Liquid AI가 2026년 10월 27일에 공개한 LFM3 패밀리 중 핵심은 1.73B 파라미터의 텍스트 모델인 LFM3-1.7B이다 (※1, ※2).
공식 비교표에 따르면 평균 점수는 49.37로, Qwen3.5 9B의 47.24를 상회한다. 툴 사용(BFCL V4)이나 WebArena-Verified에서는 크게 앞선다 (※2).
한편, 지식 기반(GPQA Diamond)과 128K 길이의 장문 검색(RULER 128K) 영역에서는 Qwen3.5 4B 및 9B에 명확히 뒤처진다. 따라서 '모든 면에서 9B급'이라기보다는, '에이전트 용도로 한정한다면 9B급에 가깝다'는 것이 공식 수치의 해석이다.
본고의 수치는 모두 Liquid AI가 자체 공표한 값이며, 필자는 제3자의 재현을 확인할 수 없다. 모델 구동 테스트도 진행하지 않았기 때문에 동작은 미검증 상태이다. - 이 모델이 적합한 것은 단말기나 CPU 환경에서 구동하는 툴 호출 및 지시 추종의 소형 에이전트다. 복잡한 다단계 추론이나 코딩을 맡기고 싶다면, 공식적으로도 비권장하고 있다.
2026년 11월 4일 기준으로 Hugging Face 트렌드 모델 요약에 LFM3-1.7B가 포함되어 있다. 좋아요 수는 1,418개, 월간 다운로드 수는 47,817개이다 (※3). 같은 날짜의 요약에서는 Qwen3.8-27B가 19,093개의 좋아요를, DeepSeek-V4.1-Flash-1017이 4,873개의 좋아요를 기록하며 더 큰 수치가 나열되어 있다. 1.7B 클래스의 모델로 눈에 띄는 위치이지만, '폭발적'이라고 부를 정도의 수치는 아니다.
주목해야 할 점은 숫자의 크기보다는 설계 방향이다. 공식 블로그에서는 LFM3가 '약 2B 클래스이며, 텍스트·시각·음성·옴니·의사결정 모델이 동일한 기반(LFM3-1.7B-Base)을 공유하는 패밀리'라고 설명하고 있다 (※2). 즉, 하나의 작은 골격을 재사용하여 여러 모달리티로 확장하는 설계다. 로컬에서 구동되는 소형 모델을 에이전트의 '손발'처럼 사용하는 흐름 속에서, 이 설계가 어디까지 통용될지 확인해보고 싶었다.
참고로, 공식 페이지에는 LFM3-1.7B의 공개일이 모델 카드에 명시되어 있지 않다. 블로그 기사의 날짜(2026년 10월 27일)를 출시일로 간주한다 (※2).
공식 블로그와 모델 카드에 따르면, LFM3-1.7B는 24층으로 구성되어 있으며, 내역은 다음과 같다 (※1, ※2).
| 계층 종류 | 계층 수 | 보충 설명 |
|---|
| gated short convolution (게이트형 짧은 컨볼루션) | 13 | 커널 폭 7 (LFM2에서는 3) |
| ... | | |
| 그림 1: 계층 수 내역. 계층의 순서 배열은 공식 페이지에서 확인할 수 없으므로, 그림에서는 종류별로 모아서 표시함 | | |
이 중 컨볼루션 계층은 근접한 토큰만 본다. sliding-window attention 역시 256 토큰 범위로 제한된다. 전체를 조망하는 global attention은 단지 6개 계층에 불과하다. 긴 문맥에서 KV 캐시(과거 토큰의 중간 표현 저장 영역)가 부풀어 오르는 주된 원인은 주로 global attention 계층이기 때문에, 이 구성은 메모리를 절약하는 방향으로 작용한다. 공식에서는 128K 컨텍스트 시의 KV 캐시 크기가 1.6GB로, Qwen3.5-4B의 4.3GB, MiniCPM5-2B의 5.6GB보다 작다고 언급하고 있다 (※2).
[IMG:N]
공식 블로그는 다음 요소들도 언급하고 있다 (※2).
- head-wise gated attention: 각 attention 헤드의 출력에 시그모이드 게이트를 적용한다. 양자화에 악영향을 줄 수 있는 활성화 값의 이상치를 억제하려는 목적이라고 설명된다.
- partial RoPE: global attention에서는 각 헤드의 고주파 측면에만 회전 위치 임베딩(RoPE)을 적용한다.
- sandwich norm: 각 블록의 입력 측과 출력 측 양쪽에서 정규화(Normalization)를 수행한다.
- 어휘 크기는 128K이다. 사전 학습은 22T 토큰, 여기에 256K까지 컨텍스트를 확장하는 중간 학습이 3.5T 토큰 진행되었다.
이 요소들이 성능에 어느 정도 기여했는지는 어브레이션(ablation, 요소를 하나씩 제거하여 비교)이 제시되어 있지 않아 필자는 판단하기 어렵다. 구성 요소의 나열은 설계 의도 설명을 하는 것으로 읽는 것이 안전하다.
다음은 모델 카드 비교표에서 용도 차이가 두드러지게 나타나는 행들을 발췌한 것입니다(※1, ※2). 모두 Liquid AI가 자체적으로 발표한 수치이며, 실행 조건의 상세 내용(프롬프트나 시도 횟수)에 대해서는 필자가 확인하지 못했습니다.
| 벤치마크 | LFM3 1.7B | LFM2.5 2.6B | MiniCPM5 2B | Gemma 4 E4B | Qwen3.5 4B | Qwen3.5 9B |
|---|
| BFCL V4 (도구 사용) | 71.39 | 55.89 | 62.65 | 48.25 | 55.12 | 62.83 |
| ... | | | | | | |
| 그림 3: 5가지 벤치마크 발췌. LFM3가 주황색, Qwen3.5가 파란 계열 | | | | | | |
먼저, LFM3-1.7B가 강점을 보이는 부분은 도구 사용(Tool Use), 웹 조작(Web Operation), 지시 추종(Instruction Following) 항목입니다. BFCL V4에서는 71.39로 Qwen3.5 9B의 62.83을 상회합니다. WebArena-Verified는 38.42 대 28.94, AutomationBench는 41.29 대 15.10으로 차이가 크게 납니다. IFEval은 96.66으로 표 내 최고점을 기록했습니다. 공식 블로그에서도 BFCL과 ToolSandbox에서 선두를 달리고 있으며, WebArena-Verified와 AutomationBench에서는 Qwen3.5-9B를 능가한다고 언급하고 있습니다(※2).
다음으로, 지식 및 장문 검색 분야에서는 열세입니다. GPQA Diamond는 63.37로 Qwen3.5 4B의 75.76이나 9B의 80.40에 미치지 못합니다. RULER 128K 역시 65.56으로 Qwen3.5 4B의 84.63, 9B의 87.11보다 현저히 낮습니다. MCP-Atlas 또한 Qwen3.5 4B와 9B가 더 높습니다(32.57 대 41.37, 42.67).
그리고 코딩 성능은 중간 수준입니다. LiveCodeBench v6에서는 73.46으로 최고점을 기록했으나, SWE-bench Verified (OpenCode)는 9B의 51.20에 도달하지 못합니다. 공식 모델 카드에서도 작은 모델이라는 이유로 에이전트 코딩(agentic coding)이나 복잡한 다단계 추론에는 권장하지 않는다고 명시하고 있습니다(※1).
평균 점수만 놓고 보면 49.37 대 47.24로, 1.7B가 Qwen3.5 9B를 앞지르는 것은 분명 눈에 띕니다. 하지만 이 평균은 표에 제시된 항목 선택에 따라 좌우된다는 한계가 있습니다. 표에는 에이전트 계열 및 도구 관련 항목들이 많이 포함되어 있어, LFM3가 강점을 보이는 영역의 비중이 크기 때문입니다. 만약 지식/장문 검색 관련 항목을 늘린다면 순위가 바뀔 가능성이 있습니다. 평균 점수는 어디까지나 '이 표의 이 항목 조합에서의 평균'일 뿐, 모델의 종합적인 성능을 나타낸다고 단정하기는 어렵습니다.
또한, AA-Omniscience(비환각률) 항목에서는 LFM3가 92.93으로 매우 높은 반면, 정답률은 7.07로 낮은 모습을 보입니다. 이는 '모르는 것을 모른다고 답하지 않는' 경향이 강함을 시사합니다. 환각 현상이 적다는 점은 장점이지만, 지식을 끌어내야 하는 용도에서는 답변 자체가 돌아오지 않는 경우가 많을 수 있다는 해석도 가능합니다. 이 해석은 필자의 추측이며 공식적인 내용은 아닙니다.
공식 모델 카드에서 제시하는 사용처는 로컬 에이전트와 도구 호출, 구조화된 출력, 도메인 특화 파인튜닝, 스마트폰이나 노트북에서의 엣지 배포입니다. 4비트 양자화를 거치면 약 1GB에 수렴한다고 합니다(※1). 수치적 근거로, 공식 블로그는 llama.cpp (Q4_0, 32K 컨텍스트)를 사용하여 3가지 장치에서 비교 대상의 차순위 모델보다 1.8~2.8배 빠르게 디코드할 수 있다고 언급했습니다(※2). 다만 이 역시 자체 측정이며, 어떤 장치인지에 대한 상세 내용은 필자는 확인하지 못했습니다.
실무에 적용한다면 다음과 같은 용도가 후보가 될 수 있습니다.
-
사내 단말기 내에서 구동되는 정형적인 도구 호출(캘린더 조작, 파일 검색, 사내 API 호출)
-
JSON 등 구조화된 출력을 안정적으로 반환받고 싶은 전처리/분류 작업
-
소형 모델을 기반으로 자체 데이터로 추가 학습하는 용도 (공식은 TRL에 의한 SFT, DPO, GRPO, CPT를 언급하고 있습니다)
-
지식의 정확성이 요구되는 질의응답. 공식에서도 지식을 활용하는 작업은 검색(RAG)과 결합할 것을 권장합니다.
-
긴 문서로부터 정보 검색. RULER 128K 결과를 볼 때, Qwen3.5 계열이 우위에 있습니다.
-
대규모 코드베이스를 다루는 자율적인 코딩.
-
라이선스 확인이 완료되지 않은 상업적 이용. 라이선스는 'LFM Open License v1.0'이며, Apache-2.0이나 MIT가 아닙니다(※1). 필자는 라이선스 본문을 확인할 수 없었으므로, 이용 조건은 반드시 원문에서 재확인해 주시기 바랍니다.
전체 패밀리는 공식 블로그를 통해 정리할 수 있습니다(※2).
| 모델 | 종류 | 비고 |
|---|
| LFM3-1.7B-Base | 사전 학습 기반 | 커스터마이징용 |
| ... | | |
| 배포는 Hugging Face를 통해, 실행 환경은 llama.cpp, MLX, vLLM, SGLang, Ollama, LM Studio, Unsloth 등에서 지원한다고 명시되어 있다. 하드웨어 역시 Apple, AMD, NVIDIA, Qualcomm, Intel, Arm 등 광범위하다. 다만, 이러한 지원 상황은 공식적인 기재 사항일 뿐, 필자가 직접 확인한 것은 아니다. | | |
비교 관점에서 볼 때, 같은 소형 모델 대역의 Gemma 4 E4B는 이번 표에서 도구 활용(BFCL V4 기준 48.25)이나 코딩(SWE-bench Verified (OpenCode) 기준 0.50) 영역에서 다소 어려움을 겪고 있다. 이는 필자가 동일한 조건으로 비교할 수 있었는지 확인하지 못했기 때문에, 모델의 우열을 가리기보다는 '이 공식 표에서는 이렇게 제시하고 있다'는 수준의 취급에 그치고자 함이다.
필자는 이번에 해당 모델들을 직접 실행해 보지 않았다. 따라서 아래 내용은 모델 카드에 기재된 설명을 그대로 소개하는 것이며, 동작은 미검증 상태임을 밝힌다. 실제로 실행할 경우에는 환경(Python 및 transformers 버전)을 각자 확인해 주시기를 바란다.
from transformers import pipeline
generator = pipeline(
"text-generation",
...
위 코드는 모델 카드에 있는 퀵 스타트 가이드이다 (※1). trust_remote_code=True는 모델의 리포지토리에 있는 코드를 실행하도록 설정하는 것이므로, 신뢰할 수 있는 제공원인지 확인한 후에 사용해야 한다. 샘플링 권장 값은 일반 용도의 경우 temperature=0.1, top_k=50, repetition_penalty=1.1로 제시되어 있다. 수학/STEM 용도의 경우에는 temperature=1.0, top_p=0.95, top_k=20으로 되어 있다.
llama.cpp용으로는 GGUF 버전(LiquidAI/LFM3-1.7B-GGUF)이 안내되어 있다. 도구 호출을 사용할 때는 현재의 채팅 템플릿(chat template)을 가진 GGUF를 사용하거나, --chat-template-file로 읽어 들여야 한다는 주의사항이 있다 (※1).
