugging Face 모델 카드의 라이선스 표시는 lfm1.0이고, Liquid AI 블로그가 "model license"로 연결한 LFM Open License v1.0 페이지(https://www.liquid.ai/lfm-license)를 2026년 10월 14일에 직접 열어 원문을 확인했습니다.

페이지 요약에 따르면 이 라이선스는 Apache 2.0을 바탕으로 하고, 수정과 배포를 폭넓게 허용하되 상업적 사용에 조건을 둡니다. 원문 정의에서 상업적 사용(Commercial Use)은 "any use of the Work for direct or indirect commercial advantage or monetary compensation"이고, 기준선(Threshold)은 연 매출 1,000만 달러($10,000,000) 이상입니다. 5조는 기준선을 넘는 법인의 상업적 사용은 이 라이선스로 허락되지 않는다고 적고, 페이지 요약은 그 경우 Liquid AI에서 상용 라이선스를 구매해야 한다고 안내합니다. 자격을 갖춘 비영리 단체가 비상업·연구 목적으로 쓰는 경우에는 기준선이 적용되지 않습니다. 법인의 범위에는 지배·피지배·공동 지배 관계에 있는 법인이 함께 들어갑니다.

이 조건이 실제 교육에 해당하는지는 이 글에서 판단하지 않습니다. 유료 교육이나 고객사 업무에 쓰면 "간접적인 상업적 이익"에 해당할 수 있고, 교육하는 회사와 고객사 중 어느 쪽 매출을 기준으로 볼지는 이 글이 정하지 못합니다. 사내 교육이나 고객사 교육에 쓰기 전에 담당자가 원문을 읽고 필요하면 Liquid AI에 문의하십시오.

지금까지 확인한 내용과 확인하지 못한 내용을 나누면 다음과 같습니다.

항목	공식 글에서 확인한 내용	확인하지 못한 것
제공 형태	Base와 후속 학습 모델 모두 오픈 웨이트, Hugging Face와 Playground, LFM Open License v1.0(연 매출 1,000만 달러 이상 법인의 상업적 사용은 별도 허락 필요)	내 교육·고객사가 이 조건에 해당하는지
실행	llama.cpp, MLX, vLLM, SGLang, ONNX 공개 당일 지원	필요한 메모리 용량
성능	회사 자체 벤치마크, 도구 호출·지시 따르기는 앞서거나 같고 지식·코딩은 더 큰 모델이 앞섬	독립 기관의 재측정 결과
API	Liquid Console 유료, 가입 크레딧 $2	한국 가입·결제 가능 여부

5. 후보 검토를 시작하는 순서

이번 주에는 실습 PC 1대를 정해 운영체제, 메모리 용량, GPU 유무를 적고, 그 PC에 설치된 런타임이 위 목록에 있는지 확인하십시오. 그다음 Hugging Face 모델 카드에서 파일 크기를 읽고, 그 PC에 올릴 수 있는지와 LFM Open License의 매출 조건에 해당하는지를 한 줄씩 기록합니다.

올릴 수 있고 라이선스도 문제가 없다면 도구 호출 과제 1건, 사실 확인 질문 1건, 짧은 코드 작성 1건을 정해 지금 쓰는 모델과 같은 지시문으로 비교하십시오. 도구 호출 과제는 예를 들어 "이 폴더의 회의록 파일을 읽고 결정 사항만 표로 정리해 줘"처럼 PC 안의 파일을 다루는 요청이면 됩니다. 지식·코딩 과제에서 차이가 크면 그 과제는 다른 모델로 진행하고, 이 모델은 비교 결과가 괜찮았던 과제에만 쓰면 됩니다.