- 모델 구성: Liquid AI가 Dense Bi-Encoder 방식의 LFM2.5-Embedding-350M과 ColBERT(Late-Interaction) 방식의 LFM2.5-ColBERT-350M 두 모델을 동시에 공개함
- 경량화: 두 모델 모두 350M 파라미터 규모로 설계되어 엣지 디바이스 온디바이스 추론을 주요 시나리오로 상정함
- 다국어성: 총 11개 언어를 지원하며 듀얼 모델 구조를 통한 속도와 정밀도 동시 확보를 목표로 함
이번 릴리스는 소형 모델 시장에서도 검색 정확도와 응답 속도를 분리해 설계하는 듀얼 트랙 전략이 본격화되고 있음을 보여준다.
2026년 6월 19일, Liquid AI가 다국어 검색 전용 임베딩 모델 두 종을 공개했다. 동일한 350M 파라미터 규모를 유지하면서도 바이-인코더와 콜버트라는 두 가지 검색 패러다임을 함께 제공한 점이 핵심 변화다. 본문에서는 두 모델의 구조적 차이와 엣지 디바이스 환경에서의 활용 가능성을 개발자 관점에서 정리한다.
LFM2.5 시리즈의 탄생 배경과 Liquid AI의 엣지 AI 전략
Liquid AI는 경량 LFM 라인업을 꾸준히 확장해 온 기업으로, 이번 발표는 그 가운데 임베딩 계열 모델에 초점을 맞춘 릴리스로 해석된다. 텍스트 생성형 LLM과 달리 검색 전용 임베딩 모델은 RAG 파이프라인의 1차 검색과 리랭킹 단계에서 모두 사용되기 때문에, 모델 라인업의 폭이 곧 플랫폼 경쟁력으로 직결된다.
Liquid AI의 모델 라인업 개요
Liquid AI는 엣지 디바이스와 온프레미스 환경을 겨냥한 소형 모델 패밀리를 운영해 왔으며, 이번 LFM2.5-Embedding-350M과 LFM2.5-ColBERT-350M은 그중에서도 검색과 정보 검색 전용 트랙으로 분류된다. MarkTechPost 기사에 따르면 두 모델은 동일 규모이면서도 상호 보완적인 구조로 설계된 점이 특징으로 분석된다.
엣지 디바이스 타겟 설계의 의미
350M 파라미터라는 규모는 GPU 서버보다는 노트북, 산업용 단말, 일부 모바일 NPU까지 추론 범위를 확장할 수 있는 스윗 스팟으로 평가된다. 네트워크가 불안정한 현장이나 데이터 주권 이슈가 있는 환경에서도 외부 API 없이 다국어 검색을 수행할 수 있다는 점에서, 본 모델은 엣지 AI 시장의 요구에 부합하는 사양으로 보인다.
LFM2.5-Embedding-350M: Dense Bi-Encoder 구조의 특징
바이-인코더는 쿼리와 문서를 각각 독립된 벡터로 인코딩한 뒤 코사인 유사도로 매칭하는 전통적인 검색 구조다. 대규모 후보군을 빠르게 스크리닝해야 하는 1차 검색 단계에서 강점을 보이는 방식으로 알려져 있다.
바이-인코더 검색 메커니즘
LFM2.5-Embedding-350M은 텍스트를 단일 고정 길이 벡터로 압축한다. 덕분에 수백만 건 규모의 인덱스에서도 비교 연산 비용이 낮아 모바일과 같은 제한된 메모리 환경에서도 운용 가능한 것으로 분석된다. 다만 단일 벡터로 압축하면서 발생하는 정보 손실은 이번 듀얼 릴리스에서 LFM2.5-ColBERT-350M이 보완하는 구조로 설계된 것으로 보인다.
350M 파라미터 규모의 트레이드오프
수십억 파라미터급 대형 임베딩 모델 대비 350M은 정확도 측면에서 손해가 불가피하지만, 반대로 디스크 점유와 로딩 시간을 크게 낮출 수 있다. 엣지 디바이스에서는 이 트레이드오프가 정당화되며, 1차 검색 정확도 부족분은 후속 리랭커로 흡수하는 파이프라인 구성이 일반적이다.
LFM2.5-ColBERT-350M: Late-Interaction의 정밀도 이점
콜버트는 토큰 단위 벡터를 유지한 채 쿼리와 문서 간 상호작용을 검색 시점에 수행하는 Late-Interaction 방식이다. 상호작용 시점을 학습 이후로 미루는 것이 핵심 아이디어다.
콜버트 방식의 토큰 단위 상호작용
LFM2.5-ColBERT-350M은 각 토큰별 벡터를 보존하기 때문에, 쿼리의 특정 단어와 문서의 구간이 얼마나 잘 정렬되는지 세밀하게 점수화할 수 있다. 이는 동의어나 다국어 표기 변형이 많은 11개 언어 환경에서 특히 유용할 것으로 평가된다.
리랭킹 파이프라인에서의 역할
콜버트는 연산량이 상대적으로 크기 때문에 일반적으로 바이-인코더로 1차 후보를 추린 뒤 상위 K개에 대해 적용하는 리랭커 패턴이 권장된다. Liquid AI가 두 모델을 같은 시점에 공개한 것은 이런 2단계 파이프라인을 공식적으로 가정한 것으로 해석된다.
| 구분 | LFM2.5-Embedding-350M | LFM2.5-ColBERT-350M |
|---|---|---|
| 구조 | Dense Bi-Encoder | Late-Interaction (ColBERT) |
| 파라미터 | 약 350M | 약 350M |
| 주 용도 | 1차 대규모 검색 | 상위 후보 리랭킹 |
| 지원 언어 | 11개 언어 | 11개 언어 |
| 추론 부하 | 낮음 | 상대적으로 높음 |
11개 언어 다국어 지원과 실전 활용 시나리오
두 모델의 다국어 지원 범위는 글로벌 서비스뿐 아니라 다국적 현장 적용 가능성이 높은 사양으로 평가된다. 다만 MarkTechPost 기사 본문에서 11개 언어의 구체적 목록이 명시되지 않았으므로, 정확한 언어 세트는 Liquid AI 공식 채널을 통해 추가 확인이 필요하다.
지원 언어 범위와 임베딩 다국어성
11개 언어라는 규모는 영어 중심 임베딩 대비서 벗어나는 의미 있는 분기점으로 보인다. 다국어 모델은 보통 라틴 계열에 강하고 한자나 아랍 문자 계열에서 성능 저하가 발생하기 쉬운데, 350M 규모에서도 이런 격차가 얼마나 줄어들었는지가 실제 도입 시 핵심 평가 포인트다.
오프라인 저전력 환경 적용 사례
제조 현장의 매뉴얼 검색, 의료 데이터의 로컬检索, 군사 및 공공기관의 폐쇄망 RAG 같은 환경에서 본 모델 조합은 외부 호출 없이 다국어 검색을 제공할 수 있는 잠재력을 가진다. 다만 실전 성능은 도메인 적응 파인튜닝 여부에 따라 크게 달라질 것으로 보이며, 이 부분은 공개 벤치마크가 누적되어야 정확한 판단이 가능해질 것으로 분석된다.
개발자 관점에서 본 도입 고려사항과 전망
동일 벤더에서 바이-인코더와 콜버트를 같은 규모로 동시에 제공한다는 것은, 파이프라인 구성과 배포 복잡도를 줄인다는 점에서 개발자에게 매력적인 조건으로 해석된다. 모델 카드, 토크나이저, ONNX 변환 가이드 등 운영에 필요한 부속 자산이 함께 공개되는지가 실제 도입률을 결정할 것으로 분석된다.
개인적으로는 이번 릴리스가 소형 임베딩 시장의 표준을 바이-인코더 단일에서 듀얼 트랙으로 이동시키는 신호탄으로 보인다. 다만 11개 언어 모두에서 대형 모델 대비 정확도 손실 폭을 수치로 확인하기 전까지는 도입을 단행하기보다는 파일럿 단계에서 충분한 평가를 권장하는 입장이다.
- 두 모델 모두 350M 파라미터라는 동일 규모로 출시되어, 엣지 환경에서 1차 검색과 리랭킹을 같은 벤더 자원으로 구성할 수 있다.
- 바이-인코더는 속도, 콜버트는 정밀도를 담당하는 구조적 분업이 공식화된 점에서 검색 파이프라인 설계가 단순해진다.
- 11개 언어 지원 범위와 각 언어별 성능은 공식 채널과 추가 벤치마크를 통해 별도 확인이 필요하다.
- 온디바이스 RAG나 폐쇄망 검색 시나리오에서 외부 API 없이 다국어 검색을 구축할 수 있는 잠재력이 크다.
- 도메인 적응 파인튜닝과 ONNX 등 경량 런타임 지원 여부가 실제 현장 도입의 성패를 가를 것으로 분석된다.
참고 자료: MarkTechPost 기사 원문, Liquid AI 공식 채널