Liquid AI LFM2.5-2.6B ist das nachtrainierte Textmodell in Liquids kompakter LFM2.5-Familie für gerätelokale Agenten und praktische Abläufe. Seine genaue Modellkarte nennt 2,69 Milliarden Parameter und 30 Schichten: 22 doppelt gegatete Kurzfaltungsblöcke und acht Grouped-Query-Attention-Blöcke. Das hybride Design zielt auf effiziente Textverarbeitung. Das Modell nimmt Text entgegen und liefert Text, einschließlich einer begründeten Antwort oder einer Aufforderung, eine definierte Funktion zu verwenden.
Der Hersteller empfiehlt es für agentische Arbeitslasten, Werkzeugnutzung, Datenextraktion, abrufgestützte Generierung und Langkontextabläufe. Die Trainingspipeline der Veröffentlichung verbindet überwachtes Fine-Tuning, spezialisierte Lehrermodelle, domänenübergreifende On-Policy-Destillation und Reinforcement Learning in Agentenumgebungen. Das erklärt seinen Fokus auf Aufgabenanweisungen, Werkzeugbeobachtungen und mehrstufiges Vorankommen. Geben Sie ihm die tatsächlichen Materialien und ein präzises Ziel, statt sich zum Füllen von Lücken auf breit erlerntes Wissen zu verlassen.
Definieren Sie für Extraktion Felder und Quellenregeln vor der Materialübergabe. Eine praktische Anfrage lautet: „Lesen Sie diese Servicemeldungen, extrahieren Sie für jeden Datensatz Kennung, angegebenen Status und nächste erforderliche Aktion und bewahren Sie den Satz, der jedes Feld stützt. Geben Sie null zurück, wenn ein Feld fehlt.“ Legen Sie fest, ob ein Wert exakt zu kopieren, zu normalisieren oder zu erschließen ist. Das macht die Ausgabe prüfbar und verhindert, dass eine plausible Interpretation stillschweigend tatsächlich vorhandene Quelleninformationen ersetzt.
Liefern Sie für RAG relevante Passagen mit stabilen Kennzeichnungen und verlangen Sie eine darauf gegründete Antwort. Ein Beispiel lautet: „Erklären Sie ausschließlich anhand dieser Installationsanweisungen, welche Schritte für die genannte Umgebung gelten, und listen Sie noch unbekannte Voraussetzungen auf.“ Bewahren Sie Dokumentversionen und Bedingungen beim Text. Lassen Sie fehlende oder widersprüchliche Fakten benennen, statt einen vollständigen Ablauf zu erfinden. Das passt besser zur Herstellerempfehlung für quellenbasierte Aufgaben, als das kompakte Modell als lückenlosen Speicher von Spezialwissen zu behandeln.
LFM2.5-2.6B ist ein reines Schlussfolgerungsmodell: Seine Chatvorlage beginnt die Assistentenantwort mit einer Denkmarkierung, und es denkt vor der Endantwort nach. Die Modellkarte empfiehlt für die Generierung temperature 0.1, top-k 50 und repetition penalty 1.1. Dies sind Einstellungen der Konfiguration dieses benannten Modells. Halten Sie das Endergebnis vom Denktext getrennt und lassen Sie in einer Arbeitsanfrage Platz für beide. Regler oder Direktantwortmodi anderer LFM-Anweisungseditionen dürfen für dieses Modell nicht vorausgesetzt werden.
Das Modell verwendet ein ChatML-ähnliches Gesprächsformat mit System-, Nutzer-, Assistenten- und Werkzeugrollen. Sein dokumentierter Funktionsablauf hat vier Stufen: Werkzeuge definieren, das Modell eine Funktion anfordern lassen, diese Funktion in der umgebenden Anwendung ausführen und das tatsächliche Ergebnis zurückgeben, damit das Modell antworten kann. Native Aufrufe sind Python-artige Listen innerhalb von Werkzeugaufrufmarkierungen; der Hersteller beschreibt außerdem, per Systemanweisung ein JSON-Aufrufformat anzufordern. Verwenden Sie den passenden Parser, prüfen Sie Funktionsname und Argumente anhand der gelieferten Definitionen und bewahren Sie das Ergebnis bei seinem erzeugenden Aufruf.
Stellen Sie für einen kompakten Agentenablauf nur aufgabenrelevante Funktionen mit knappen Beschreibungen und ausdrücklichen Argumenttypen bereit. Auch Werkzeugdefinitionen belegen Kontext. Eine nützliche Folge könnte den Status eines gelieferten Datensatzes abrufen, den zurückgegebenen Status mit einer Regel vergleichen und erklären, ob Nachverfolgung nötig ist. Liefern Sie die Datensatzkennung als Beleg und verlangen Sie eine an die zurückgegebene Beobachtung gebundene Endantwort. Das Modell schlägt den Vorgang vor und interpretiert ihn; die Anwendung liefert tatsächliche Ausführung und Ergebnis.
Die aktuelle Hersteller-Modellkarte nennt einen Modellkontext von 131.072 Tokens; die Veröffentlichung beschreibt eine eigene Kontexterweiterungsphase. Arbeiten Sie innerhalb des Fensters der verwendeten Konfiguration und bewahren Sie Quellgrenzen, relevanten Verlauf und Platz für die Fortsetzung. Verlangen Sie bei mehreren Dokumenten einen bestimmten Vergleich oder eine nachzuverfolgende Abhängigkeit. Der native Checkpoint sowie GGUF-, ONNX- und MLX-Artefakte dienen verschiedenen Bereitstellungsanforderungen; ein Entwurfsmodell für spekulatives Dekodieren ist ein gesondertes Begleitartefakt. Ressourcen- oder Geschwindigkeitswerte einer Konfiguration beschreiben nicht automatisch jedes Modellformat und Arbeitsfenster.
Liquid empfiehlt LFM2.5-2.6B ausdrücklich nicht für agentische Programmierung oder wissensintensive Aufgaben. Konzentrieren Sie es auf konkrete Abläufe mit gelieferten Belegen, Extraktionsregeln und Werkzeugbeobachtungen. Der vortrainierte Base-Checkpoint ist ebenfalls ein gesondertes Artefakt für Anpassungen; diese nachtrainierte Edition ist das Agentenmodell. Prüfen Sie im Endergebnis extrahierte Werte anhand der Quelle, kontrollieren Sie, ob eine zitierte Passage die Antwort stützt, und unterscheiden Sie einen angeforderten Werkzeugaufruf von einer Operation mit dokumentiertem Ausgang. Bewahren Sie ungeklärte Informationen, wenn sie die Schlussfolgerung beeinflussen, statt sie durch flüssigen Text zu verdecken.
", "aboutText": "Liquid AI LFM2.5-2.6B ist das nachtrainierte Textmodell in Liquids kompakter LFM2.5-Familie für gerätelokale Agenten und praktische Abläufe. Seine genaue Modellkarte nennt 2,69 Milliarden Parameter und 30 Schichten: 22 doppelt gegatete Kurzfaltungsblöcke und acht Grouped-Query-Attention-Blöcke. Das hybride Design zielt auf effiziente Textverarbeitung. Das Modell nimmt Text entgegen und liefert Text, einschließlich einer begründeten Antwort oder einer Aufforderung, eine definierte Funktion zu verwenden.\n\nDer Hersteller empfiehlt es für agentische Arbeitslasten, Werkzeugnutzung, Datenextraktion, abrufgestützte Generierung und Langkontextabläufe. Die Trainingspipeline der Veröffentlichung verbindet überwachtes Fine-Tuning, spezialisierte Lehrermodelle, domänenübergreifende On-Policy-Destillation und Reinforcement Learning in Agentenumgebungen. Das erklärt seinen Fokus auf Aufgabenanweisungen, Werkzeugbeobachtungen und mehrstufiges Vorankommen. Geben Sie ihm die tatsächlichen Materialien und ein präzises Ziel, statt sich zum Füllen von Lücken auf breit erlerntes Wissen zu verlassen.\n\nDefinieren Sie für Extraktion Felder und Quellenregeln vor der Materialübergabe. Eine praktische Anfrage lautet: „Lesen Sie diese Servicemeldungen, extrahieren Sie für jeden Datensatz Kennung, angegebenen Status und nächste erforderliche Aktion und bewahren Sie den Satz, der jedes Feld stützt. Geben Sie null zurück, wenn ein Feld fehlt.“ Legen Sie fest, ob ein Wert exakt zu kopieren, zu normalisieren oder zu erschließen ist. Das macht die Ausgabe prüfbar und verhindert, dass eine plausible Interpretation stillschweigend tatsächlich vorhandene Quelleninformationen ersetzt.\n\nLiefern Sie für RAG relevante Passagen mit stabilen Kennzeichnungen und verlangen Sie eine darauf gegründete Antwort. Ein Beispiel lautet: „Erklären Sie ausschließlich anhand dieser Installationsanweisungen, welche Schritte für die genannte Umgebung gelten, und listen Sie noch unbekannte Voraussetzungen auf.“ Bewahren Sie Dokumentversionen und Bedingungen beim Text. Lassen Sie fehlende oder widersprüchliche Fakten benennen, statt einen vollständigen Ablauf zu erfinden. Das passt besser zur Herstellerempfehlung für quellenbasierte Aufgaben, als das kompakte Modell als lückenlosen Speicher von Spezialwissen zu behandeln.\n\nLFM2.5-2.6B ist ein reines Schlussfolgerungsmodell: Seine Chatvorlage beginnt die Assistentenantwort mit einer Denkmarkierung, und es denkt vor der Endantwort nach. Die Modellkarte empfiehlt für die Generierung temperature 0.1, top-k 50 und repetition penalty 1.1. Dies sind Einstellungen der Konfiguration dieses benannten Modells. Halten Sie das Endergebnis vom Denktext getrennt und lassen Sie in einer Arbeitsanfrage Platz für beide. Regler oder Direktantwortmodi anderer LFM-Anweisungseditionen dürfen für dieses Modell nicht vorausgesetzt werden.\n\nDas Modell verwendet ein ChatML-ähnliches Gesprächsformat mit System-, Nutzer-, Assistenten- und Werkzeugrollen. Sein dokumentierter Funktionsablauf hat vier Stufen: Werkzeuge definieren, das Modell eine Funktion anfordern lassen, diese Funktion in der umgebenden Anwendung ausführen und das tatsächliche Ergebnis zurückgeben, damit das Modell antworten kann. Native Aufrufe sind Python-artige Listen innerhalb von Werkzeugaufrufmarkierungen; der Hersteller beschreibt außerdem, per Systemanweisung ein JSON-Aufrufformat anzufordern. Verwenden Sie den passenden Parser, prüfen Sie Funktionsname und Argumente anhand der gelieferten Definitionen und bewahren Sie das Ergebnis bei seinem erzeugenden Aufruf.\n\nStellen Sie für einen kompakten Agentenablauf nur aufgabenrelevante Funktionen mit knappen Beschreibungen und ausdrücklichen Argumenttypen bereit. Auch Werkzeugdefinitionen belegen Kontext. Eine nützliche Folge könnte den Status eines gelieferten Datensatzes abrufen, den zurückgegebenen Status mit einer Regel vergleichen und erklären, ob Nachverfolgung nötig ist. Liefern Sie die Datensatzkennung als Beleg und verlangen Sie eine an die zurückgegebene Beobachtung gebundene Endantwort. Das Modell schlägt den Vorgang vor und interpretiert ihn; die Anwendung liefert tatsächliche Ausführung und Ergebnis.\n\nDie aktuelle Hersteller-Modellkarte nennt einen Modellkontext von 131.072 Tokens; die Veröffentlichung beschreibt eine eigene Kontexterweiterungsphase. Arbeiten Sie innerhalb des Fensters der verwendeten Konfiguration und bewahren Sie Quellgrenzen, relevanten Verlauf und Platz für die Fortsetzung. Verlangen Sie bei mehreren Dokumenten einen bestimmten Vergleich oder eine nachzuverfolgende Abhängigkeit. Der native Checkpoint sowie GGUF-, ONNX- und MLX-Artefakte dienen verschiedenen Bereitstellungsanforderungen; ein Entwurfsmodell für spekulatives Dekodieren ist ein gesondertes Begleitartefakt. Ressourcen- oder Geschwindigkeitswerte einer Konfiguration beschreiben nicht automatisch jedes Modellformat und Arbeitsfenster.\n\nLiquid empfiehlt LFM2.5-2.6B ausdrücklich nicht für agentische Programmierung oder wissensintensive Aufgaben. Konzentrieren Sie es auf konkrete Abläufe mit gelieferten Belegen, Extraktionsregeln und Werkzeugbeobachtungen. Der vortrainierte Base-Checkpoint ist ebenfalls ein gesondertes Artefakt für Anpassungen; diese nachtrainierte Edition ist das Agentenmodell. Prüfen Sie im Endergebnis extrahierte Werte anhand der Quelle, kontrollieren Sie, ob eine zitierte Passage die Antwort stützt, und unterscheiden Sie einen angeforderten Werkzeugaufruf von einer Operation mit dokumentiertem Ausgang. Bewahren Sie ungeklärte Informationen, wenn sie die Schlussfolgerung beeinflussen, statt sie durch flüssigen Text zu verdecken.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "19c919f3963ae3653b82b5b2539b506e68485527008a8b014238773cc271b995", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B ist ein kompaktes Text-Schlussfolgerungsmodell für Agenten, Werkzeugnutzung, Datenextraktion und RAG. Sein hybrides Design hat 2,69 Milliarden Parameter. Es denkt vor der Antwort nach und arbeitet am besten mit konkretem Quellmaterial und klar definierten Werkzeugen. Der Hersteller rät von agentischer Programmierung und wissensintensiven Aufgaben ab.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Liquid AI LFM2.5-2.6B ist das nachtrainierte Textmodell in Liquids kompakter LFM2.5-Familie für gerätelokale Agenten und praktische Abläufe. Seine genaue Modellkarte nennt 2,69 Milliarden Parameter und 30 Schichten: 22 doppelt gegatete Kurzfaltungsblöcke und acht Grouped-Query-Attention-Blöcke. Das hybride Design zielt auf effiziente Textverarbeitung. Das Modell nimmt Text entgegen und liefert Text, einschließlich einer begründeten Antwort oder einer Aufforderung, eine definierte Funktion zu verwenden.
Der Hersteller empfiehlt es für agentische Arbeitslasten, Werkzeugnutzung, Datenextraktion, abrufgestützte Generierung und Langkontextabläufe. Die Trainingspipeline der Veröffentlichung verbindet überwachtes Fine-Tuning, spezialisierte Lehrermodelle, domänenübergreifende On-Policy-Destillation und Reinforcement Learning in Agentenumgebungen. Das erklärt seinen Fokus auf Aufgabenanweisungen, Werkzeugbeobachtungen und mehrstufiges Vorankommen. Geben Sie ihm die tatsächlichen Materialien und ein präzises Ziel, statt sich zum Füllen von Lücken auf breit erlerntes Wissen zu verlassen.
Definieren Sie für Extraktion Felder und Quellenregeln vor der Materialübergabe. Eine praktische Anfrage lautet: „Lesen Sie diese Servicemeldungen, extrahieren Sie für jeden Datensatz Kennung, angegebenen Status und nächste erforderliche Aktion und bewahren Sie den Satz, der jedes Feld stützt. Geben Sie null zurück, wenn ein Feld fehlt.“ Legen Sie fest, ob ein Wert exakt zu kopieren, zu normalisieren oder zu erschließen ist. Das macht die Ausgabe prüfbar und verhindert, dass eine plausible Interpretation stillschweigend tatsächlich vorhandene Quelleninformationen ersetzt.
Liefern Sie für RAG relevante Passagen mit stabilen Kennzeichnungen und verlangen Sie eine darauf gegründete Antwort. Ein Beispiel lautet: „Erklären Sie ausschließlich anhand dieser Installationsanweisungen, welche Schritte für die genannte Umgebung gelten, und listen Sie noch unbekannte Voraussetzungen auf.“ Bewahren Sie Dokumentversionen und Bedingungen beim Text. Lassen Sie fehlende oder widersprüchliche Fakten benennen, statt einen vollständigen Ablauf zu erfinden. Das passt besser zur Herstellerempfehlung für quellenbasierte Aufgaben, als das kompakte Modell als lückenlosen Speicher von Spezialwissen zu behandeln.
LFM2.5-2.6B ist ein reines Schlussfolgerungsmodell: Seine Chatvorlage beginnt die Assistentenantwort mit einer Denkmarkierung, und es denkt vor der Endantwort nach. Die Modellkarte empfiehlt für die Generierung temperature 0.1, top-k 50 und repetition penalty 1.1. Dies sind Einstellungen der Konfiguration dieses benannten Modells. Halten Sie das Endergebnis vom Denktext getrennt und lassen Sie in einer Arbeitsanfrage Platz für beide. Regler oder Direktantwortmodi anderer LFM-Anweisungseditionen dürfen für dieses Modell nicht vorausgesetzt werden.
Das Modell verwendet ein ChatML-ähnliches Gesprächsformat mit System-, Nutzer-, Assistenten- und Werkzeugrollen. Sein dokumentierter Funktionsablauf hat vier Stufen: Werkzeuge definieren, das Modell eine Funktion anfordern lassen, diese Funktion in der umgebenden Anwendung ausführen und das tatsächliche Ergebnis zurückgeben, damit das Modell antworten kann. Native Aufrufe sind Python-artige Listen innerhalb von Werkzeugaufrufmarkierungen; der Hersteller beschreibt außerdem, per Systemanweisung ein JSON-Aufrufformat anzufordern. Verwenden Sie den passenden Parser, prüfen Sie Funktionsname und Argumente anhand der gelieferten Definitionen und bewahren Sie das Ergebnis bei seinem erzeugenden Aufruf.
Stellen Sie für einen kompakten Agentenablauf nur aufgabenrelevante Funktionen mit knappen Beschreibungen und ausdrücklichen Argumenttypen bereit. Auch Werkzeugdefinitionen belegen Kontext. Eine nützliche Folge könnte den Status eines gelieferten Datensatzes abrufen, den zurückgegebenen Status mit einer Regel vergleichen und erklären, ob Nachverfolgung nötig ist. Liefern Sie die Datensatzkennung als Beleg und verlangen Sie eine an die zurückgegebene Beobachtung gebundene Endantwort. Das Modell schlägt den Vorgang vor und interpretiert ihn; die Anwendung liefert tatsächliche Ausführung und Ergebnis.
Die aktuelle Hersteller-Modellkarte nennt einen Modellkontext von 131.072 Tokens; die Veröffentlichung beschreibt eine eigene Kontexterweiterungsphase. Arbeiten Sie innerhalb des Fensters der verwendeten Konfiguration und bewahren Sie Quellgrenzen, relevanten Verlauf und Platz für die Fortsetzung. Verlangen Sie bei mehreren Dokumenten einen bestimmten Vergleich oder eine nachzuverfolgende Abhängigkeit. Der native Checkpoint sowie GGUF-, ONNX- und MLX-Artefakte dienen verschiedenen Bereitstellungsanforderungen; ein Entwurfsmodell für spekulatives Dekodieren ist ein gesondertes Begleitartefakt. Ressourcen- oder Geschwindigkeitswerte einer Konfiguration beschreiben nicht automatisch jedes Modellformat und Arbeitsfenster.
Liquid empfiehlt LFM2.5-2.6B ausdrücklich nicht für agentische Programmierung oder wissensintensive Aufgaben. Konzentrieren Sie es auf konkrete Abläufe mit gelieferten Belegen, Extraktionsregeln und Werkzeugbeobachtungen. Der vortrainierte Base-Checkpoint ist ebenfalls ein gesondertes Artefakt für Anpassungen; diese nachtrainierte Edition ist das Agentenmodell. Prüfen Sie im Endergebnis extrahierte Werte anhand der Quelle, kontrollieren Sie, ob eine zitierte Passage die Antwort stützt, und unterscheiden Sie einen angeforderten Werkzeugaufruf von einer Operation mit dokumentiertem Ausgang. Bewahren Sie ungeklärte Informationen, wenn sie die Schlussfolgerung beeinflussen, statt sie durch flüssigen Text zu verdecken.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits liquid/lfm-2.5-2.6b:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 8.192 | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 8.192 | Standard— |
Feldn | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 128 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldseed | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop | Typ | AnforderungOptional | Werte und Limits | Standard— |
Feldfrequency_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldpresence_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parameteroptional | Vertragstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 65536 bytes. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "liquid/lfm-2.5-2.6b:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra liquid/lfm-2.5-2.6b:free
Verwenden Sie die oben angezeigten Methodenpfade.
liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B ist ein kompaktes Text-Schlussfolgerungsmodell für Agenten, Werkzeugnutzung, Datenextraktion und RAG. Sein hybrides Design hat 2,69 Milliarden Parameter. Es denkt vor der Antwort nach und arbeitet am besten mit konkretem Quellmaterial und klar definierten Werkzeugen. Der Hersteller rät von agentischer Programmierung und wissensintensiven Aufgaben ab.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Liquid AI LFM2.5-2.6B ist das nachtrainierte Textmodell in Liquids kompakter LFM2.5-Familie für gerätelokale Agenten und praktische Abläufe. Seine genaue Modellkarte nennt 2,69 Milliarden Parameter und 30 Schichten: 22 doppelt gegatete Kurzfaltungsblöcke und acht Grouped-Query-Attention-Blöcke. Das hybride Design zielt auf effiziente Textverarbeitung. Das Modell nimmt Text entgegen und liefert Text, einschließlich einer begründeten Antwort oder einer Aufforderung, eine definierte Funktion zu verwenden.
Der Hersteller empfiehlt es für agentische Arbeitslasten, Werkzeugnutzung, Datenextraktion, abrufgestützte Generierung und Langkontextabläufe. Die Trainingspipeline der Veröffentlichung verbindet überwachtes Fine-Tuning, spezialisierte Lehrermodelle, domänenübergreifende On-Policy-Destillation und Reinforcement Learning in Agentenumgebungen. Das erklärt seinen Fokus auf Aufgabenanweisungen, Werkzeugbeobachtungen und mehrstufiges Vorankommen. Geben Sie ihm die tatsächlichen Materialien und ein präzises Ziel, statt sich zum Füllen von Lücken auf breit erlerntes Wissen zu verlassen.
Definieren Sie für Extraktion Felder und Quellenregeln vor der Materialübergabe. Eine praktische Anfrage lautet: „Lesen Sie diese Servicemeldungen, extrahieren Sie für jeden Datensatz Kennung, angegebenen Status und nächste erforderliche Aktion und bewahren Sie den Satz, der jedes Feld stützt. Geben Sie null zurück, wenn ein Feld fehlt.“ Legen Sie fest, ob ein Wert exakt zu kopieren, zu normalisieren oder zu erschließen ist. Das macht die Ausgabe prüfbar und verhindert, dass eine plausible Interpretation stillschweigend tatsächlich vorhandene Quelleninformationen ersetzt.
Liefern Sie für RAG relevante Passagen mit stabilen Kennzeichnungen und verlangen Sie eine darauf gegründete Antwort. Ein Beispiel lautet: „Erklären Sie ausschließlich anhand dieser Installationsanweisungen, welche Schritte für die genannte Umgebung gelten, und listen Sie noch unbekannte Voraussetzungen auf.“ Bewahren Sie Dokumentversionen und Bedingungen beim Text. Lassen Sie fehlende oder widersprüchliche Fakten benennen, statt einen vollständigen Ablauf zu erfinden. Das passt besser zur Herstellerempfehlung für quellenbasierte Aufgaben, als das kompakte Modell als lückenlosen Speicher von Spezialwissen zu behandeln.
LFM2.5-2.6B ist ein reines Schlussfolgerungsmodell: Seine Chatvorlage beginnt die Assistentenantwort mit einer Denkmarkierung, und es denkt vor der Endantwort nach. Die Modellkarte empfiehlt für die Generierung temperature 0.1, top-k 50 und repetition penalty 1.1. Dies sind Einstellungen der Konfiguration dieses benannten Modells. Halten Sie das Endergebnis vom Denktext getrennt und lassen Sie in einer Arbeitsanfrage Platz für beide. Regler oder Direktantwortmodi anderer LFM-Anweisungseditionen dürfen für dieses Modell nicht vorausgesetzt werden.
Das Modell verwendet ein ChatML-ähnliches Gesprächsformat mit System-, Nutzer-, Assistenten- und Werkzeugrollen. Sein dokumentierter Funktionsablauf hat vier Stufen: Werkzeuge definieren, das Modell eine Funktion anfordern lassen, diese Funktion in der umgebenden Anwendung ausführen und das tatsächliche Ergebnis zurückgeben, damit das Modell antworten kann. Native Aufrufe sind Python-artige Listen innerhalb von Werkzeugaufrufmarkierungen; der Hersteller beschreibt außerdem, per Systemanweisung ein JSON-Aufrufformat anzufordern. Verwenden Sie den passenden Parser, prüfen Sie Funktionsname und Argumente anhand der gelieferten Definitionen und bewahren Sie das Ergebnis bei seinem erzeugenden Aufruf.
Stellen Sie für einen kompakten Agentenablauf nur aufgabenrelevante Funktionen mit knappen Beschreibungen und ausdrücklichen Argumenttypen bereit. Auch Werkzeugdefinitionen belegen Kontext. Eine nützliche Folge könnte den Status eines gelieferten Datensatzes abrufen, den zurückgegebenen Status mit einer Regel vergleichen und erklären, ob Nachverfolgung nötig ist. Liefern Sie die Datensatzkennung als Beleg und verlangen Sie eine an die zurückgegebene Beobachtung gebundene Endantwort. Das Modell schlägt den Vorgang vor und interpretiert ihn; die Anwendung liefert tatsächliche Ausführung und Ergebnis.
Die aktuelle Hersteller-Modellkarte nennt einen Modellkontext von 131.072 Tokens; die Veröffentlichung beschreibt eine eigene Kontexterweiterungsphase. Arbeiten Sie innerhalb des Fensters der verwendeten Konfiguration und bewahren Sie Quellgrenzen, relevanten Verlauf und Platz für die Fortsetzung. Verlangen Sie bei mehreren Dokumenten einen bestimmten Vergleich oder eine nachzuverfolgende Abhängigkeit. Der native Checkpoint sowie GGUF-, ONNX- und MLX-Artefakte dienen verschiedenen Bereitstellungsanforderungen; ein Entwurfsmodell für spekulatives Dekodieren ist ein gesondertes Begleitartefakt. Ressourcen- oder Geschwindigkeitswerte einer Konfiguration beschreiben nicht automatisch jedes Modellformat und Arbeitsfenster.
Liquid empfiehlt LFM2.5-2.6B ausdrücklich nicht für agentische Programmierung oder wissensintensive Aufgaben. Konzentrieren Sie es auf konkrete Abläufe mit gelieferten Belegen, Extraktionsregeln und Werkzeugbeobachtungen. Der vortrainierte Base-Checkpoint ist ebenfalls ein gesondertes Artefakt für Anpassungen; diese nachtrainierte Edition ist das Agentenmodell. Prüfen Sie im Endergebnis extrahierte Werte anhand der Quelle, kontrollieren Sie, ob eine zitierte Passage die Antwort stützt, und unterscheiden Sie einen angeforderten Werkzeugaufruf von einer Operation mit dokumentiertem Ausgang. Bewahren Sie ungeklärte Informationen, wenn sie die Schlussfolgerung beeinflussen, statt sie durch flüssigen Text zu verdecken.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits liquid/lfm-2.5-2.6b:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldsystem | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Maximum: 8.192 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_k | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop_sequences | Typarray | AnforderungOptional | Werte und Limits | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional | Vertragstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 65536 bytes. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "liquid/lfm-2.5-2.6b:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra liquid/lfm-2.5-2.6b:free
Verwenden Sie die oben angezeigten Methodenpfade.