Modelle

LiquidAI: LFM2.5-24B-A2B

Markdown · JSON

LiquidAI: LFM2.5-24B-A2B

LFM2.5-24B-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.

Über das Modell

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.

Geben Sie einem Agenten ein begrenztes Ziel

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.

Quellenabruf für wissensintensive Arbeit

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.

Strukturierte Antworten und Sampling-Auswahl

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 Temperatur 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.

Kapazität und Sprache

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.

Fähigkeiten

  • Reines Text-Reasoning mit Mixture-of-Experts-Architektur: 24B Parameter insgesamt, 2,45B aktive.
  • Verpflichtendes Reasoning vor der endgültigen Antwort.
  • Veröffentlichte Werkzeugfähigkeiten, Werkzeugauswahl und strukturierte Ausgabe nach JSON-Schema.
  • Abruforientierte Abläufe für wissensabhängige Aufgaben.
  • Veröffentlicht sind 128.000 Token Kontext und eine Completion-Grenze von 8.192 Token.

Anwendungsfälle

  • Retrieval-gestützter Assistent — Eine Frage, abgerufene Passagen und eine geforderte Antwortgestaltung. Ergebnis: Eine belegbezogene Antwort, die anhand der Passagen geprüft werden kann.
  • Werkzeuggestützte Triage — Ein begrenzter Fall und kontrollierte Abrufwerkzeuge. Ergebnis: Eine strukturierte Beurteilung und eine vorgeschlagene nächste Aktion.
  • Konfigurationsvergleich — Relevante Konfiguration, Dokumentation und Vergleichskriterien. Ergebnis: Ein gekennzeichneter Satz von Unterschieden mit stützenden Belegen.
  • Mehrsprachige strukturierte Analyse — Quelltext, ein Glossar und konsistente Ergebnisfelder. Ergebnis: Vergleichbare Datensätze, die geschützte Terminologie erhalten.

Grenzen

  • Kontext — Veröffentlichtes Service-Kontextfenster: 128.000 Token.
  • Antwort — Veröffentlichte Completion-Grenze: 8.192 Token.
  • Reasoning — Das Modell denkt vor der Antwort nach; verpflichtendes Reasoning ist Teil der veröffentlichten Konfiguration.
  • Eingabe/Ausgabe — Das veröffentlichte Modell akzeptiert Text und liefert Text zurück.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions liquid/lfm-2.5-24b-a2b

liquid/lfm-2.5-24b-a2b

LiquidAI /liquid/lfm-2.5-24b-a2b

Start

LFM2.5-24B-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.

Zulässige Eingaben
Text
Ergebnisse
Text

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Eingabetypen
text
Ausgabetypen
text
Ausgabeformat
json oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
liquid/lfm-2.5-24b-a2b
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und Limits
Mindestanzahl Elemente: 1
Standard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte und Limits
Modellabhängig
Standard—
Feldmessages[].contentTypstringAnforderungOptionalWerte und Limits
Gilt, wenn: Textgespräch
Standard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Kombinationen von Eingabematerialien

Text · UTF8-Text

messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages
Parametermaterial_typesVertragtext
ParametermessagesVertragNachrichtenarray mit role/content-Struktur
Parameterfile_materialVertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet
Parameteroptional_controlsVertragstream
Parametercontrol_scopeVertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false.
Parameteroutput_modalitiesVertragtext
Parameterhosted_operationsVertragfalse
Parametermultimodal_input_bindingVertragnull

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.

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Nicht angegeben Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Nicht angegeben Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

KonfigurationTarifstaffelKontexttoken, mehr alsKontexttoken, bis einschließlichGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifKontexttoken, mehr als—Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.0001 / 1K Token
Ausgabe · Ausgabetoken $0.0014 / 1K Token
Eingabe · Cache-Lesen $0.00005 / 1K Token
Eingabe · Cache-Schreiben — / 1K Token
Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token
KonfigurationAnfragelängenstufe 1Tarifstaffel—Kontexttoken, mehr als0Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.0001 / 1K Token
Ausgabe · Ausgabetoken $0.0014 / 1K Token
Eingabe · Cache-Lesen $0.00005 / 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 →

Beispielanfragen

Ailoot Ultra · OpenAI Chat

curlPython SDK
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model":"liquid/lfm-2.5-24b-a2b","messages":[{"role":"user","content":"hello"}],"stream":false}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model="liquid/lfm-2.5-24b-a2b", messages=[{"role":"user","content":"hello"}], stream=False)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))

Ergebnisse abrufen und speichern

Ailoot Ultra · OpenAI Chat

json oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
Feldchoices[].indexTypinteger
Feldchoices[].message.contentTypstring|null
Feldchoices[].message.tool_callsTyptool_call[]
Feldchoices[].message.reasoning_contentTypstring
Feldchoices[].message.reasoning_detailsTypobject|array
Feldchoices[].finish_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra liquid/lfm-2.5-24b-a2b

Aliasnamen für Methodenpfade

/chat/completions

Zugehörige Aufrufer-IDs

liquid/lfm-2.5-24b-a2b

Ailoot Ultra · Anthropic Messages POST /v1/messages liquid/lfm-2.5-24b-a2b

liquid/lfm-2.5-24b-a2b

LiquidAI /liquid/lfm-2.5-24b-a2b

Start

LFM2.5-24B-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.

Zulässige Eingaben
Text
Ergebnisse
json · sse

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Anthropic Messages POST /v1/messages
Eingabetypen
text
Ausgabetypen
json, sse
Ausgabeformat
JSON oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
liquid/lfm-2.5-24b-a2b
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und LimitsStandard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte und Limits
user, assistant
Standard—
Feldmessages[].contentTypstringAnforderungErforderlichWerte und LimitsStandard—
Feldmax_tokensTypintegerAnforderungErforderlichWerte und LimitsStandard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Kombinationen von Eingabematerialien

Text · UTF-8-Text

Zeichenfolge messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages, max_tokens
Parameteroptional_controlsVertragstream
Parametermaterial_typesVertragtext
Parametertext_file_materialVertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen.

Lebenszyklus: synchronous_or_streamed

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Nicht angegeben Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Nicht angegeben Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

KonfigurationTarifstaffelKontexttoken, mehr alsKontexttoken, bis einschließlichGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifKontexttoken, mehr als—Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.0001 / 1K Token
Ausgabe · Ausgabetoken $0.0014 / 1K Token
Eingabe · Cache-Lesen $0.00005 / 1K Token
Eingabe · Cache-Schreiben — / 1K Token
Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token
KonfigurationAnfragelängenstufe 1Tarifstaffel—Kontexttoken, mehr als0Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.0001 / 1K Token
Ausgabe · Ausgabetoken $0.0014 / 1K Token
Eingabe · Cache-Lesen $0.00005 / 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 →

Beispielanfragen

Ailoot Ultra · Anthropic Messages

Vollständiger minimaler JSON-Bodycurl · eigenes UTF-8-Dokument verwendenPython · das vollständige Ergebnis speichern
{
  "model": "liquid/lfm-2.5-24b-a2b",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Ergebnisse abrufen und speichern

Ailoot Ultra · Anthropic Messages

JSON oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
FeldidTypstring
FeldmodelTypstring
Feldcontent[]Typtext|thinking|tool_use|other content block
Feldstop_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra liquid/lfm-2.5-24b-a2b

Aliasnamen für Methodenpfade

/chat/completions

Zugehörige Aufrufer-IDs

liquid/lfm-2.5-24b-a2b

FAQ · LiquidAI: LFM2.5-24B-A2B
Welche Eingaben und Ergebnisse sind verfügbar?

POST /v1/chat/completions · liquid/lfm-2.5-24b-a2b: text → text

POST /v1/messages · liquid/lfm-2.5-24b-a2b: text → json, sse

Welche Felder verwendet die Anfrage?

POST /v1/chat/completions · liquid/lfm-2.5-24b-a2b: model, messages, stream

POST /v1/messages · liquid/lfm-2.5-24b-a2b: model, messages, max_tokens, stream

Welche Grenzen gelten?

POST /v1/chat/completions · liquid/lfm-2.5-24b-a2b: messages.min_items: 1

Weitere Details

Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung.

Das Unternehmen und sein Projektportfolio

Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe.

Tokens mit Rabatt kaufen.

Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf.

Abo
Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen.
Aktionscode bis 50%
Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet.
Ausgaben in der Historie
Modell, Tokens und Betrag werden für jede Anfrage gespeichert.

Abo wählen · Modellpreise ansehen

Verbinden Sie die API mit dem Produkt, das Sie verkaufen.

SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an.

Kommerzielle Anwendung
Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes.
Reseller-Lizenz
Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an.
Dokumente auf der Website
Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich.

Reseller-Lizenz anfordern · Offizielles Angebot und Lizenzvertrag