LFM2.5-24B-A2B er en LiquidAI-mixture-of-experts-model til tekstbaseret ræsonnering og agenter, som bruger værktøjer. Den har i alt 24 milliarder parametre med 2,45 milliarder aktive for en token. Ræsonnering er en del af hvert svar, så opgaven bør definere målet, de belæg, der skal bruges, og det resultat, applikationen har brug for.
Modellen passer til forløb, hvor en sprogmodel vælger næste trin, læser den resulterende observation og derefter fortsætter mod et slutprodukt. Angiv målet i termer, applikationen kan kontrollere: find den relevante post, sammenlign to konfigurationer, forbered et ændringsforslag eller producér en struktureret vurdering.
Giv værktøjer tydelige formål, og bevar deres returnerede observationer i opgavekonteksten. Modellen offentliggør støtte til værktøjskald, herunder valg af et værktøj, når grænsefladen tilbyder den kapacitet. Udførelse tilhører den applikation, der styrer værktøjerne. Hold en returneret observation særskilt fra en instruktion skrevet af modellen, især når et senere trin afhænger af resultatet af en søgning eller et opslag.
Udgiveren anbefaler hentning eller websøgning til opgaver, der afhænger af detaljeret ekstern viden. Byg belægstrinnet ind i forløbet frem for at bede modellen opfinde fakta, den ikke har modtaget. Identificér de hentede passager, og bed svaret forbinde sine konklusioner med dem.
Til et supportforløb kan det betyde at finde den relevante politik og forklare, hvordan den gælder for det angivne tilfælde. Til en teknisk opgave kan det betyde at sammenligne dokumentationen og konfigurationen, før en ændring foreslås. Bevar det vigtige hentede indhold i konteksten, så det endelige svar kan kontrolleres uden at gentage hvert opslag.
Den offentliggjorte model understøtter skemastyrede strukturerede output. Definér en lille resultatform omkring det, applikationen bruger, såsom en valgt kategori, en forklaring, belægshenvisninger og næste handling. Adskil modellens ræsonneringsproces fra de felter, næste komponent skal gemme eller vise.
LiquidAI angiver temperature 0.1, top_k 50 og repetition_penalty 1.05 som offentliggjorte samplinganbefalinger, og det gemte katalog gentager disse standarder. De giver et reproducerbart udgangspunkt for vurdering af et bestemt forløb. Hold de valgte indstillinger konsekvente, når repræsentative opgaver sammenlignes.
Den offentliggjorte tjenestepost angiver et kontekstvindue på 128.000 tokens og en completion-grænse på 8.192 tokens. Forbered en kort svarspecifikation, så slutproduktet passer inden for denne outputramme. Hold relevante belæg samlet, og giv nok outputplads til det ønskede produkt.
Producenten angiver et flersproget sæt, som omfatter engelsk, russisk, kinesisk, spansk, arabisk og andre sprog. Bevar kildeterminologi og navne, der skal forblive uændrede, når modellen bruges i flersproget arbejde. En opgave med fast ordforråd har gavn af en eksplicit ordliste og samme outputkonventioner på tværs af sprog.
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B er LiquidAIs tekstræsonneringsmodel til værktøjsstyrede agenter med i alt 24 milliarder og 2,45 milliarder aktive parametre. Den ræsonnerer før svaret, understøtter værktøjskald og skemastyret output og er offentliggjort med en kontekst på 128.000 tokens og en completion-grænse på 8.192 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
LFM2.5-24B-A2B er en LiquidAI-mixture-of-experts-model til tekstbaseret ræsonnering og agenter, som bruger værktøjer. Den har i alt 24 milliarder parametre med 2,45 milliarder aktive for en token. Ræsonnering er en del af hvert svar, så opgaven bør definere målet, de belæg, der skal bruges, og det resultat, applikationen har brug for.
Modellen passer til forløb, hvor en sprogmodel vælger næste trin, læser den resulterende observation og derefter fortsætter mod et slutprodukt. Angiv målet i termer, applikationen kan kontrollere: find den relevante post, sammenlign to konfigurationer, forbered et ændringsforslag eller producér en struktureret vurdering.
Giv værktøjer tydelige formål, og bevar deres returnerede observationer i opgavekonteksten. Modellen offentliggør støtte til værktøjskald, herunder valg af et værktøj, når grænsefladen tilbyder den kapacitet. Udførelse tilhører den applikation, der styrer værktøjerne. Hold en returneret observation særskilt fra en instruktion skrevet af modellen, især når et senere trin afhænger af resultatet af en søgning eller et opslag.
Udgiveren anbefaler hentning eller websøgning til opgaver, der afhænger af detaljeret ekstern viden. Byg belægstrinnet ind i forløbet frem for at bede modellen opfinde fakta, den ikke har modtaget. Identificér de hentede passager, og bed svaret forbinde sine konklusioner med dem.
Til et supportforløb kan det betyde at finde den relevante politik og forklare, hvordan den gælder for det angivne tilfælde. Til en teknisk opgave kan det betyde at sammenligne dokumentationen og konfigurationen, før en ændring foreslås. Bevar det vigtige hentede indhold i konteksten, så det endelige svar kan kontrolleres uden at gentage hvert opslag.
