Liquid AI, 2B급 오픈 모델 LFM3 6종 공개, Ollama로 실행

Liquid AI가 2B급 오픈 웨이트 모델 계열 LFM3를 공개했다. 텍스트, 비전, 음성, 옴니, 의사결정 모델 6종으로 구성되며 모두 LFM3-1.7B-Base에서 갈라져 나왔다. 하나의 공통 뼈대 위에 만든 멀티모달 계열이고, 6종 모두 GPU 한 장으로 미세 조정할 수 있다고 MarkTechPost는 전했다.¹

Ollama는 10월 27일 배포한 v0.40.12에서 LFM3 계열과 d1 의사결정 모델 2B 크기를 라이브러리에 추가했다. 터미널에서 ollama run lfm3를 입력하면 실행된다. 이번 버전에서 Apple 하드웨어 지원이 명시된 모델은 lfm3와 d1 2b이고, Linux와 Windows 지원은 곧 나온다고 릴리스 노트는 적었다. lfm3-vl, lfm3-audio, lfm3-omni, d1-omni에 대한 지원 범위는 노트에 따로 적혀 있지 않다.²

모델 6종과 실행 방법

• LFM3-1.7B: 파라미터 1.73B에 256K 컨텍스트 창을 갖춘 텍스트 모델이다. Hermes Agent, Pi, OpenClaw 같은 하네스에 맞춰 사후 학습해 로컬 에이전트용으로 내놓았다.
• LFM3-VL-2B: 파라미터 1.92B, 컨텍스트 128K. 영상 입력을 갖춘 첫 LFM 비전 모델이며 영상은 초당 2프레임으로 샘플링한다.
• LFM3-Audio-2B: 18개 언어에서 음성을 듣고 말하며 도구 호출도 지원한다.
• LFM3-Omni-2B: 파라미터 2.2B. 시각, 음성, 언어를 한 모델에서 처리해 텍스트나 음성으로 답한다.
• d1-2B, d1-Omni-2B: 한 번의 순전파로 여러 질문에 답하는 의사결정 모델이다. MarkTechPost에 따르면 d1-2B는 d1-3B를 대체하며 파라미터가 3분의 1 적고, Decision Bench 점수는 83.6에서 85.2로 올랐다.¹

Ollama 라이브러리에는 lfm3, lfm3-vl, lfm3-audio, lfm3-omni, d1, d1-omni가 올라왔다. lfm3-vl은 이미지 이해, lfm3-audio는 18개 언어의 음성 인식·번역·음성 합성, lfm3-omni는 텍스트·이미지·오디오 통합 입력을 맡는다. Ollama는 이 계열을 로컬 에이전트, 도구 호출, 구조화 출력에 맞춘 소형 모델이라고 소개했다. d1 모델은 텍스트와 이미지를 보고 판단하며, 예를 들어 ollama run d1:2b "I was charged twice for order 4417." --ask "Is this a billing issue?"처럼 질문을 붙여 쓴다.²

가중치는 Hugging Face, Liquid AI Playground, Liquid API에서 받을 수 있다. 문서는 텍스트·비전 모델용으로 GGUF, MLX, ONNX를 안내하고, 실행 환경으로 llama.cpp, MLX, vLLM, SGLang, Ollama, Transformers를 든다. Hugging Face의 LFM3 컬렉션은 7개 항목이며, 같은 페이지 목록에는 LFM3-1.7B, LFM3-1.7B-Base, LFM3-Audio-2B, LFM3-Omni-2B, LFM3-VL-2B, d1-2B, d1-3B가 보인다. d1-Omni-2B는 이 목록에 없다.^1,3

Ollama 지원이 Apple 하드웨어에 한정돼 있어서 Linux나 Windows 사용자는 당장 Ollama로 쓸 수 없다. 이 경우 문서가 안내한 llama.cpp나 vLLM 같은 다른 실행 환경을 쓰는 방법이 있다.^1,2

구조와 성능

LFM3의 뼈대는 24개 층에 세 가지 연산을 섞은 구조다. 게이트가 달린 짧은 합성곱 13층, 슬라이딩 윈도 어텐션 5층, 전역 어텐션 6층으로 이뤄지고 윈도 크기는 256토큰이다. Liquid AI는 기기에 직접 올려 보며 구조를 찾는 탐색으로 이 조합을 정했다고 설명했다. LFM2는 휴대폰 1대와 노트북 1대에서 조정했지만 LFM3는 Raspberry Pi 5와 Qualcomm Hexagon NPU를 포함한 14개 기기·백엔드 조합에서 조정했다.

기반 모델은 22T 토큰을 학습했고, 마지막 3.5T 토큰은 에이전트 비중이 높은 중간 학습으로 컨텍스트를 256K까지 늘렸다. 사후 학습은 네 단계다. 1.75T 토큰의 지도 미세 조정에 이어 혼합 강화 학습을 하고, 전문 교사 모델 6개를 하나로 증류한 뒤 에이전트 강화 학습을 거친다.

아래 수치는 모두 Liquid AI가 자체 평가한 결과다. LFM3-1.7B는 벤치마크 29개 평균 49.37로 Qwen3.5-9B의 47.24를 웃돌고, LFM2.5-2.6B보다 파라미터가 35% 적은데도 앞선다고 Liquid AI는 밝혔다. IFEval은 96.66이다. GPQA Diamond와 SWE-bench Verified에서는 Qwen3.5-9B에 뒤진다. MarkTechPost는 지식과 에이전트 코딩에서는 더 큰 모델이 앞선다고 해석했다. Humanity's Last Exam은 도구 없이 7.17이고 검색을 쓰면 13.90으로 오른다.¹

멀티모달 모델도 같은 방식으로 평가했다. LFM3-VL-2B는 비전 벤치마크 62개 평균 71.4로, 같은 평가에서 Gemma 4 12B의 71.7과 거의 같다. 이 비교에서 시각적 grounding 77.3과 GUI 이해 83.1은 Gemma 4 12B보다 높다. 영상 61.2와 에이전트 과제 42.5는 더 큰 API 모델에 못 미친다. LFM3-Audio-2B는 영어 단어 오류율 6.2, 음성 합성 UTMOSv2 3.8을 기록했고, LFM3-Omni-2B는 Daily-Omni에서 70.1로 Qwen2.5-Omni-7B의 61.3을 넘었다.¹

온디바이스 비용과 라이선스

LFM3-1.7B는 4비트 양자화 때 메모리를 약 1GB 쓰며 휴대폰과 노트북에서 돌릴 수 있다. GGUF, MLX, ONNX, FP8, NVFP4 체크포인트가 함께 제공된다. Liquid AI는 llama.cpp의 Q4_0, 32K 컨텍스트 설정에서 측정했고, 128K 전체 컨텍스트에는 KV 캐시가 1.6GB 필요한 반면 Qwen3.5-4B는 4.3GB가 필요하다고 밝혔다. 서버에서는 LFM3-1.7B가 NVIDIA B300 한 장에서 SGLang으로 동시 요청 1,024건일 때 하루 36억 토큰을 생성한다.

Liquid AI는 특화 학습 사례도 제시했다. A100 한 장에서 몇 시간 동안 SFT와 GRPO를 돌려 풍력 터빈 결함 분류 정확도를 67%로 끌어올렸다.

라이선스는 LFM Open License v1.0이며 연 매출 1,000만 달러 기준선까지 무료로 상업 이용할 수 있다. 비교 대상인 MiniCPM5-2B, Qwen3.5-4B, Gemma 4 E4B는 Apache 2.0이다.¹