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 2690 millones 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 del 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 de agentes, uso de herramientas, extracción de datos, generación aumentada por recuperación y flujos de contexto largo. La cadena de entrenamiento de la versión combina ajuste fino supervisado, modelos docentes especializados, destilación on-policy de varios dominios y aprendizaje por refuerzo dentro de entornos de agentes. Esto ayuda a explicar su enfoque en seguir instrucciones de tarea, utilizar observaciones de herramientas y avanzar por varios pasos. Proporciona los materiales reales y un objetivo preciso, en lugar de confiar en amplios conocimientos aprendidos para rellenar vacíos.
Para extracción, define los campos y las reglas de las fuentes antes de proporcionar el material. Una petición práctica es: «Lee estas actualizaciones del servicio, extrae el identificador de cada registro, el estado indicado y la siguiente acción requerida, y conserva la frase que respalda cada campo. Devuelve null cuando falte un campo». Especifica si debe copiarse un valor exactamente, normalizarlo o inferirlo. Esto permite examinar la salida e impide que una interpretación plausible sustituya silenciosamente a la información realmente presente en la fuente.
Para RAG, proporciona pasajes pertinentes con etiquetas estables y pide una respuesta fundamentada en ellos. Un ejemplo es: «Utilizando únicamente estas instrucciones de instalación, explica qué pasos se aplican al entorno indicado y enumera los requisitos previos que siguen sin conocerse». Mantén las versiones de documentos y las condiciones junto al texto. Pide al modelo que identifique un hecho ausente o contradictorio en vez de inventar un procedimiento completo. Esto encaja mejor con la recomendación del fabricante de tareas basadas en fuentes que pedir al modelo compacto que actúe como un almacén 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 fabricante recomienda temperature 0.1, top-k 50 y una penalización por repetición de 1.1 para generación. Son ajustes de la configuración del modelo con ese nombre. Mantén el resultado final diferenciado del texto de razonamiento y deja espacio para ambos en una petición de trabajo. No deben darse por supuestos en este modelo controles o modos de respuesta directa de otras ediciones LFM de instrucciones.
El modelo utiliza un formato de conversación similar a ChatML, con roles de sistema, usuario, asistente y herramienta. Su flujo documentado de funciones tiene cuatro etapas: definir las herramientas, dejar 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 delimitadas por marcadores de llamada a herramienta; el fabricante también describe cómo solicitar un formato JSON de llamadas mediante la instrucción de sistema. Utiliza el analizador adecuado, comprueba el nombre de la función y los argumentos frente a las definiciones suministradas y conserva el resultado junto a la llamada que lo produjo.
Para un flujo compacto de agente, expón únicamente las funciones pertinentes 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 aportado, comparar el estado devuelto con una regla y explicar si hace falta seguimiento. Proporciona el identificador del registro como prueba y pide una respuesta final vinculada a la observación devuelta. El modelo propone e interpreta la operación; la aplicación aporta su ejecución y resultado reales.
La ficha actual del fabricante especifica un contexto del modelo de 131.072 tokens, y la versión describe una etapa específica de ampliación de contexto. Trabaja dentro de la ventana de la configuración utilizada, conservando los límites de las fuentes, el historial pertinente y espacio para continuar. Para varios documentos, pide una comparación concreta o una dependencia que deba rastrearse. El checkpoint nativo y los archivos GGUF, ONNX y MLX sirven para distintas necesidades de despliegue, y un modelo borrador para descodificación especulativa es un componente complementario separado. Las cifras de recursos o velocidad de una configuración no describen automáticamente todos los formatos del modelo y las ventanas de trabajo.
Liquid desaconseja expresamente LFM2.5-2.6B para programación mediante agentes o tareas que requieran amplios conocimientos. Mantén su uso centrado en flujos concretos con pruebas aportadas, reglas de extracción y observaciones de herramientas. El checkpoint preentrenado Base también es un componente 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 un resultado registrado. Conserva la información sin resolver cuando afecte a la conclusión, en lugar de dejar 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 2690 millones 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 del 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 de agentes, uso de herramientas, extracción de datos, generación aumentada por recuperación y flujos de contexto largo. La cadena de entrenamiento de la versión combina ajuste fino supervisado, modelos docentes especializados, destilación on-policy de varios dominios y aprendizaje por refuerzo dentro de entornos de agentes. Esto ayuda a explicar su enfoque en seguir instrucciones de tarea, utilizar observaciones de herramientas y avanzar por varios pasos. Proporciona los materiales reales y un objetivo preciso, en lugar de confiar en amplios conocimientos aprendidos para rellenar vacíos.\n\nPara extracción, define los campos y las reglas de las fuentes antes de proporcionar el material. Una petición práctica es: «Lee estas actualizaciones del servicio, extrae el identificador de cada registro, el estado indicado y la siguiente acción requerida, y conserva la frase que respalda cada campo. Devuelve null cuando falte un campo». Especifica si debe copiarse un valor exactamente, normalizarlo o inferirlo. Esto permite examinar la salida e impide que una interpretación plausible sustituya silenciosamente a la información realmente presente en la fuente.\n\nPara RAG, proporciona pasajes pertinentes con etiquetas estables y pide una respuesta fundamentada en ellos. Un ejemplo es: «Utilizando únicamente estas instrucciones de instalación, explica qué pasos se aplican al entorno indicado y enumera los requisitos previos que siguen sin conocerse». Mantén las versiones de documentos y las condiciones junto al texto. Pide al modelo que identifique un hecho ausente o contradictorio en vez de inventar un procedimiento completo. Esto encaja mejor con la recomendación del fabricante de tareas basadas en fuentes que pedir al modelo compacto que actúe como un almacén 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 fabricante recomienda temperature 0.1, top-k 50 y una penalización por repetición de 1.1 para generación. Son ajustes de la configuración del modelo con ese nombre. Mantén el resultado final diferenciado del texto de razonamiento y deja espacio para ambos en una petición de trabajo. No deben darse por supuestos en este modelo controles o modos de respuesta directa de otras ediciones LFM de instrucciones.\n\nEl modelo utiliza un formato de conversación similar a ChatML, con roles de sistema, usuario, asistente y herramienta. Su flujo documentado de funciones tiene cuatro etapas: definir las herramientas, dejar 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 delimitadas por marcadores de llamada a herramienta; el fabricante también describe cómo solicitar un formato JSON de llamadas mediante la instrucción de sistema. Utiliza el analizador adecuado, comprueba el nombre de la función y los argumentos frente a las definiciones suministradas y conserva el resultado junto a la llamada que lo produjo.\n\nPara un flujo compacto de agente, expón únicamente las funciones pertinentes 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 aportado, comparar el estado devuelto con una regla y explicar si hace falta seguimiento. Proporciona el identificador del registro como prueba y pide una respuesta final vinculada a la observación devuelta. El modelo propone e interpreta la operación; la aplicación aporta su ejecución y resultado reales.\n\nLa ficha actual del fabricante especifica un contexto del modelo de 131.072 tokens, y la versión describe una etapa específica de ampliación de contexto. Trabaja dentro de la ventana de la configuración utilizada, conservando los límites de las fuentes, el historial pertinente y espacio para continuar. Para varios documentos, pide una comparación concreta o una dependencia que deba rastrearse. El checkpoint nativo y los archivos GGUF, ONNX y MLX sirven para distintas necesidades de despliegue, y un modelo borrador para descodificación especulativa es un componente complementario separado. Las cifras de recursos o velocidad de una configuración no describen automáticamente todos los formatos del modelo y las ventanas de trabajo.\n\nLiquid desaconseja expresamente LFM2.5-2.6B para programación mediante agentes o tareas que requieran amplios conocimientos. Mantén su uso centrado en flujos concretos con pruebas aportadas, reglas de extracción y observaciones de herramientas. El checkpoint preentrenado Base también es un componente 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 un resultado registrado. Conserva la información sin resolver cuando afecte a la conclusión, en lugar de dejar que un texto fluido la oculte.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "318bb716bc309c1a9dc161e29ccf771ce3f9c343c7e66e243460abe17e40587b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B es un modelo compacto de razonamiento con texto para agentes, uso de herramientas, extracción de datos y RAG. Su diseño híbrido tiene 2690 millones de parámetros. Razona antes de responder y funciona mejor con material de origen concreto y herramientas claramente definidas; el fabricante desaconseja la programación mediante agentes y las tareas que requieren amplios 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 2690 millones 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 del 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 de agentes, uso de herramientas, extracción de datos, generación aumentada por recuperación y flujos de contexto largo. La cadena de entrenamiento de la versión combina ajuste fino supervisado, modelos docentes especializados, destilación on-policy de varios dominios y aprendizaje por refuerzo dentro de entornos de agentes. Esto ayuda a explicar su enfoque en seguir instrucciones de tarea, utilizar observaciones de herramientas y avanzar por varios pasos. Proporciona los materiales reales y un objetivo preciso, en lugar de confiar en amplios conocimientos aprendidos para rellenar vacíos.
Para extracción, define los campos y las reglas de las fuentes antes de proporcionar el material. Una petición práctica es: «Lee estas actualizaciones del servicio, extrae el identificador de cada registro, el estado indicado y la siguiente acción requerida, y conserva la frase que respalda cada campo. Devuelve null cuando falte un campo». Especifica si debe copiarse un valor exactamente, normalizarlo o inferirlo. Esto permite examinar la salida e impide que una interpretación plausible sustituya silenciosamente a la información realmente presente en la fuente.
Para RAG, proporciona pasajes pertinentes con etiquetas estables y pide una respuesta fundamentada en ellos. Un ejemplo es: «Utilizando únicamente estas instrucciones de instalación, explica qué pasos se aplican al entorno indicado y enumera los requisitos previos que siguen sin conocerse». Mantén las versiones de documentos y las condiciones junto al texto. Pide al modelo que identifique un hecho ausente o contradictorio en vez de inventar un procedimiento completo. Esto encaja mejor con la recomendación del fabricante de tareas basadas en fuentes que pedir al modelo compacto que actúe como un almacén 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 fabricante recomienda temperature 0.1, top-k 50 y una penalización por repetición de 1.1 para generación. Son ajustes de la configuración del modelo con ese nombre. Mantén el resultado final diferenciado del texto de razonamiento y deja espacio para ambos en una petición de trabajo. No deben darse por supuestos en este modelo controles o modos de respuesta directa de otras ediciones LFM de instrucciones.
El modelo utiliza un formato de conversación similar a ChatML, con roles de sistema, usuario, asistente y herramienta. Su flujo documentado de funciones tiene cuatro etapas: definir las herramientas, dejar 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 delimitadas por marcadores de llamada a herramienta; el fabricante también describe cómo solicitar un formato JSON de llamadas mediante la instrucción de sistema. Utiliza el analizador adecuado, comprueba el nombre de la función y los argumentos frente a las definiciones suministradas y conserva el resultado junto a la llamada que lo produjo.
Para un flujo compacto de agente, expón únicamente las funciones pertinentes 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 aportado, comparar el estado devuelto con una regla y explicar si hace falta seguimiento. Proporciona el identificador del registro como prueba y pide una respuesta final vinculada a la observación devuelta. El modelo propone e interpreta la operación; la aplicación aporta su ejecución y resultado reales.
La ficha actual del fabricante especifica un contexto del modelo de 131.072 tokens, y la versión describe una etapa específica de ampliación de contexto. Trabaja dentro de la ventana de la configuración utilizada, conservando los límites de las fuentes, el historial pertinente y espacio para continuar. Para varios documentos, pide una comparación concreta o una dependencia que deba rastrearse. El checkpoint nativo y los archivos GGUF, ONNX y MLX sirven para distintas necesidades de despliegue, y un modelo borrador para descodificación especulativa es un componente complementario separado. Las cifras de recursos o velocidad de una configuración no describen automáticamente todos los formatos del modelo y las ventanas de trabajo.
Liquid desaconseja expresamente LFM2.5-2.6B para programación mediante agentes o tareas que requieran amplios conocimientos. Mantén su uso centrado en flujos concretos con pruebas aportadas, reglas de extracción y observaciones de herramientas. El checkpoint preentrenado Base también es un componente 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 un resultado registrado. Conserva la información sin resolver cuando afecte a la conclusión, en lugar de dejar 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: 8192 | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Máximo: 8192 | 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 $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 con texto para agentes, uso de herramientas, extracción de datos y RAG. Su diseño híbrido tiene 2690 millones de parámetros. Razona antes de responder y funciona mejor con material de origen concreto y herramientas claramente definidas; el fabricante desaconseja la programación mediante agentes y las tareas que requieren amplios 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 2690 millones 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 del 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 de agentes, uso de herramientas, extracción de datos, generación aumentada por recuperación y flujos de contexto largo. La cadena de entrenamiento de la versión combina ajuste fino supervisado, modelos docentes especializados, destilación on-policy de varios dominios y aprendizaje por refuerzo dentro de entornos de agentes. Esto ayuda a explicar su enfoque en seguir instrucciones de tarea, utilizar observaciones de herramientas y avanzar por varios pasos. Proporciona los materiales reales y un objetivo preciso, en lugar de confiar en amplios conocimientos aprendidos para rellenar vacíos.
Para extracción, define los campos y las reglas de las fuentes antes de proporcionar el material. Una petición práctica es: «Lee estas actualizaciones del servicio, extrae el identificador de cada registro, el estado indicado y la siguiente acción requerida, y conserva la frase que respalda cada campo. Devuelve null cuando falte un campo». Especifica si debe copiarse un valor exactamente, normalizarlo o inferirlo. Esto permite examinar la salida e impide que una interpretación plausible sustituya silenciosamente a la información realmente presente en la fuente.
Para RAG, proporciona pasajes pertinentes con etiquetas estables y pide una respuesta fundamentada en ellos. Un ejemplo es: «Utilizando únicamente estas instrucciones de instalación, explica qué pasos se aplican al entorno indicado y enumera los requisitos previos que siguen sin conocerse». Mantén las versiones de documentos y las condiciones junto al texto. Pide al modelo que identifique un hecho ausente o contradictorio en vez de inventar un procedimiento completo. Esto encaja mejor con la recomendación del fabricante de tareas basadas en fuentes que pedir al modelo compacto que actúe como un almacén 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 fabricante recomienda temperature 0.1, top-k 50 y una penalización por repetición de 1.1 para generación. Son ajustes de la configuración del modelo con ese nombre. Mantén el resultado final diferenciado del texto de razonamiento y deja espacio para ambos en una petición de trabajo. No deben darse por supuestos en este modelo controles o modos de respuesta directa de otras ediciones LFM de instrucciones.
El modelo utiliza un formato de conversación similar a ChatML, con roles de sistema, usuario, asistente y herramienta. Su flujo documentado de funciones tiene cuatro etapas: definir las herramientas, dejar 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 delimitadas por marcadores de llamada a herramienta; el fabricante también describe cómo solicitar un formato JSON de llamadas mediante la instrucción de sistema. Utiliza el analizador adecuado, comprueba el nombre de la función y los argumentos frente a las definiciones suministradas y conserva el resultado junto a la llamada que lo produjo.
Para un flujo compacto de agente, expón únicamente las funciones pertinentes 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 aportado, comparar el estado devuelto con una regla y explicar si hace falta seguimiento. Proporciona el identificador del registro como prueba y pide una respuesta final vinculada a la observación devuelta. El modelo propone e interpreta la operación; la aplicación aporta su ejecución y resultado reales.
La ficha actual del fabricante especifica un contexto del modelo de 131.072 tokens, y la versión describe una etapa específica de ampliación de contexto. Trabaja dentro de la ventana de la configuración utilizada, conservando los límites de las fuentes, el historial pertinente y espacio para continuar. Para varios documentos, pide una comparación concreta o una dependencia que deba rastrearse. El checkpoint nativo y los archivos GGUF, ONNX y MLX sirven para distintas necesidades de despliegue, y un modelo borrador para descodificación especulativa es un componente complementario separado. Las cifras de recursos o velocidad de una configuración no describen automáticamente todos los formatos del modelo y las ventanas de trabajo.
Liquid desaconseja expresamente LFM2.5-2.6B para programación mediante agentes o tareas que requieran amplios conocimientos. Mantén su uso centrado en flujos concretos con pruebas aportadas, reglas de extracción y observaciones de herramientas. El checkpoint preentrenado Base también es un componente 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 un resultado registrado. Conserva la información sin resolver cuando afecte a la conclusión, en lugar de dejar 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: 8192 | 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 $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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.