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.
- Ailoot Ultra · OpenAI Chat
POST /v1/chat/completionsliquid/lfm-2.5-24b-a2b - Ailoot Ultra · Anthropic Messages
POST /v1/messagesliquid/lfm-2.5-24b-a2b
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-a2bStart
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
| 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 |
Kombinationen von Eingabematerialien
Text · UTF8-Text
messages[].content
Methodenparameter und Lebenszyklus
| 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.
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.
| 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 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 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Token Ausgabe · Ausgabetoken $0.0014 / 1K Token Eingabe · Cache-Lesen $0.00005 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
Beispielanfragen
Ailoot Ultra · OpenAI Chat
set -eu
: "${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
| 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 |
Fehler und nächste Schritte
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster 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
Ailoot Ultra · Anthropic Messages POST /v1/messages liquid/lfm-2.5-24b-a2b
liquid/lfm-2.5-24b-a2bStart
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
| 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 |
Kombinationen von Eingabematerialien
Text · UTF-8-Text
Zeichenfolge messages[].content
Methodenparameter und Lebenszyklus
| 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
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.
| 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 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 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Token Ausgabe · Ausgabetoken $0.0014 / 1K Token Eingabe · Cache-Lesen $0.00005 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
Beispielanfragen
Ailoot Ultra · Anthropic Messages
{
"model": "liquid/lfm-2.5-24b-a2b",
"max_tokens": 128,
"messages": [
{
"role": "user",
"content": "Summarize the incident report."
}
],
"stream": false
}set -eu
: "${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
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
Fehler und nächste Schritte
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster 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
FAQ · LiquidAI: LFM2.5-24B-A2B
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/chat/completions·liquid/lfm-2.5-24b-a2b:text→textPOST /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,streamPOST /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