Liquid AI LFM2.5-2.6B es el modelo de texto con entrenamiento posterior de la familia compacta LFM2.5 de Liquid, diseñado para agentes en el dispositivo y flujos prácticos. Su ficha exacta indica 2.69B de parámetros y 30 capas: 22 bloques de convolución corta con doble compuerta y ocho bloques de atención de consultas agrupadas. El diseño híbrido busca un procesamiento eficiente de texto. El modelo acepta texto y devuelve texto, incluida una respuesta razonada o una solicitud para utilizar una función definida.
El fabricante lo recomienda para cargas de trabajo con agentes, uso de herramientas, extracción de datos, generación aumentada por recuperación y flujos de contexto largo. La cadena de entrenamiento de esta versión combina ajuste fino supervisado, maestros especializados, destilación bajo la política actual en varios dominios y aprendizaje por refuerzo dentro de entornos de agentes. Esto ayuda a explicar su enfoque en seguir instrucciones de tareas, utilizar observaciones de herramientas y avanzar a través de varios pasos. Proporciónale los materiales reales y un objetivo preciso, en lugar de depender de conocimientos aprendidos generales para llenar vacíos.
Para extracción, define los campos y las reglas de fuentes antes de proporcionar el material. Una solicitud práctica es: «Lee estas actualizaciones de servicio, extrae el identificador, el estado indicado y la siguiente acción requerida de cada registro, y conserva la oración que respalda cada campo. Devuelve null cuando falte un campo». Especifica si un valor debe copiarse exactamente, normalizarse o inferirse. Esto permite inspeccionar la salida y evita que una interpretación plausible sustituya silenciosamente la información realmente presente en la fuente.
Para RAG, proporciona pasajes relevantes con etiquetas estables y pide una respuesta fundamentada en esos pasajes. Un ejemplo es: «Utilizando únicamente estas instrucciones de instalación, explica qué pasos se aplican al entorno indicado y enumera los requisitos previos que siguen siendo desconocidos». Conserva las versiones y las condiciones de los documentos junto con el texto. Pide al modelo que identifique un hecho faltante o contradictorio en lugar de inventar un procedimiento completo. Esto se ajusta mejor a la recomendación del fabricante sobre tareas fundamentadas en fuentes que pedir al modelo compacto que actúe como un depósito exhaustivo de conocimientos especializados.
LFM2.5-2.6B es un modelo de razonamiento puro: su plantilla de chat inicia la respuesta del asistente con un marcador de pensamiento, y razona antes de la respuesta final. La ficha del modelo del fabricante recomienda temperature 0.1, top-k 50 y una penalización de repetición de 1.1 para generación. Son ajustes de la receta del modelo identificado. Mantén el entregable final separado del texto de razonamiento y deja espacio para ambos en una solicitud de trabajo. No deben asumirse para este modelo los controles o modos de respuesta directa de otras ediciones de instrucciones de LFM.
El modelo usa un formato de conversación similar a ChatML con roles system, user, assistant y tool. Su flujo de funciones documentado tiene cuatro etapas: definir las herramientas, permitir que el modelo solicite una función, ejecutarla en la aplicación que lo integra y devolver el resultado real para que el modelo pueda responder. Las llamadas nativas son listas con sintaxis de Python encerradas entre marcadores de llamada a herramienta; el fabricante también describe cómo solicitar un formato JSON de llamadas mediante la instrucción del sistema. Usa el analizador adecuado, contrasta el nombre de función y los argumentos con las definiciones proporcionadas y conserva el resultado junto con la llamada que lo produjo.
Para un flujo compacto de agente, expón únicamente las funciones relevantes para la tarea actual, con descripciones concisas y tipos explícitos de argumentos. Las propias definiciones de herramientas ocupan contexto. Una secuencia útil podría consultar el estado de un registro proporcionado, comparar el estado devuelto con una regla y explicar si se necesita seguimiento. Aporta el identificador del registro como evidencia y pide una respuesta final vinculada a la observación devuelta. El modelo propone e interpreta la operación; la aplicación proporciona su ejecución real y su resultado.
La ficha actual del fabricante especifica un contexto del modelo de 131,072 tokens, y la publicación describe una etapa específica de ampliación de contexto. Trabaja dentro de la ventana de la configuración en uso, conservando los límites de las fuentes, el historial relevante y espacio para la continuación. Para varios documentos, pide una comparación concreta o una dependencia que deba rastrearse. El punto de control nativo y los artefactos GGUF, ONNX y MLX sirven a distintas necesidades de despliegue, y un modelo borrador para decodificación especulativa es un artefacto complementario separado. Las cifras de recursos o velocidad de una configuración no describen automáticamente todos los formatos del modelo ni todas las ventanas de trabajo.
Liquid no recomienda explícitamente LFM2.5-2.6B para programación con agentes ni tareas que exigen muchos conocimientos. Mantenlo enfocado en flujos concretos con evidencia proporcionada, reglas de extracción y observaciones de herramientas. El punto de control preentrenado Base también es un artefacto separado destinado a personalización, mientras que esta edición con entrenamiento posterior es el modelo de agentes. Para el resultado final, contrasta los valores extraídos con su fuente, comprueba que un pasaje citado respalde la respuesta y distingue una llamada a herramienta solicitada de una operación con resultado registrado. Conserva la información pendiente cuando afecte la conclusión, en lugar de permitir que un texto fluido la oculte.
", "aboutText": "Liquid AI LFM2.5-2.6B es el modelo de texto con entrenamiento posterior de la familia compacta LFM2.5 de Liquid, diseñado para agentes en el dispositivo y flujos prácticos. Su ficha exacta indica 2.69B de parámetros y 30 capas: 22 bloques de convolución corta con doble compuerta y ocho bloques de atención de consultas agrupadas. El diseño híbrido busca un procesamiento eficiente de texto. El modelo acepta texto y devuelve texto, incluida una respuesta razonada o una solicitud para utilizar una función definida.\n\nEl fabricante lo recomienda para cargas de trabajo con agentes, uso de herramientas, extracción de datos, generación aumentada por recuperación y flujos de contexto largo. La cadena de entrenamiento de esta versión combina ajuste fino supervisado, maestros especializados, destilación bajo la política actual en varios dominios y aprendizaje por refuerzo dentro de entornos de agentes. Esto ayuda a explicar su enfoque en seguir instrucciones de tareas, utilizar observaciones de herramientas y avanzar a través de varios pasos. Proporciónale los materiales reales y un objetivo preciso, en lugar de depender de conocimientos aprendidos generales para llenar vacíos.\n\nPara extracción, define los campos y las reglas de fuentes antes de proporcionar el material. Una solicitud práctica es: «Lee estas actualizaciones de servicio, extrae el identificador, el estado indicado y la siguiente acción requerida de cada registro, y conserva la oración que respalda cada campo. Devuelve null cuando falte un campo». Especifica si un valor debe copiarse exactamente, normalizarse o inferirse. Esto permite inspeccionar la salida y evita que una interpretación plausible sustituya silenciosamente la información realmente presente en la fuente.\n\nPara RAG, proporciona pasajes relevantes con etiquetas estables y pide una respuesta fundamentada en esos pasajes. Un ejemplo es: «Utilizando únicamente estas instrucciones de instalación, explica qué pasos se aplican al entorno indicado y enumera los requisitos previos que siguen siendo desconocidos». Conserva las versiones y las condiciones de los documentos junto con el texto. Pide al modelo que identifique un hecho faltante o contradictorio en lugar de inventar un procedimiento completo. Esto se ajusta mejor a la recomendación del fabricante sobre tareas fundamentadas en fuentes que pedir al modelo compacto que actúe como un depósito exhaustivo de conocimientos especializados.\n\nLFM2.5-2.6B es un modelo de razonamiento puro: su plantilla de chat inicia la respuesta del asistente con un marcador de pensamiento, y razona antes de la respuesta final. La ficha del modelo del fabricante recomienda temperature 0.1, top-k 50 y una penalización de repetición de 1.1 para generación. Son ajustes de la receta del modelo identificado. Mantén el entregable final separado del texto de razonamiento y deja espacio para ambos en una solicitud de trabajo. No deben asumirse para este modelo los controles o modos de respuesta directa de otras ediciones de instrucciones de LFM.\n\nEl modelo usa un formato de conversación similar a ChatML con roles system, user, assistant y tool. Su flujo de funciones documentado tiene cuatro etapas: definir las herramientas, permitir que el modelo solicite una función, ejecutarla en la aplicación que lo integra y devolver el resultado real para que el modelo pueda responder. Las llamadas nativas son listas con sintaxis de Python encerradas entre marcadores de llamada a herramienta; el fabricante también describe cómo solicitar un formato JSON de llamadas mediante la instrucción del sistema. Usa el analizador adecuado, contrasta el nombre de función y los argumentos con las definiciones proporcionadas y conserva el resultado junto con la llamada que lo produjo.\n\nPara un flujo compacto de agente, expón únicamente las funciones relevantes para la tarea actual, con descripciones concisas y tipos explícitos de argumentos. Las propias definiciones de herramientas ocupan contexto. Una secuencia útil podría consultar el estado de un registro proporcionado, comparar el estado devuelto con una regla y explicar si se necesita seguimiento. Aporta el identificador del registro como evidencia y pide una respuesta final vinculada a la observación devuelta. El modelo propone e interpreta la operación; la aplicación proporciona su ejecución real y su resultado.\n\nLa ficha actual del fabricante especifica un contexto del modelo de 131,072 tokens, y la publicación describe una etapa específica de ampliación de contexto. Trabaja dentro de la ventana de la configuración en uso, conservando los límites de las fuentes, el historial relevante y espacio para la continuación. Para varios documentos, pide una comparación concreta o una dependencia que deba rastrearse. El punto de control nativo y los artefactos GGUF, ONNX y MLX sirven a distintas necesidades de despliegue, y un modelo borrador para decodificación especulativa es un artefacto complementario separado. Las cifras de recursos o velocidad de una configuración no describen automáticamente todos los formatos del modelo ni todas las ventanas de trabajo.\n\nLiquid no recomienda explícitamente LFM2.5-2.6B para programación con agentes ni tareas que exigen muchos conocimientos. Mantenlo enfocado en flujos concretos con evidencia proporcionada, reglas de extracción y observaciones de herramientas. El punto de control preentrenado Base también es un artefacto separado destinado a personalización, mientras que esta edición con entrenamiento posterior es el modelo de agentes. Para el resultado final, contrasta los valores extraídos con su fuente, comprueba que un pasaje citado respalde la respuesta y distingue una llamada a herramienta solicitada de una operación con resultado registrado. Conserva la información pendiente cuando afecte la conclusión, en lugar de permitir que un texto fluido la oculte.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "52766b80e698b4f1dbd50f229fcb8dd9f7432b56fac70404ecaa7fb1bf460b7c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B es un modelo compacto de razonamiento textual para agentes, uso de herramientas, extracción de datos y RAG. Su diseño híbrido tiene 2.69B de parámetros. Razona antes de responder y funciona mejor con material fuente concreto y herramientas claramente definidas; el fabricante desaconseja la programación con agentes y las tareas que exigen muchos conocimientos.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Liquid AI LFM2.5-2.6B es el modelo de texto con entrenamiento posterior de la familia compacta LFM2.5 de Liquid, diseñado para agentes en el dispositivo y flujos prácticos. Su ficha exacta indica 2.69B de parámetros y 30 capas: 22 bloques de convolución corta con doble compuerta y ocho bloques de atención de consultas agrupadas. El diseño híbrido busca un procesamiento eficiente de texto. El modelo acepta texto y devuelve texto, incluida una respuesta razonada o una solicitud para utilizar una función definida.
El fabricante lo recomienda para cargas de trabajo con agentes, uso de herramientas, extracción de datos, generación aumentada por recuperación y flujos de contexto largo. La cadena de entrenamiento de esta versión combina ajuste fino supervisado, maestros especializados, destilación bajo la política actual en varios dominios y aprendizaje por refuerzo dentro de entornos de agentes. Esto ayuda a explicar su enfoque en seguir instrucciones de tareas, utilizar observaciones de herramientas y avanzar a través de varios pasos. Proporciónale los materiales reales y un objetivo preciso, en lugar de depender de conocimientos aprendidos generales para llenar vacíos.
Para extracción, define los campos y las reglas de fuentes antes de proporcionar el material. Una solicitud práctica es: «Lee estas actualizaciones de servicio, extrae el identificador, el estado indicado y la siguiente acción requerida de cada registro, y conserva la oración que respalda cada campo. Devuelve null cuando falte un campo». Especifica si un valor debe copiarse exactamente, normalizarse o inferirse. Esto permite inspeccionar la salida y evita que una interpretación plausible sustituya silenciosamente la información realmente presente en la fuente.
Para RAG, proporciona pasajes relevantes con etiquetas estables y pide una respuesta fundamentada en esos pasajes. Un ejemplo es: «Utilizando únicamente estas instrucciones de instalación, explica qué pasos se aplican al entorno indicado y enumera los requisitos previos que siguen siendo desconocidos». Conserva las versiones y las condiciones de los documentos junto con el texto. Pide al modelo que identifique un hecho faltante o contradictorio en lugar de inventar un procedimiento completo. Esto se ajusta mejor a la recomendación del fabricante sobre tareas fundamentadas en fuentes que pedir al modelo compacto que actúe como un depósito exhaustivo de conocimientos especializados.
LFM2.5-2.6B es un modelo de razonamiento puro: su plantilla de chat inicia la respuesta del asistente con un marcador de pensamiento, y razona antes de la respuesta final. La ficha del modelo del fabricante recomienda temperature 0.1, top-k 50 y una penalización de repetición de 1.1 para generación. Son ajustes de la receta del modelo identificado. Mantén el entregable final separado del texto de razonamiento y deja espacio para ambos en una solicitud de trabajo. No deben asumirse para este modelo los controles o modos de respuesta directa de otras ediciones de instrucciones de LFM.
El modelo usa un formato de conversación similar a ChatML con roles system, user, assistant y tool. Su flujo de funciones documentado tiene cuatro etapas: definir las herramientas, permitir que el modelo solicite una función, ejecutarla en la aplicación que lo integra y devolver el resultado real para que el modelo pueda responder. Las llamadas nativas son listas con sintaxis de Python encerradas entre marcadores de llamada a herramienta; el fabricante también describe cómo solicitar un formato JSON de llamadas mediante la instrucción del sistema. Usa el analizador adecuado, contrasta el nombre de función y los argumentos con las definiciones proporcionadas y conserva el resultado junto con la llamada que lo produjo.
Para un flujo compacto de agente, expón únicamente las funciones relevantes para la tarea actual, con descripciones concisas y tipos explícitos de argumentos. Las propias definiciones de herramientas ocupan contexto. Una secuencia útil podría consultar el estado de un registro proporcionado, comparar el estado devuelto con una regla y explicar si se necesita seguimiento. Aporta el identificador del registro como evidencia y pide una respuesta final vinculada a la observación devuelta. El modelo propone e interpreta la operación; la aplicación proporciona su ejecución real y su resultado.
La ficha actual del fabricante especifica un contexto del modelo de 131,072 tokens, y la publicación describe una etapa específica de ampliación de contexto. Trabaja dentro de la ventana de la configuración en uso, conservando los límites de las fuentes, el historial relevante y espacio para la continuación. Para varios documentos, pide una comparación concreta o una dependencia que deba rastrearse. El punto de control nativo y los artefactos GGUF, ONNX y MLX sirven a distintas necesidades de despliegue, y un modelo borrador para decodificación especulativa es un artefacto complementario separado. Las cifras de recursos o velocidad de una configuración no describen automáticamente todos los formatos del modelo ni todas las ventanas de trabajo.
Liquid no recomienda explícitamente LFM2.5-2.6B para programación con agentes ni tareas que exigen muchos conocimientos. Mantenlo enfocado en flujos concretos con evidencia proporcionada, reglas de extracción y observaciones de herramientas. El punto de control preentrenado Base también es un artefacto separado destinado a personalización, mientras que esta edición con entrenamiento posterior es el modelo de agentes. Para el resultado final, contrasta los valores extraídos con su fuente, comprueba que un pasaje citado respalde la respuesta y distingue una llamada a herramienta solicitada de una operación con resultado registrado. Conserva la información pendiente cuando afecte la conclusión, en lugar de permitir que un texto fluido la oculte.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites liquid/lfm-2.5-2.6b:free | Predeterminado— |
Campomessages | Tipoarray | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites false | Predeterminadofalse |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Máximo: 8,192 | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Máximo: 8,192 | Predeterminado— |
Campon | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Máximo: 128 | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Camposeed | Tipointeger | RequisitoOpcional | Valores y límites | Predeterminado— |
Campostop | Tipo | RequisitoOpcional | Valores y límites | Predeterminado— |
Campofrequency_penalty | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campopresence_penalty | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campouser | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetrooptional | Contratostream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parámetromaterial_types | Contratotext |
Parámetroconditions | ContratoUse 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. |
Ciclo de vida: synchronous_json
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
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
Usa las rutas de método indicadas arriba.
liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B es un modelo compacto de razonamiento textual para agentes, uso de herramientas, extracción de datos y RAG. Su diseño híbrido tiene 2.69B de parámetros. Razona antes de responder y funciona mejor con material fuente concreto y herramientas claramente definidas; el fabricante desaconseja la programación con agentes y las tareas que exigen muchos conocimientos.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Liquid AI LFM2.5-2.6B es el modelo de texto con entrenamiento posterior de la familia compacta LFM2.5 de Liquid, diseñado para agentes en el dispositivo y flujos prácticos. Su ficha exacta indica 2.69B de parámetros y 30 capas: 22 bloques de convolución corta con doble compuerta y ocho bloques de atención de consultas agrupadas. El diseño híbrido busca un procesamiento eficiente de texto. El modelo acepta texto y devuelve texto, incluida una respuesta razonada o una solicitud para utilizar una función definida.
El fabricante lo recomienda para cargas de trabajo con agentes, uso de herramientas, extracción de datos, generación aumentada por recuperación y flujos de contexto largo. La cadena de entrenamiento de esta versión combina ajuste fino supervisado, maestros especializados, destilación bajo la política actual en varios dominios y aprendizaje por refuerzo dentro de entornos de agentes. Esto ayuda a explicar su enfoque en seguir instrucciones de tareas, utilizar observaciones de herramientas y avanzar a través de varios pasos. Proporciónale los materiales reales y un objetivo preciso, en lugar de depender de conocimientos aprendidos generales para llenar vacíos.
Para extracción, define los campos y las reglas de fuentes antes de proporcionar el material. Una solicitud práctica es: «Lee estas actualizaciones de servicio, extrae el identificador, el estado indicado y la siguiente acción requerida de cada registro, y conserva la oración que respalda cada campo. Devuelve null cuando falte un campo». Especifica si un valor debe copiarse exactamente, normalizarse o inferirse. Esto permite inspeccionar la salida y evita que una interpretación plausible sustituya silenciosamente la información realmente presente en la fuente.
Para RAG, proporciona pasajes relevantes con etiquetas estables y pide una respuesta fundamentada en esos pasajes. Un ejemplo es: «Utilizando únicamente estas instrucciones de instalación, explica qué pasos se aplican al entorno indicado y enumera los requisitos previos que siguen siendo desconocidos». Conserva las versiones y las condiciones de los documentos junto con el texto. Pide al modelo que identifique un hecho faltante o contradictorio en lugar de inventar un procedimiento completo. Esto se ajusta mejor a la recomendación del fabricante sobre tareas fundamentadas en fuentes que pedir al modelo compacto que actúe como un depósito exhaustivo de conocimientos especializados.
LFM2.5-2.6B es un modelo de razonamiento puro: su plantilla de chat inicia la respuesta del asistente con un marcador de pensamiento, y razona antes de la respuesta final. La ficha del modelo del fabricante recomienda temperature 0.1, top-k 50 y una penalización de repetición de 1.1 para generación. Son ajustes de la receta del modelo identificado. Mantén el entregable final separado del texto de razonamiento y deja espacio para ambos en una solicitud de trabajo. No deben asumirse para este modelo los controles o modos de respuesta directa de otras ediciones de instrucciones de LFM.
El modelo usa un formato de conversación similar a ChatML con roles system, user, assistant y tool. Su flujo de funciones documentado tiene cuatro etapas: definir las herramientas, permitir que el modelo solicite una función, ejecutarla en la aplicación que lo integra y devolver el resultado real para que el modelo pueda responder. Las llamadas nativas son listas con sintaxis de Python encerradas entre marcadores de llamada a herramienta; el fabricante también describe cómo solicitar un formato JSON de llamadas mediante la instrucción del sistema. Usa el analizador adecuado, contrasta el nombre de función y los argumentos con las definiciones proporcionadas y conserva el resultado junto con la llamada que lo produjo.
Para un flujo compacto de agente, expón únicamente las funciones relevantes para la tarea actual, con descripciones concisas y tipos explícitos de argumentos. Las propias definiciones de herramientas ocupan contexto. Una secuencia útil podría consultar el estado de un registro proporcionado, comparar el estado devuelto con una regla y explicar si se necesita seguimiento. Aporta el identificador del registro como evidencia y pide una respuesta final vinculada a la observación devuelta. El modelo propone e interpreta la operación; la aplicación proporciona su ejecución real y su resultado.
La ficha actual del fabricante especifica un contexto del modelo de 131,072 tokens, y la publicación describe una etapa específica de ampliación de contexto. Trabaja dentro de la ventana de la configuración en uso, conservando los límites de las fuentes, el historial relevante y espacio para la continuación. Para varios documentos, pide una comparación concreta o una dependencia que deba rastrearse. El punto de control nativo y los artefactos GGUF, ONNX y MLX sirven a distintas necesidades de despliegue, y un modelo borrador para decodificación especulativa es un artefacto complementario separado. Las cifras de recursos o velocidad de una configuración no describen automáticamente todos los formatos del modelo ni todas las ventanas de trabajo.
Liquid no recomienda explícitamente LFM2.5-2.6B para programación con agentes ni tareas que exigen muchos conocimientos. Mantenlo enfocado en flujos concretos con evidencia proporcionada, reglas de extracción y observaciones de herramientas. El punto de control preentrenado Base también es un artefacto separado destinado a personalización, mientras que esta edición con entrenamiento posterior es el modelo de agentes. Para el resultado final, contrasta los valores extraídos con su fuente, comprueba que un pasaje citado respalde la respuesta y distingue una llamada a herramienta solicitada de una operación con resultado registrado. Conserva la información pendiente cuando afecte la conclusión, en lugar de permitir que un texto fluido la oculte.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites liquid/lfm-2.5-2.6b:free | Predeterminado— |
Campomessages | Tipoarray | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites false | Predeterminadofalse |
Camposystem | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites Mínimo: 1 Máximo: 8,192 | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotop_k | Tipointeger | RequisitoOpcional | Valores y límites | Predeterminado— |
Campostop_sequences | Tipoarray | RequisitoOpcional | Valores y límites | Predeterminado— |
Campometadata | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional | Contratostream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parámetromaterial_types | Contratotext |
Parámetroconditions | ContratoUse 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. |
Ciclo de vida: synchronous_json
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
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
Usa las rutas de método indicadas arriba.