LFM2.5-24B-A2B es un modelo de mezcla de expertos de LiquidAI para razonamiento textual y agentes que utilizan herramientas. Tiene 24,000 millones de parámetros totales y 2,450 millones activos por token. El razonamiento forma parte de cada respuesta, por lo que la tarea debería definir el objetivo, las pruebas que deben utilizarse y el resultado que necesita la aplicación.
El modelo encaja con flujos en los que un modelo de lenguaje elige el siguiente paso, lee la observación resultante y continúa hacia un entregable. Indique el objetivo en términos que la aplicación pueda comprobar: encontrar el registro pertinente, comparar dos configuraciones, preparar una propuesta de cambio o producir una evaluación estructurada.
Proporcione herramientas con propósitos claros y conserve sus observaciones devueltas en el contexto de la tarea. El modelo publica compatibilidad con llamadas a herramientas, incluida la selección de una cuando la interfaz proporciona esa capacidad. La ejecución pertenece a la aplicación que controla esas herramientas. Mantenga diferenciada una observación devuelta de una instrucción escrita por el modelo, especialmente cuando un paso posterior dependa del resultado de una búsqueda o consulta.
El publicador recomienda recuperación de información o búsqueda web para tareas que dependen de conocimientos externos detallados. Incorpore el paso de recopilación de evidencia al flujo en lugar de pedir al modelo que invente hechos que no ha recibido. Identifique los pasajes recuperados y solicite que la respuesta conecte sus conclusiones con ellos.
Para un flujo de soporte, esto puede significar encontrar la política pertinente y explicar cómo se aplica al caso proporcionado. Para una tarea técnica, puede significar comparar la documentación y la configuración antes de proponer un cambio. Conserve el contenido recuperado importante en el contexto para poder comprobar la respuesta final sin repetir cada consulta.
El modelo publicado admite salidas estructuradas guiadas por esquemas. Defina una forma de resultado pequeña en torno a lo que consume la aplicación, como una categoría seleccionada, una explicación, referencias de pruebas y una siguiente acción. Separe el proceso de razonamiento del modelo de los campos que necesita guardar o mostrar el siguiente componente.
LiquidAI enumera temperature 0.1, top_k 50 y repetition_penalty 1.05 como recomendaciones publicadas de muestreo, y el catálogo guardado repite esos valores predeterminados. Proporcionan un punto de partida repetible para evaluar un flujo concreto. Mantenga coherentes los ajustes elegidos al comparar tareas representativas.
El registro publicado del servicio enumera una ventana de contexto de 128,000 tokens y un límite de generación de 8,192 tokens. Prepare una especificación de respuesta breve para que el artefacto final quepa en esa asignación de salida. Mantenga juntas las pruebas pertinentes y deje suficiente espacio de salida para el artefacto solicitado.
El fabricante enumera un conjunto multilingüe que incluye inglés, ruso, chino, español, árabe y otros idiomas. Conserve la terminología de origen y los nombres protegidos al utilizar el modelo en trabajo multilingüe. Una tarea con vocabulario fijo se beneficia de un glosario explícito y de las mismas convenciones de salida en todos los idiomas.
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B es el modelo de razonamiento textual de LiquidAI para agentes guiados por herramientas, con 24,000 millones de parámetros totales y 2,450 millones activos. Razona antes de responder, admite llamadas a herramientas y salida guiada por esquemas y se publica con un contexto de 128,000 tokens y un límite de generación de 8,192 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
LFM2.5-24B-A2B es un modelo de mezcla de expertos de LiquidAI para razonamiento textual y agentes que utilizan herramientas. Tiene 24,000 millones de parámetros totales y 2,450 millones activos por token. El razonamiento forma parte de cada respuesta, por lo que la tarea debería definir el objetivo, las pruebas que deben utilizarse y el resultado que necesita la aplicación.
El modelo encaja con flujos en los que un modelo de lenguaje elige el siguiente paso, lee la observación resultante y continúa hacia un entregable. Indique el objetivo en términos que la aplicación pueda comprobar: encontrar el registro pertinente, comparar dos configuraciones, preparar una propuesta de cambio o producir una evaluación estructurada.
Proporcione herramientas con propósitos claros y conserve sus observaciones devueltas en el contexto de la tarea. El modelo publica compatibilidad con llamadas a herramientas, incluida la selección de una cuando la interfaz proporciona esa capacidad. La ejecución pertenece a la aplicación que controla esas herramientas. Mantenga diferenciada una observación devuelta de una instrucción escrita por el modelo, especialmente cuando un paso posterior dependa del resultado de una búsqueda o consulta.
El publicador recomienda recuperación de información o búsqueda web para tareas que dependen de conocimientos externos detallados. Incorpore el paso de recopilación de evidencia al flujo en lugar de pedir al modelo que invente hechos que no ha recibido. Identifique los pasajes recuperados y solicite que la respuesta conecte sus conclusiones con ellos.
Para un flujo de soporte, esto puede significar encontrar la política pertinente y explicar cómo se aplica al caso proporcionado. Para una tarea técnica, puede significar comparar la documentación y la configuración antes de proponer un cambio. Conserve el contenido recuperado importante en el contexto para poder comprobar la respuesta final sin repetir cada consulta.
El modelo publicado admite salidas estructuradas guiadas por esquemas. Defina una forma de resultado pequeña en torno a lo que consume la aplicación, como una categoría seleccionada, una explicación, referencias de pruebas y una siguiente acción. Separe el proceso de razonamiento del modelo de los campos que necesita guardar o mostrar el siguiente componente.
LiquidAI enumera temperature 0.1, top_k 50 y repetition_penalty 1.05 como recomendaciones publicadas de muestreo, y el catálogo guardado repite esos valores predeterminados. Proporcionan un punto de partida repetible para evaluar un flujo concreto. Mantenga coherentes los ajustes elegidos al comparar tareas representativas.
El registro publicado del servicio enumera una ventana de contexto de 128,000 tokens y un límite de generación de 8,192 tokens. Prepare una especificación de respuesta breve para que el artefacto final quepa en esa asignación de salida. Mantenga juntas las pruebas pertinentes y deje suficiente espacio de salida para el artefacto solicitado.
El fabricante enumera un conjunto multilingüe que incluye inglés, ruso, chino, español, árabe y otros idiomas. Conserve la terminología de origen y los nombres protegidos al utilizar el modelo en trabajo multilingüe. Una tarea con vocabulario fijo se beneficia de un glosario explícito y de las mismas convenciones de salida en todos los idiomas.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites liquid/lfm-2.5-24b-a2b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.0014 / 1K tokens Entrada · Lectura de caché $0.00005 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.0014 / 1K tokens Entrada · Lectura de caché $0.00005 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"liquid/lfm-2.5-24b-a2b","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="liquid/lfm-2.5-24b-a2b", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B es el modelo de razonamiento textual de LiquidAI para agentes guiados por herramientas, con 24,000 millones de parámetros totales y 2,450 millones activos. Razona antes de responder, admite llamadas a herramientas y salida guiada por esquemas y se publica con un contexto de 128,000 tokens y un límite de generación de 8,192 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
LFM2.5-24B-A2B es un modelo de mezcla de expertos de LiquidAI para razonamiento textual y agentes que utilizan herramientas. Tiene 24,000 millones de parámetros totales y 2,450 millones activos por token. El razonamiento forma parte de cada respuesta, por lo que la tarea debería definir el objetivo, las pruebas que deben utilizarse y el resultado que necesita la aplicación.
El modelo encaja con flujos en los que un modelo de lenguaje elige el siguiente paso, lee la observación resultante y continúa hacia un entregable. Indique el objetivo en términos que la aplicación pueda comprobar: encontrar el registro pertinente, comparar dos configuraciones, preparar una propuesta de cambio o producir una evaluación estructurada.
Proporcione herramientas con propósitos claros y conserve sus observaciones devueltas en el contexto de la tarea. El modelo publica compatibilidad con llamadas a herramientas, incluida la selección de una cuando la interfaz proporciona esa capacidad. La ejecución pertenece a la aplicación que controla esas herramientas. Mantenga diferenciada una observación devuelta de una instrucción escrita por el modelo, especialmente cuando un paso posterior dependa del resultado de una búsqueda o consulta.
El publicador recomienda recuperación de información o búsqueda web para tareas que dependen de conocimientos externos detallados. Incorpore el paso de recopilación de evidencia al flujo en lugar de pedir al modelo que invente hechos que no ha recibido. Identifique los pasajes recuperados y solicite que la respuesta conecte sus conclusiones con ellos.
Para un flujo de soporte, esto puede significar encontrar la política pertinente y explicar cómo se aplica al caso proporcionado. Para una tarea técnica, puede significar comparar la documentación y la configuración antes de proponer un cambio. Conserve el contenido recuperado importante en el contexto para poder comprobar la respuesta final sin repetir cada consulta.
El modelo publicado admite salidas estructuradas guiadas por esquemas. Defina una forma de resultado pequeña en torno a lo que consume la aplicación, como una categoría seleccionada, una explicación, referencias de pruebas y una siguiente acción. Separe el proceso de razonamiento del modelo de los campos que necesita guardar o mostrar el siguiente componente.
LiquidAI enumera temperature 0.1, top_k 50 y repetition_penalty 1.05 como recomendaciones publicadas de muestreo, y el catálogo guardado repite esos valores predeterminados. Proporcionan un punto de partida repetible para evaluar un flujo concreto. Mantenga coherentes los ajustes elegidos al comparar tareas representativas.
El registro publicado del servicio enumera una ventana de contexto de 128,000 tokens y un límite de generación de 8,192 tokens. Prepare una especificación de respuesta breve para que el artefacto final quepa en esa asignación de salida. Mantenga juntas las pruebas pertinentes y deje suficiente espacio de salida para el artefacto solicitado.
El fabricante enumera un conjunto multilingüe que incluye inglés, ruso, chino, español, árabe y otros idiomas. Conserve la terminología de origen y los nombres protegidos al utilizar el modelo en trabajo multilingüe. Una tarea con vocabulario fijo se beneficia de un glosario explícito y de las mismas convenciones de salida en todos los idiomas.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites liquid/lfm-2.5-24b-a2b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.0014 / 1K tokens Entrada · Lectura de caché $0.00005 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.0014 / 1K tokens Entrada · Lectura de caché $0.00005 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "liquid/lfm-2.5-24b-a2b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions