Source: https://ailoot.ai/models/da/liquid-lfm-2-5-2-6b/ Canonical: https://ailoot.ai/models/da/liquid-lfm-2-5-2-6b/ Language: da # LiquidAI: LFM2.5-2.6B [Markdown](https://ailoot.ai/models/da/liquid-lfm-2-5-2-6b/index.md) · [JSON](https://ailoot.ai/models/da/liquid-lfm-2-5-2-6b/facts.json) ## [LiquidAI: LFM2.5-2.6B](https://ailoot.ai/models/da/liquid-lfm-2-5-2-6b/) `liquid/lfm-2.5-2.6b` LiquidTekstInput 0,0007 US$ / 1KOutput 0,001 US$ / 1K Kompakt tekstmodel fra Liquid AI til dataudtræk, dokumentbaserede svar og trinvise opgaver med stor kontekst. ### En kompakt model med agenttræning LFM2.5-2.6B er en tekstmodel fra Liquid AI til opgaver, hvor instruktionsfølgning, dokumentbehandling og flere trin i rækkefølge er vigtige. I LFM2.5-familien har denne version fået særskilt træning til agentforløb: Udvikleren trænede den i samspil med værktøjer og typiske agentmiljøer. Træningen vedrører modellens adfærd; de konkrete handlinger i applikationen fastlægges af integrationen. LFM2.5-2.6B bygger på hybridarkitekturen LFM2 med 2,69 milliarder parametre. Den kombinerer blokke med kort konvolution og grupperet opmærksomhed. Liquid AI udvikler familien til brug på enheder, men i Ailoot API anvendes modellen gennem en tekstgrænseflade: Brugeren sender beskeder og får et tekstsvar. ### Hvor modellen er nyttig Modellen egner sig til at udtrække oplysninger fra tekst, besvare spørgsmål til angivet materiale og behandle lange instruktioner. Du kan eksempelvis sende kundekorrespondance, bede om at samle kravene i én liste, derefter identificere modstrid og udarbejde et brev med opklarende spørgsmål. Til svar fra en vidensbase er det nyttigt at vedlægge de fundne tekstudsnit og fastsætte reglen om at holde sig til dem, bevare betegnelser og markere manglende fakta. Liquid AI's dokumentation angiver dataudtræk, RAG og forløb med lang kontekst som arbejdsområder. Udvikleren afgrænser også anvendelsen: Agentbaseret programmering og opgaver, som kræver omfattende faktuel viden uden angivne kilder, hører ikke til de anbefalede opgaver for denne version. Ved arbejde med fagudtryk er det bedre at medtage definitioner og kildedokumenter i forespørgslen. ### Kontekst og sprog For modellen i Ailoot API angives en kontekst på 128 000 tokens. Opgavens materiale og samtalehistorikken indgår; svarstørrelsen bør planlægges sammen med dem. Udviklerens modelkort oplister 16 sprog, herunder russisk, engelsk, kinesisk, tysk og spansk. Det gør modellen anvendelig til flersproget dokument- og korrespondancebehandling, med det ønskede sprog og resultatformat angivet i instruktionen. ### Tilgængeligt via Ailoot API Inputtyper `text` Outputtyper `text` Kontekst Ikke angivet i kataloget Maks. svar Ikke angivet i kataloget Input 0,0007 US$ */ 1K* Output 0,001 US$ */ 1K* Cachelæsning 0,00008 US$ */ 1K* Inputtyper `text` Outputtyper `text` Kontekst Ikke angivet i kataloget Maks. svar Ikke angivet i kataloget Input 0,0007 US$ */ 1K* Output 0,001 US$ */ 1K* Cachelæsning 0,00008 US$ */ 1K* Inputtyper `text` Outputtyper `text` Kontekst Ikke angivet i kataloget Maks. svar Ikke angivet i kataloget Input 0,0007 US$ */ 1K* Output 0,001 US$ */ 1K* Cachelæsning 0,00008 US$ */ 1K* Inputtyper `text` Outputtyper `text` Kontekst Ikke angivet i kataloget Maks. svar Ikke angivet i kataloget Input 0,0007 US$ */ 1K* Output 0,001 US$ */ 1K* Cachelæsning 0,00008 US$ */ 1K* `liquid/lfm-2.5-2.6b` · JSON ``` {"about":"### En kompakt model med agenttræning\n\nLFM2.5-2.6B er en tekstmodel fra Liquid AI til opgaver, hvor instruktionsfølgning, dokumentbehandling og flere trin i rækkefølge er vigtige. I LFM2.5-familien har denne version fået særskilt træning til agentforløb: Udvikleren trænede den i samspil med værktøjer og typiske agentmiljøer. Træningen vedrører modellens adfærd; de konkrete handlinger i applikationen fastlægges af integrationen.