LFM2.5-24B-A2B ist ein LiquidAI-Mixture-of-Experts-Modell für textbasiertes Reasoning und werkzeugnutzende Agenten. Es hat insgesamt 24 Milliarden Parameter, von denen 2,45 Milliarden für ein Token aktiv sind. Reasoning ist Teil jeder Antwort, daher sollte die Aufgabe das Ziel, die zu verwendenden Belege und das von der Anwendung benötigte Ergebnis definieren.
Das Modell eignet sich für Abläufe, in denen ein Sprachmodell einen nächsten Schritt auswählt, die daraus entstehende Beobachtung liest und anschliessend auf ein Ergebnis hinarbeitet. Formulieren Sie das Ziel so, dass die Anwendung es prüfen kann: den relevanten Datensatz finden, zwei Konfigurationen vergleichen, einen Änderungsvorschlag vorbereiten oder eine strukturierte Beurteilung erstellen.
Stellen Sie Werkzeuge mit klaren Zwecken bereit und erhalten Sie deren zurückgegebene Beobachtungen im Aufgabenkontext. Das Modell veröffentlicht Unterstützung für Werkzeugaufrufe, einschliesslich der Auswahl eines Werkzeugs, wenn die Schnittstelle diese Fähigkeit bereitstellt. Die Ausführung gehört zur Anwendung, die diese Werkzeuge steuert. Halten Sie eine zurückgegebene Beobachtung von einer vom Modell geschriebenen Anweisung getrennt, insbesondere wenn ein späterer Schritt vom Ergebnis einer Suche oder eines Abrufs abhängt.
Der Herausgeber empfiehlt Quellenabruf oder Websuche für Aufgaben, die detailliertes externes Wissen benötigen. Bauen Sie den Belegschritt in den Ablauf ein, statt das Modell um erfundene Fakten zu bitten, die es nicht erhalten hat. Kennzeichnen Sie die abgerufenen Passagen und bitten Sie darum, dass die Antwort ihre Schlussfolgerungen mit diesen Passagen verbindet.
In einem Supportablauf kann das bedeuten, die relevante Richtlinie zu finden und ihre Anwendung auf den gegebenen Fall zu erklären. Bei einer technischen Aufgabe kann es bedeuten, Dokumentation und Konfiguration vor einem Änderungsvorschlag zu vergleichen. Halten Sie wichtige abgerufene Inhalte im Kontext, damit die endgültige Antwort ohne Wiederholung jedes Abrufs geprüft werden kann.
Das veröffentlichte Modell unterstützt schemagesteuerte strukturierte Ausgaben. Definieren Sie eine kleine Ergebnisstruktur anhand dessen, was die Anwendung verarbeitet, etwa eine gewählte Kategorie, eine Erklärung, Belegreferenzen und eine nächste Aktion. Trennen Sie den Reasoning-Prozess des Modells von den Feldern, die die nächste Komponente speichern oder anzeigen muss.
LiquidAI nennt temperature 0,1, top_k 50 und repetition_penalty 1,05 als veröffentlichte Sampling-Empfehlungen, und der gespeicherte Katalog wiederholt diese Standardwerte. Sie bieten einen wiederholbaren Ausgangspunkt zur Bewertung eines bestimmten Ablaufs. Halten Sie die gewählten Einstellungen beim Vergleich repräsentativer Aufgaben konsistent.
Der veröffentlichte Serviceeintrag nennt ein Kontextfenster von 128’000 Token und eine Completion-Grenze von 8’192 Token. Bereiten Sie eine knappe Antwortspezifikation vor, damit das Endergebnis in diese Ausgabekapazität passt. Halten Sie relevante Belege zusammen und lassen Sie genügend Ausgaberaum für das angeforderte Material.
Der Hersteller nennt eine mehrsprachige Auswahl einschliesslich Englisch, Russisch, Chinesisch, Spanisch, Arabisch und weiterer Sprachen. Erhalten Sie bei mehrsprachiger Arbeit mit dem Modell die Quellterminologie und geschützte Namen. Eine Aufgabe mit festem Vokabular profitiert von einem ausdrücklichen Glossar und denselben Ausgabekonventionen über alle Sprachen hinweg.
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B ist LiquidAIs Text-Reasoning-Modell für werkzeuggestützte Agenten mit 24B Parametern insgesamt und 2,45B aktiven. Es denkt vor der Antwort nach, unterstützt Werkzeugaufrufe und schemagesteuerte Ausgabe und ist mit 128’000 Token Kontext sowie 8’192 Token Completion-Grenze veröffentlicht.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
LFM2.5-24B-A2B ist ein LiquidAI-Mixture-of-Experts-Modell für textbasiertes Reasoning und werkzeugnutzende Agenten. Es hat insgesamt 24 Milliarden Parameter, von denen 2,45 Milliarden für ein Token aktiv sind. Reasoning ist Teil jeder Antwort, daher sollte die Aufgabe das Ziel, die zu verwendenden Belege und das von der Anwendung benötigte Ergebnis definieren.
Das Modell eignet sich für Abläufe, in denen ein Sprachmodell einen nächsten Schritt auswählt, die daraus entstehende Beobachtung liest und anschliessend auf ein Ergebnis hinarbeitet. Formulieren Sie das Ziel so, dass die Anwendung es prüfen kann: den relevanten Datensatz finden, zwei Konfigurationen vergleichen, einen Änderungsvorschlag vorbereiten oder eine strukturierte Beurteilung erstellen.
Stellen Sie Werkzeuge mit klaren Zwecken bereit und erhalten Sie deren zurückgegebene Beobachtungen im Aufgabenkontext. Das Modell veröffentlicht Unterstützung für Werkzeugaufrufe, einschliesslich der Auswahl eines Werkzeugs, wenn die Schnittstelle diese Fähigkeit bereitstellt. Die Ausführung gehört zur Anwendung, die diese Werkzeuge steuert. Halten Sie eine zurückgegebene Beobachtung von einer vom Modell geschriebenen Anweisung getrennt, insbesondere wenn ein späterer Schritt vom Ergebnis einer Suche oder eines Abrufs abhängt.
Der Herausgeber empfiehlt Quellenabruf oder Websuche für Aufgaben, die detailliertes externes Wissen benötigen. Bauen Sie den Belegschritt in den Ablauf ein, statt das Modell um erfundene Fakten zu bitten, die es nicht erhalten hat. Kennzeichnen Sie die abgerufenen Passagen und bitten Sie darum, dass die Antwort ihre Schlussfolgerungen mit diesen Passagen verbindet.
In einem Supportablauf kann das bedeuten, die relevante Richtlinie zu finden und ihre Anwendung auf den gegebenen Fall zu erklären. Bei einer technischen Aufgabe kann es bedeuten, Dokumentation und Konfiguration vor einem Änderungsvorschlag zu vergleichen. Halten Sie wichtige abgerufene Inhalte im Kontext, damit die endgültige Antwort ohne Wiederholung jedes Abrufs geprüft werden kann.
Das veröffentlichte Modell unterstützt schemagesteuerte strukturierte Ausgaben. Definieren Sie eine kleine Ergebnisstruktur anhand dessen, was die Anwendung verarbeitet, etwa eine gewählte Kategorie, eine Erklärung, Belegreferenzen und eine nächste Aktion. Trennen Sie den Reasoning-Prozess des Modells von den Feldern, die die nächste Komponente speichern oder anzeigen muss.
LiquidAI nennt temperature 0,1, top_k 50 und repetition_penalty 1,05 als veröffentlichte Sampling-Empfehlungen, und der gespeicherte Katalog wiederholt diese Standardwerte. Sie bieten einen wiederholbaren Ausgangspunkt zur Bewertung eines bestimmten Ablaufs. Halten Sie die gewählten Einstellungen beim Vergleich repräsentativer Aufgaben konsistent.
Der veröffentlichte Serviceeintrag nennt ein Kontextfenster von 128’000 Token und eine Completion-Grenze von 8’192 Token. Bereiten Sie eine knappe Antwortspezifikation vor, damit das Endergebnis in diese Ausgabekapazität passt. Halten Sie relevante Belege zusammen und lassen Sie genügend Ausgaberaum für das angeforderte Material.
Der Hersteller nennt eine mehrsprachige Auswahl einschliesslich Englisch, Russisch, Chinesisch, Spanisch, Arabisch und weiterer Sprachen. Erhalten Sie bei mehrsprachiger Arbeit mit dem Modell die Quellterminologie und geschützte Namen. Eine Aufgabe mit festem Vokabular profitiert von einem ausdrücklichen Glossar und denselben Ausgabekonventionen über alle Sprachen hinweg.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits liquid/lfm-2.5-24b-a2b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmässig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0014 / 1K Tokens Eingabe · Cache lesen $0.00005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0014 / 1K Tokens Eingabe · Cache lesen $0.00005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B ist LiquidAIs Text-Reasoning-Modell für werkzeuggestützte Agenten mit 24B Parametern insgesamt und 2,45B aktiven. Es denkt vor der Antwort nach, unterstützt Werkzeugaufrufe und schemagesteuerte Ausgabe und ist mit 128’000 Token Kontext sowie 8’192 Token Completion-Grenze veröffentlicht.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
LFM2.5-24B-A2B ist ein LiquidAI-Mixture-of-Experts-Modell für textbasiertes Reasoning und werkzeugnutzende Agenten. Es hat insgesamt 24 Milliarden Parameter, von denen 2,45 Milliarden für ein Token aktiv sind. Reasoning ist Teil jeder Antwort, daher sollte die Aufgabe das Ziel, die zu verwendenden Belege und das von der Anwendung benötigte Ergebnis definieren.
Das Modell eignet sich für Abläufe, in denen ein Sprachmodell einen nächsten Schritt auswählt, die daraus entstehende Beobachtung liest und anschliessend auf ein Ergebnis hinarbeitet. Formulieren Sie das Ziel so, dass die Anwendung es prüfen kann: den relevanten Datensatz finden, zwei Konfigurationen vergleichen, einen Änderungsvorschlag vorbereiten oder eine strukturierte Beurteilung erstellen.
Stellen Sie Werkzeuge mit klaren Zwecken bereit und erhalten Sie deren zurückgegebene Beobachtungen im Aufgabenkontext. Das Modell veröffentlicht Unterstützung für Werkzeugaufrufe, einschliesslich der Auswahl eines Werkzeugs, wenn die Schnittstelle diese Fähigkeit bereitstellt. Die Ausführung gehört zur Anwendung, die diese Werkzeuge steuert. Halten Sie eine zurückgegebene Beobachtung von einer vom Modell geschriebenen Anweisung getrennt, insbesondere wenn ein späterer Schritt vom Ergebnis einer Suche oder eines Abrufs abhängt.
Der Herausgeber empfiehlt Quellenabruf oder Websuche für Aufgaben, die detailliertes externes Wissen benötigen. Bauen Sie den Belegschritt in den Ablauf ein, statt das Modell um erfundene Fakten zu bitten, die es nicht erhalten hat. Kennzeichnen Sie die abgerufenen Passagen und bitten Sie darum, dass die Antwort ihre Schlussfolgerungen mit diesen Passagen verbindet.
In einem Supportablauf kann das bedeuten, die relevante Richtlinie zu finden und ihre Anwendung auf den gegebenen Fall zu erklären. Bei einer technischen Aufgabe kann es bedeuten, Dokumentation und Konfiguration vor einem Änderungsvorschlag zu vergleichen. Halten Sie wichtige abgerufene Inhalte im Kontext, damit die endgültige Antwort ohne Wiederholung jedes Abrufs geprüft werden kann.
Das veröffentlichte Modell unterstützt schemagesteuerte strukturierte Ausgaben. Definieren Sie eine kleine Ergebnisstruktur anhand dessen, was die Anwendung verarbeitet, etwa eine gewählte Kategorie, eine Erklärung, Belegreferenzen und eine nächste Aktion. Trennen Sie den Reasoning-Prozess des Modells von den Feldern, die die nächste Komponente speichern oder anzeigen muss.
LiquidAI nennt temperature 0,1, top_k 50 und repetition_penalty 1,05 als veröffentlichte Sampling-Empfehlungen, und der gespeicherte Katalog wiederholt diese Standardwerte. Sie bieten einen wiederholbaren Ausgangspunkt zur Bewertung eines bestimmten Ablaufs. Halten Sie die gewählten Einstellungen beim Vergleich repräsentativer Aufgaben konsistent.
Der veröffentlichte Serviceeintrag nennt ein Kontextfenster von 128’000 Token und eine Completion-Grenze von 8’192 Token. Bereiten Sie eine knappe Antwortspezifikation vor, damit das Endergebnis in diese Ausgabekapazität passt. Halten Sie relevante Belege zusammen und lassen Sie genügend Ausgaberaum für das angeforderte Material.
Der Hersteller nennt eine mehrsprachige Auswahl einschliesslich Englisch, Russisch, Chinesisch, Spanisch, Arabisch und weiterer Sprachen. Erhalten Sie bei mehrsprachiger Arbeit mit dem Modell die Quellterminologie und geschützte Namen. Eine Aufgabe mit festem Vokabular profitiert von einem ausdrücklichen Glossar und denselben Ausgabekonventionen über alle Sprachen hinweg.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits liquid/lfm-2.5-24b-a2b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0014 / 1K Tokens Eingabe · Cache lesen $0.00005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0014 / 1K Tokens Eingabe · Cache lesen $0.00005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "liquid/lfm-2.5-24b-a2b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions