거대 모델 경쟁 옆에서 커지는 또 하나의 흐름
요즘 AI 뉴스는 대부분 누가 더 큰 모델을 만들었는지, 누가 벤치마크 1등을 했는지 이야기죠. 그런데 반대로 '작지만 내 기기 안에서 빠르게 도는 모델'을 파고드는 회사들도 있어요. 그중 꾸준히 존재감을 키워온 곳이 Liquid AI예요.
Liquid AI는 MIT CSAIL 연구진이 세운 스타트업이에요. 뉴런이 302개뿐인 작은 벌레, 예쁜꼬마선충(C. elegans)의 신경계에서 영감을 받은 'Liquid Neural Network' 연구에서 출발했어요. 이 회사가 이번에 새 모델 패밀리 LFM3를 발표했는데, 부제가 'Every Modality for Specialized Intelligence'예요. 우리말로 옮기면 모든 모달리티로, 특화된 지능을 정도가 되겠네요.
모달리티? 특화된 지능?
모달리티는 그냥 '정보의 형태'라고 생각하면 돼요. 텍스트, 이미지, 음성, 영상 같은 거요. 사람이 눈으로 보고 귀로 들으면서 함께 이해하듯이, 모델 하나가 여러 형태의 입력을 같이 다루면 '멀티모달' 모델이라고 불러요.
특화된 지능은 Liquid AI가 계속 밀어온 메시지예요. 뭐든 다 잘하는 거대 범용 모델 하나보다, 특정 작업에 맞춰 다듬은 작은 모델이 그 작업에서는 더 싸고 빠르고 충분히 정확하다는 거예요. 문서에서 정보 뽑기, 번역, 음성 명령 처리 같은 작업이요. 큰 종합병원보다 그 분야만 보는 전문의가 나을 때가 있는 것과 비슷해요.
LFM3라는 이름에는 이 두 가지가 합쳐져 있어요. 텍스트뿐 아니라 여러 모달리티를 한 패밀리 안에서 다루고, 그걸 바탕으로 각자 용도에 맞는 특화 모델을 만들라는 방향이죠. 모델 크기별 라인업과 벤치마크 수치는 공식 블로그 표에 정리돼 있으니 직접 비교해 보시길 추천해요.
이전 세대에서 이어지는 기술적 배경
LFM3를 이해하려면 2025년 여름에 나온 LFM2를 먼저 보면 좋아요. LFM2는 트랜스포머로만 만든 모델이 아니었어요. 짧은 범위 합성곱(convolution) 블록과 어텐션 블록을 섞은 하이브리드 구조였죠.
이게 뭐냐면요. 트랜스포머의 어텐션은 문장 속 모든 단어가 서로를 전부 쳐다보는 방식이라 문맥은 잘 잡지만 계산량이 많아요. 합성곱은 바로 옆 몇 단어만 보는 대신 아주 빨라요. 그래서 대부분의 층은 빠른 합성곱으로 처리하고, 꼭 필요한 몇 개 층에만 어텐션을 넣으면 품질을 지키면서 속도를 크게 끌어올릴 수 있어요. 덕분에 LFM2는 GPU 없이 CPU만 있는 노트북이나 스마트폰에서도 빠르게 돈다는 걸 강점으로 내세웠어요.
그 뒤로 Liquid AI는 비전-언어 모델(LFM2-VL), 오디오 모델(LFM2-Audio), MoE 모델을 내놨고, 특정 작업에 맞춰 미세조정한 작은 모델 묶음도 차례로 공개했어요. LFM3는 이렇게 흩어져 있던 모달리티를 다음 세대에서 하나의 패밀리로 묶는 성격으로 볼 수 있어요.
경쟁 구도: 온디바이스 멀티모달 전쟁
이 시장은 이미 꽤 붐벼요.
- Google Gemma 3n: 모바일을 겨냥한 오픈 모델로, 텍스트·이미지·오디오·영상 입력을 지원해요. 큰 모델 안에 작은 모델을 품는 MatFormer 구조라서 기기 사양에 맞게 크기를 골라 쓸 수 있어요.
- Alibaba Qwen Omni 시리즈: 텍스트, 이미지, 음성을 받아서 음성으로 바로 답하는 엔드투엔드 모델이에요. 다만 주력 모델은 온디바이스보다는 서버에 어울리는 크기예요.
- Microsoft Phi-4-multimodal: 음성·비전·텍스트를 하나로 묶은 소형 모델이에요.
- Apple Foundation Models: 애플 기기에 내장된 약 3B 규모 모델이에요. 개발자가 API로 바로 불러 쓸 수 있게 열려 있어요.
한국 개발자에게 주는 시사점
첫째, 서버 비용이 부담되는 서비스라면 관심 가져볼 만해요. 음성 메모 요약이나 사진 속 글자 추출 같은 기능을 매번 클라우드 API로 처리하면 사용자가 늘수록 비용도 같이 불어나요. 기기 안에서 처리하면 비용이 줄고, 개인정보가 밖으로 나가지 않는다는 장점도 생겨요.
둘째, 한국어 성능은 꼭 직접 검증하세요. LFM2 모델 카드에는 한국어가 지원 언어로 올라가 있었지만, 모델이 작을수록 한국어 품질 편차가 크거든요. 특히 음성은 학습 데이터에서 한국어 비중이 얼마나 되느냐에 따라 체감이 확 달라져요.
셋째, 라이선스 확인은 필수예요. LFM2는 일정 매출 이하 기업에만 무료 상업 이용을 허용하는 자체 라이선스였어요. 대부분 Apache 2.0인 Qwen과도, 자체 약관을 쓰는 Gemma와도 조건이 달라요. 스타트업이 일단 쓰기 시작했다가 회사가 커진 뒤에 문제가 될 수 있으니, LFM3 조건도 따로 꼭 확인해 보세요.
마무리
AI 경쟁의 질문이 '누가 제일 큰가'에서 '누가 내 기기에서 제일 쓸모 있는가'로 넓어지고 있어요. LFM3는 그 흐름 속에서 판을 멀티모달까지 키운 시도예요.
여러분이라면 어떤 기능을 클라우드 대신 온디바이스 모델로 옮겨보고 싶으세요? 작은 특화 모델로도 충분했던 경험이 있다면 공유해 주세요.
🔗 출처: Hacker News