LiquidAI: LFM2.5-2.6B
liquid/lfm-2.5-2.6bKompaktní textový model Liquid AI pro získávání dat, odpovědi podle dokumentů a postupné úlohy s velkým kontextem.
Kompaktní model s agentní přípravou
LFM2.5-2.6B je textový model Liquid AI vytvořený pro úlohy, kde záleží na dodržování instrukcí, zpracování dokumentů a postupném provedení několika kroků. V rodině LFM2.5 tato verze získala samostatnou přípravu pro agentní scénáře: vývojář ji učil interakci s nástroji a typickými pracovními prostředími agentů. Toto učení se týká chování modelu; konkrétní kroky v aplikaci určuje integrace.
Základem LFM2.5-2.6B je hybridní architektura LFM2 s 2,69 miliardy parametrů. Spojuje bloky krátké konvoluce a skupinové pozornosti. Liquid AI tuto rodinu vyvíjí s ohledem na provoz na zařízeních, v Ailoot se však model používá přes textové rozhraní: uživatel předává zprávy a dostává textovou odpověď.
Kde je užitečný
Model se hodí pro získávání informací z textu, otázky k předaným materiálům a zpracování dlouhých instrukcí. Například lze předat korespondenci se zákazníkem, požádat o spojení požadavků do jednoho seznamu, poté označit rozpory a připravit upřesňující dopis. Pro odpověď podle znalostní báze je vhodné přiložit nalezené úryvky a stanovit pravidlo: vycházet z nich, zachovat názvy a upozornit na chybějící potřebný fakt.
Dokumentace Liquid AI mezi pracovními směry uvádí získávání dat, RAG a scénáře s dlouhým kontextem. Vývojář samostatně omezuje oblast použití: agentní programování a úlohy vyžadující rozsáhlé faktické znalosti bez předaných zdrojů nepatří mezi doporučené úkoly této verze. Při práci s oborovými termíny je lepší do požadavku zahrnout definice a původní dokumenty.
Kontext a jazyky
V Ailoot je pro tento model uveden kontext 128 000 tokenů. Zahrnuje materiály úlohy a historii dialogu; velikost odpovědi je třeba plánovat společně s nimi. Karta vývojáře vyjmenovává 16 jazyků včetně ruštiny, angličtiny, čínštiny, němčiny a španělštiny. Model tak lze využít při vícejazyčném zpracování dokumentů a korespondence a v instrukci zachovat požadovaný jazyk a formát výsledku.
Dostupné přes Ailoot API
POST /v1/messages- Vstup
text- Výstup
text- Kontext
- V katalogu neuvedeno
- Max. odpověď
- V katalogu neuvedeno
- Vstup
- 0,0007 US$ / 1K
- Výstup
- 0,001 US$ / 1K
- Čtení z mezipaměti
- 0,00008 US$ / 1K
POST /v1/responses- Vstup
text- Výstup
text- Kontext
- V katalogu neuvedeno
- Max. odpověď
- V katalogu neuvedeno
- Vstup
- 0,0007 US$ / 1K
- Výstup
- 0,001 US$ / 1K
- Čtení z mezipaměti
- 0,00008 US$ / 1K
POST /v1/chat/completions- Vstup
text- Výstup
text- Kontext
- V katalogu neuvedeno
- Max. odpověď
- V katalogu neuvedeno
- Vstup
- 0,0007 US$ / 1K
- Výstup
- 0,001 US$ / 1K
- Čtení z mezipaměti
- 0,00008 US$ / 1K
POST /v1beta/models/liquid/lfm-2.5-2.6b:generateContent- Vstup
text- Výstup
text- Kontext
- V katalogu neuvedeno
- Max. odpověď
- V katalogu neuvedeno
- Vstup
- 0,0007 US$ / 1K
- Výstup
- 0,001 US$ / 1K
- Čtení z mezipaměti
- 0,00008 US$ / 1K
liquid/lfm-2.5-2.6b · JSON
