LFM2-24B-A2B: LFM2 아키텍처 확장

(liquid.ai)

Hacker News2026년 5월 2일AI 모델

Liquid AI가 240억 개의 전체 파라미터 중 토큰당 20억 개만 활성화하는 MoE(Mixture of Experts) 구조의 LFM2-24B-A2B 모델을 공개했습니다. 이 모델은 하이브리드 아키텍처를 통해 클라우드뿐만 아니라 소비자용 노트북 및 엣지 디바이스에서도 고성능 추론이 가능하도록 설계되었습니다.

이 글의 핵심 포인트

124B 전체 파라미터 중 토큰당 2B만 사용하는 효율적인 MoE 구조 채택
232GB RAM 내 구동 가능하여 소비자용 노트북 및 엣지 디바이스 배포 최적화
3Gated Convolution과 GQA를 결합한 하이브리드 설계로 빠른 Prefill 및 Decode 성능 구현
4vLLM 환경에서 Qwen3-30B 등 경쟁 MoE 모델 대비 압도적인 처리량(Throughput) 증명
5Hugging Face를 통해 오픈 웨이트로 공개되어 로컬 실행 및 파인튜닝 가능

이 글에 대한 공공지능 분석

왜 중요한가

대규모 언어 모델(LLM)의 비용 문제는 모든 AI 스타트업의 아킬레스건입니다. LFM2-24B-A2B는 전체 파라미터 규모는 키우면서도 실제 연산에 필요한 활성 파라미터는 최소화하여, 성능 저하 없이 추론 비용과 지연 시간(Latency)을 획기적으로 낮출 수 있는 가능성을 보여주었습니다.

배경과 맥락

최근 AI 업계는 단순히 모델의 크기를 키우는 'Scaling Law'를 넘어, 연산 효율성을 극대화하는 MoE 및 하이브나드 아키텍처(Convolution + Attention)로 이동하고 있습니다. Liquid AI는 하드웨어 중심의 아키텍처 탐색을 통해, 메모리 사용량은 줄이면서도 처리량(Throughput)은 극대화하는 구조적 혁신을 추구해 왔습니다.

업계 영향

이 모델의 등장은 'On-device AI'와 'Edge AI'의 실질적인 구현 가능성을 높입니다. 32GB RAM 내에서 구동 가능한 24B급 모델의 존재는, 고가의 GPU 클러스터 없이도 고성능 AI 서비스를 운영하려는 기업들에게 강력한 대안을 제시하며, 기존의 거대 모델 중심의 생태계에 효율성 중심의 새로운 경쟁 구도를 형성할 것입니다.

한국 시장 시사점

GPU 인프라 확보에 어려움을 겪는 한국의 AI 스타트업들에게는 매우 중요한 기회입니다. 고가의 H100 의존도를 낮추면서도 소비자용 하드웨어(NPU, iGPU)를 활용한 고성능 특화 모델(Vertical AI) 개발이 가능해짐에 따라, 서비스 비용 경쟁력을 확보한 차별화된 AI 에이전트 시장이 열릴 수 있습니다.

이 글에 대한 큐레이터 의견

스타트업 창업자 관점에서 이번 발표는 '모델의 크기(Total Parameters)'보다 '연산의 효율성(Active Parameters)'이 비즈니스의 수익성을 결정짓는 핵심 지표가 될 것임을 시사합니다. LFM2-24B-A2B와 같이 활성 파라미터를 2B 수준으로 유지하면서 24B의 지식을 활용하는 모델은, 인프라 비용을 극적으로 절감하면서도 고품질의 응답을 제공해야 하는 B2B SaaS 기업들에게 엄청난 기회입니다.

단, 이는 동시에 개발자들에게 새로운 기술적 과제를 던집니다. 단순히 기존 모델을 API로 호출하는 것을 넘어, 이제는 하이브리드 아키텍처의 특성을 이해하고 엣지 환경이나 특정 하드웨어(NPU 등)에 최적화된 파인튜닝(Fine-tuning) 및 양자화(Quantization) 전략을 수립할 수 있는 역량이 기업의 기술적 해자(Moat)가 될 것입니다. 효율적인 아키텍처를 활용해 '저비용·고성능'의 임계점을 돌파하는 팀이 차세대 AI 시장을 주도할 것입니다.

원문 보기 →