Den offentliggjorte model understøtter skemastyrede strukturerede output. Definér en lille resultatform omkring det, applikationen bruger, såsom en valgt kategori, en forklaring, belægshenvisninger og næste handling. Adskil modellens ræsonneringsproces fra de felter, næste komponent skal gemme eller vise.
LiquidAI angiver temperature 0.1, top_k 50 og repetition_penalty 1.05 som offentliggjorte samplinganbefalinger, og det gemte katalog gentager disse standarder. De giver et reproducerbart udgangspunkt for vurdering af et bestemt forløb. Hold de valgte indstillinger konsekvente, når repræsentative opgaver sammenlignes.
Den offentliggjorte tjenestepost angiver et kontekstvindue på 128.000 tokens og en completion-grænse på 8.192 tokens. Forbered en kort svarspecifikation, så slutproduktet passer inden for denne outputramme. Hold relevante belæg samlet, og giv nok outputplads til det ønskede produkt.
Producenten angiver et flersproget sæt, som omfatter engelsk, russisk, kinesisk, spansk, arabisk og andre sprog. Bevar kildeterminologi og navne, der skal forblive uændrede, når modellen bruges i flersproget arbejde. En opgave med fast ordforråd har gavn af en eksplicit ordliste og samme outputkonventioner på tværs af sprog.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser liquid/lfm-2.5-24b-a2b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0001 / 1K tokens Output · Outputtokens $0.0014 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0001 / 1K tokens Output · Outputtokens $0.0014 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"liquid/lfm-2.5-24b-a2b","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="liquid/lfm-2.5-24b-a2b", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B er LiquidAIs tekstræsonneringsmodel til værktøjsstyrede agenter med i alt 24 milliarder og 2,45 milliarder aktive parametre. Den ræsonnerer før svaret, understøtter værktøjskald og skemastyret output og er offentliggjort med en kontekst på 128.000 tokens og en completion-grænse på 8.192 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
LFM2.5-24B-A2B er en LiquidAI-mixture-of-experts-model til tekstbaseret ræsonnering og agenter, som bruger værktøjer. Den har i alt 24 milliarder parametre med 2,45 milliarder aktive for en token. Ræsonnering er en del af hvert svar, så opgaven bør definere målet, de belæg, der skal bruges, og det resultat, applikationen har brug for.
Modellen passer til forløb, hvor en sprogmodel vælger næste trin, læser den resulterende observation og derefter fortsætter mod et slutprodukt. Angiv målet i termer, applikationen kan kontrollere: find den relevante post, sammenlign to konfigurationer, forbered et ændringsforslag eller producér en struktureret vurdering.
Giv værktøjer tydelige formål, og bevar deres returnerede observationer i opgavekonteksten. Modellen offentliggør støtte til værktøjskald, herunder valg af et værktøj, når grænsefladen tilbyder den kapacitet. Udførelse tilhører den applikation, der styrer værktøjerne. Hold en returneret observation særskilt fra en instruktion skrevet af modellen, især når et senere trin afhænger af resultatet af en søgning eller et opslag.
Udgiveren anbefaler hentning eller websøgning til opgaver, der afhænger af detaljeret ekstern viden. Byg belægstrinnet ind i forløbet frem for at bede modellen opfinde fakta, den ikke har modtaget. Identificér de hentede passager, og bed svaret forbinde sine konklusioner med dem.
Til et supportforløb kan det betyde at finde den relevante politik og forklare, hvordan den gælder for det angivne tilfælde. Til en teknisk opgave kan det betyde at sammenligne dokumentationen og konfigurationen, før en ændring foreslås. Bevar det vigtige hentede indhold i konteksten, så det endelige svar kan kontrolleres uden at gentage hvert opslag.
Den offentliggjorte model understøtter skemastyrede strukturerede output. Definér en lille resultatform omkring det, applikationen bruger, såsom en valgt kategori, en forklaring, belægshenvisninger og næste handling. Adskil modellens ræsonneringsproces fra de felter, næste komponent skal gemme eller vise.
LiquidAI angiver temperature 0.1, top_k 50 og repetition_penalty 1.05 som offentliggjorte samplinganbefalinger, og det gemte katalog gentager disse standarder. De giver et reproducerbart udgangspunkt for vurdering af et bestemt forløb. Hold de valgte indstillinger konsekvente, når repræsentative opgaver sammenlignes.
Den offentliggjorte tjenestepost angiver et kontekstvindue på 128.000 tokens og en completion-grænse på 8.192 tokens. Forbered en kort svarspecifikation, så slutproduktet passer inden for denne outputramme. Hold relevante belæg samlet, og giv nok outputplads til det ønskede produkt.
Producenten angiver et flersproget sæt, som omfatter engelsk, russisk, kinesisk, spansk, arabisk og andre sprog. Bevar kildeterminologi og navne, der skal forblive uændrede, når modellen bruges i flersproget arbejde. En opgave med fast ordforråd har gavn af en eksplicit ordliste og samme outputkonventioner på tværs af sprog.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser liquid/lfm-2.5-24b-a2b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0001 / 1K tokens Output · Outputtokens $0.0014 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0001 / 1K tokens Output · Outputtokens $0.0014 / 1K tokens Input · Cachelæsning $0.00005 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "liquid/lfm-2.5-24b-a2b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions