LiquidAI: LFM2.5-2.6B

{"about":"### Kompaktes Modell mit Training für agentische Aufgaben\n\nLFM2.5-2.6B ist ein Textmodell von Liquid AI für Aufgaben, bei denen das Befolgen von Anweisungen, die Dokumentenverarbeitung und mehrere aufeinanderfolgende Schritte wichtig sind. Innerhalb der Familie LFM2.5 erhielt diese Version ein gesondertes Training für agentische Anwendungsfälle: Der Entwickler trainierte sie mit Werkzeuginteraktionen und typischen Arbeitsumgebungen von Agenten. Dieses Training betrifft das Modellverhalten; die konkreten Aktionen in einer Anwendung legt deren Integration fest.\n\nLFM2.5-2.6B basiert auf der hybriden LFM2-Architektur mit 2,69 Milliarden Parametern. Sie kombiniert Blöcke mit kurzen Faltungen und gruppierter Aufmerksamkeit. Liquid AI entwickelt diese Familie für den Einsatz auf Geräten. In Ailoot wird das Modell jedoch über eine Textschnittstelle genutzt: Der Nutzer übergibt Nachrichten und erhält eine Textantwort.\n\n### Wo das Modell hilfreich ist\n\nDas Modell eignet sich zur Extraktion von Informationen aus Texten, für Fragen zu bereitgestellten Materialien und zur Verarbeitung langer Anweisungen. Beispielsweise können Sie die Korrespondenz mit einem Auftraggeber übergeben, die Anforderungen in einer gemeinsamen Liste sammeln, anschliessend Widersprüche herausarbeiten und eine Rückfrage formulieren lassen. Für Antworten anhand einer Wissensdatenbank empfiehlt es sich, die gefundenen Abschnitte beizufügen und eine Regel vorzugeben: auf diese stützen, Bezeichnungen beibehalten und fehlende Fakten kennzeichnen.\n\nDie Dokumentation von Liquid AI nennt Datenextraktion, RAG und Anwendungsfälle mit langem Kontext als Einsatzbereiche. Der Entwickler grenzt die Anwendung ausdrücklich ein: Agentisches Programmieren und Aufgaben, die umfangreiches Faktenwissen ohne bereitgestellte Quellen erfordern, gehören nicht zu den empfohlenen Aufgaben dieser Version. Bei Fachbegriffen sollten Sie Definitionen und Ausgangsdokumente in die Anfrage aufnehmen.\n\n### Kontext und Sprachen\n\nIn Ailoot ist für dieses Modell ein Kontext von 128 000 Token angegeben. Er umfasst das Aufgabenmaterial und den Gesprächsverlauf; die Antwortlänge muss gemeinsam damit geplant werden. Die Modellkarte des Entwicklers nennt 16 Sprachen, darunter Russisch, Englisch, Chinesisch, Deutsch und Spanisch. So lässt sich das Modell für die mehrsprachige Verarbeitung von Dokumenten und Korrespondenz einsetzen, wobei die gewünschte Sprache und das Ergebnisformat in der Anweisung festgehalten werden sollten.","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":"Kompaktes Textmodell von Liquid AI für Datenextraktion, Antworten anhand von Dokumenten und mehrstufige Aufgaben mit grossem Kontext."}