{"about":"### Kompaktní model s agentní přípravou\n\nLFM2.5-2.6B je textový model Liquid AI vytvořený pro úlohy, kde záleží na dodržování instrukcí, zpracování dokumentů a postupném provedení několika kroků. V rodině LFM2.5 tato verze získala samostatnou přípravu pro agentní scénáře: vývojář ji učil interakci s nástroji a typickými pracovními prostředími agentů. Toto učení se týká chování modelu; konkrétní kroky v aplikaci určuje integrace.\n\nZákladem LFM2.5-2.6B je hybridní architektura LFM2 s 2,69 miliardy parametrů. Spojuje bloky krátké konvoluce a skupinové pozornosti. Liquid AI tuto rodinu vyvíjí s ohledem na provoz na zařízeních, v Ailoot se však model používá přes textové rozhraní: uživatel předává zprávy a dostává textovou odpověď.\n\n### Kde je užitečný\n\nModel se hodí pro získávání informací z textu, otázky k předaným materiálům a zpracování dlouhých instrukcí. Například lze předat korespondenci se zákazníkem, požádat o spojení požadavků do jednoho seznamu, poté označit rozpory a připravit upřesňující dopis. Pro odpověď podle znalostní báze je vhodné přiložit nalezené úryvky a stanovit pravidlo: vycházet z nich, zachovat názvy a upozornit na chybějící potřebný fakt.\n\nDokumentace Liquid AI mezi pracovními směry uvádí získávání dat, RAG a scénáře s dlouhým kontextem. Vývojář samostatně omezuje oblast použití: agentní programování a úlohy vyžadující rozsáhlé faktické znalosti bez předaných zdrojů nepatří mezi doporučené úkoly této verze. Při práci s oborovými termíny je lepší do požadavku zahrnout definice a původní dokumenty.\n\n### Kontext a jazyky\n\nV Ailoot je pro tento model uveden kontext 128 000 tokenů. Zahrnuje materiály úlohy a historii dialogu; velikost odpovědi je třeba plánovat společně s nimi. Karta vývojáře vyjmenovává 16 jazyků včetně ruštiny, angličtiny, čínštiny, němčiny a španělštiny. Model tak lze využít při vícejazyčném zpracování dokumentů a korespondence a v instrukci zachovat požadovaný jazyk a formát výsledku.","alias_of":null,"aliases":[],"author":"Liquid","canonical_model":"liquid/lfm-2.5-2.6b","ctx":null,"formats":["chat","gemini","messages","responses"],"id":"liquid/lfm-2.5-2.6b","input":["text"],"kind":"text","max_out":null,"methods":[{"cache_read":0.08,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"anthropic","fast_multiplier":1,"flex_multiplier":1,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":0.7,"input":["text"],"label":"Anthropic Messages","max_out":null,"max_tool_calls":null,"out":1.0,"output":["text"],"path":"/v1/messages","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.08,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":0.7,"input":["text"],"label":"OpenAI Responses","max_out":null,"max_tool_calls":null,"out":1.0,"output":["text"],"path":"/v1/responses","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.08,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":0.7,"input":["text"],"label":"OpenAI Chat","max_out":null,"max_tool_calls":null,"out":1.0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.08,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"gemini","fast_multiplier":1,"flex_multiplier":1,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":0.7,"input":["text"],"label":"Gemini generateContent","max_out":null,"max_tool_calls":null,"out":1.0,"output":["text"],"path":"/v1beta/models/liquid/lfm-2.5-2.6b:generateContent","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"liquid/lfm-2.5-2.6b","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra"}],"name":"LiquidAI: LFM2.5-2.6B","price":{"in":0.7,"in_label":null,"out":1.0,"out_label":null,"sort_in":0.7,"sort_out":1.0,"varies":false},"public_id":"liquid/lfm-2.5-2.6b","short":"Kompaktní textový model Liquid AI pro získávání dat, odpovědi podle dokumentů a postupné úlohy s velkým kontextem."}