LiquidAI: LFM2.5-2.6B

{"about":"### Un modelo compacto preparado para usos con agentes\n\nLFM2.5-2.6B es un modelo de texto de Liquid AI creado para tareas en las que importan el seguimiento de instrucciones, el procesamiento de documentos y la realización sucesiva de varios pasos. Dentro de la familia LFM2.5, esta versión recibió preparación específica para usos con agentes: el desarrollador la entrenó con interacciones con herramientas y entornos de trabajo habituales de agentes. Ese entrenamiento se refiere al comportamiento del modelo; las acciones concretas en una aplicación las define la integración.\n\nLFM2.5-2.6B se basa en la arquitectura híbrida LFM2, con 2,69 mil millones de parámetros. Combina bloques de convolución corta y atención agrupada. Liquid AI desarrolla esta familia pensando en su ejecución en dispositivos, pero en Ailoot el modelo se utiliza mediante una interfaz de texto: el usuario envía mensajes y recibe una respuesta de texto.\n\n### Dónde resulta útil\n\nEl modelo sirve para extraer información de textos, responder preguntas sobre materiales proporcionados y procesar instrucciones largas. Por ejemplo, puedes enviar correspondencia con un cliente, pedir que se reúnan los requisitos en una sola lista y después identificar contradicciones y preparar una carta de aclaración. Para responder con una base de conocimiento, conviene adjuntar los fragmentos recuperados y establecer una regla: basarse en ellos, conservar sus nombres e indicar cuando falte un dato necesario.\n\nLa documentación de Liquid AI enumera la extracción de datos, RAG y los usos con contexto largo entre sus áreas de trabajo. El desarrollador delimita expresamente su ámbito de aplicación: la programación con agentes y las tareas que requieren muchos conocimientos factuales sin fuentes proporcionadas no se encuentran entre las recomendadas para esta versión. Al trabajar con términos sectoriales, es preferible incluir definiciones y documentos de origen en la solicitud.\n\n### Contexto e idiomas\n\nEn Ailoot se indica un contexto de 128 000 tokens para este modelo. Incluye los materiales de la tarea y el historial de conversación; el tamaño de la respuesta debe planificarse junto con ellos. La ficha del desarrollador enumera 16 idiomas, entre ellos ruso, inglés, chino, alemán y español. Esto permite utilizar el modelo para procesar documentos y correspondencia multilingües, manteniendo en las instrucciones el idioma y el formato deseados para el resultado.","alias_of":null,"aliases":[],"author":"Liquid","canonical_model":"liquid/lfm-2.5-2.6b","ctx":null,"formats":["chat","gemini","messages","responses"],"id":"liquid/lfm-2.5-2.6b","input":["text"],"kind":"text","max_out":null,"methods":[{"cache_read":0.08,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"anthropic","fast_multiplier":1,"flex_multiplier":1,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":0.7,"input":["text"],"label":"Anthropic Messages","max_out":null,"max_tool_calls":null,"out":1.0,"output":["text"],"path":"/v1/messages","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.08,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":0.7,"input":["text"],"label":"OpenAI Responses","max_out":null,"max_tool_calls":null,"out":1.0,"output":["text"],"path":"/v1/responses","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.08,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":0.7,"input":["text"],"label":"OpenAI Chat","max_out":null,"max_tool_calls":null,"out":1.0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.08,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"gemini","fast_multiplier":1,"flex_multiplier":1,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":0.7,"input":["text"],"label":"Gemini generateContent","max_out":null,"max_tool_calls":null,"out":1.0,"output":["text"],"path":"/v1beta/models/liquid/lfm-2.5-2.6b:generateContent","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"liquid/lfm-2.5-2.6b","request_model_id":"liquid/lfm-2.5-2.6b","route_label":"Ultra"}],"name":"LiquidAI: LFM2.5-2.6B","price":{"in":0.7,"in_label":null,"out":1.0,"out_label":null,"sort_in":0.7,"sort_out":1.0,"varies":false},"public_id":"liquid/lfm-2.5-2.6b","short":"Modelo de texto compacto de Liquid AI para extracción de datos, respuestas sobre documentos y tareas sucesivas con un contexto amplio."}