-
'작은 모델 하나로 모든 것을 한다'기보다는, 도구 활용과 지시 추종에 초점을 맞춘 설계이며, 그 범위 내에서 높은 수치를 보여주고 있다.
-
지식 기반 또는 장문 검색 영역에서 다소 약한 결과가 나온 점도 공식 표에 그대로 기재되어 있다.
-
KV 캐시(Key-Value Cache)의 작음 등 엣지 환경에서의 실용성과 관련된 수치들을 전면에 내세우고 있다.
-
하나의 골격을 텍스트, 시각, 음성으로 확장하는 패밀리 설계는 소형 에이전트를 구성하려는 입장에서 다루기 쉬워 보인다.
-
모든 수치가 자사 공표에 기반하며, 제3자에 의한 재현은 찾아보기 어렵다. 실행 조건(프롬프트, 시도 횟수, 도구 구현)이 결과에 영향을 주기 쉬운 에이전트 계열의 벤치마크에서는 특히 주의가 필요하다.
-
평균값은 표에 제시된 행을 선택하는 방식에 따라 영향받을 수 있다.
-
모델 카드에 있는 enable_thinking=False는 추론이 필요한 과제에서 동작이 불안정해질 수 있다고 명시되어 있다. -
trust_remote_code=True가 필요하다는 점은 운영 정책에 따라 도입의 진입 장벽이 될 수 있다. - 라이선스는 독자적(LFM Open License v1.0)이며, 조건 확인이 필수적이다.
LFM3-1.7B는 '9B급 만능 모델'이라기보다는, '도구 호출과 지시 추종에 강한 소형 에이전트용 모델'로 해석하는 것이 적절하다고 생각한다. 이 전제 하에서는 단말 내 자동화나 프라이버시에 배려된 전처리 등 실용적인 후보가 될 수 있다. 반면, 본고의 수치는 자사 공표 범위에 머무른다. 도입을 검토한다면, 자신의 도구 세트와 프롬프트로 작은 평가 셋을 만들어 Qwen3.5 4B 등과 나란히 비교해보는 것이 확실하다.
LFM3-1.7B는 24개 레이어 안에 컨볼루션(Convolution), 창형 어텐션(Windowed Attention), 전역 어텐션(Global Attention)을 혼합하고, KV 캐시를 작게 유지하면서도 도구 활용이나 지시 추종에서 공식 표 상위권을 차지한 모델이다. 지식 및 장문 검색은 약하고, 코딩 능력은 중간 정도다. 수치는 자사 공표이며, 필자는 해당 모델을 실행하지 않았다. 용도를 좁혀서 자신의 환경에서 평가해 본 후 채택 여부를 결정하는 것이 바람직하다.
※본 기사에 기재된 내용은 필자 개인의 견해이며, 소속 회사나 조직의 입장이나 방침과는 일절 관계가 없습니다.
【Tomcat-zhou】｜AI/AX/AI 보안 전문가
AI 전략 통찰, AI 구동 개발 방법론 설계 및 현장에서 작동하는 시스템 구축을 하고 있습니다.
note에서는 전략적 통찰을, Zenn과 Qiita에서는 기술 및 방법론을 작성하고 있습니다.
AI 보안, AI 컨설팅, AI 에이전트 개발, AI 활용, AI 주도 개발 교육(AI-driven development education), AI 인재 육성 서비스를 통합적으로 제공합니다.
X: @ZY20240528
LinkedIn: Tomcat-zhou
Facebook: zhou yi
note: Tomcat-zhou
Zenn: Tomcat-zhou
- LiquidAI/LFM3-1.7B (Hugging Face 모델 카드)
- LFM3 (Liquid AI 공식 블로그)
- Hugging Face Trending Models 2026-11-04 (news-radar)
AI
LLM
로컬 LLM
LFM3
LiquidAI
에이전트 (Agent)
소형 모델 (Small Model)