\n\nLFM2.5-2.6B bygger på hybridarkitekturen LFM2 med 2,69 milliarder parametre. Den kombinerer blokke med kort konvolution og grupperet opmærksomhed. Liquid AI udvikler familien til brug på enheder, men i Ailoot API anvendes modellen gennem en tekstgrænseflade: Brugeren sender beskeder og får et tekstsvar.\n\n### Hvor modellen er nyttig\n\nModellen egner sig til at udtrække oplysninger fra tekst, besvare spørgsmål til angivet materiale og behandle lange instruktioner. Du kan eksempelvis sende kundekorrespondance, bede om at samle kravene i én liste, derefter identificere modstrid og udarbejde et brev med opklarende spørgsmål. Til svar fra en vidensbase er det nyttigt at vedlægge de fundne tekstudsnit og fastsætte reglen om at holde sig til dem, bevare betegnelser og markere manglende fakta.\n\nLiquid AI's dokumentation angiver dataudtræk, RAG og forløb med lang kontekst som arbejdsområder. Udvikleren afgrænser også anvendelsen: Agentbaseret programmering og opgaver, som kræver omfattende faktuel viden uden angivne kilder, hører ikke til de anbefalede opgaver for denne version. Ved arbejde med fagudtryk er det bedre at medtage definitioner og kildedokumenter i forespørgslen.\n\n### Kontekst og sprog\n\nFor modellen i Ailoot API angives en kontekst på 128 000 tokens. Opgavens materiale og samtalehistorikken indgår; svarstørrelsen bør planlægges sammen med dem. Udviklerens modelkort oplister 16 sprog, herunder russisk, engelsk, kinesisk, tysk og spansk. Det gør modellen anvendelig til flersproget dokument- og korrespondancebehandling, med det ønskede sprog og resultatformat angivet i instruktionen.","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":"Kompakt tekstmodel fra Liquid AI til dataudtræk, dokumentbaserede svar og trinvise opgaver med stor kontekst."} ``` ## Spørgsmål Hvordan vælger jeg en model til min opgave? Fastlæg først det nødvendige input og output: tekst, billede, lyd eller video. Sammenlign derefter kompatible API-metoder, det præcise model-ID eller den model, aliaset aktuelt peger på, pris og afregningsenhed. GET /v1/models er gratis og viser de modeller, din nøgle har adgang til. Understøtter hver model alle API-metoder og medietyper? Brug de API-metoder og input- og outputtyper, der står på modelkortet. Understøttelse af tekst, billeder, lyd eller video afhænger af den valgte model og metode; se det tilhørende eksempel på en forespørgsel, før du sender dine data. Hvad er forskellen på et model-ID og et alias? Et præcist model-ID angiver en bestemt model. Et alias peger på en model, og det kan ændre sig, hvilken model det peger på. Kontrollér den aktuelle målmodel for aliaset i kataloget; brug det præcise ID, når din integration kræver en bestemt model. Hvordan sammenligner jeg priser, før jeg sender en forespørgsel? Se prisen og afregningsenheden for den valgte API-metode på modelkortet. Sammenlign samme enhed og samme type input og output; forespørgselshistorikken viser det faktiske forbrug og det opkrævede beløb. Hvad giver abonnementet? Rabat på tokenkøb til regelmæssigt arbejde. Vælg abonnement efter anmodningsmængden. Vilkår og pris vises ved bestilling. Hvordan bruger jeg en rabatkode på op til 50%? Indtast rabatkoden ved tokenkøbet. Totalen genberegnes efter kampagnevilkårene, og rabatten vises før betaling. ## Ailoot · Virksomheden og dens projektportefølje Ailoot bygger på solid driftserfaring, en stor kundebase, stabil service og løbende kontrol af KPI. Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder. Ailoot bruger denne driftserfaring til API-adgang til AI-funktioner i kundernes produkter, agenter, applikationer og automatiseringer.