LiquidAI: LFM2.5-2.6B
liquid/lfm-2.5-2.6bLiquid AI:n kompakti tekstimalli tiedon poimintaan, asiakirjapohjaisiin vastauksiin ja vaiheittaisiin tehtäviin laajalla kontekstilla.
Kompakti malli agenttikoulutuksella
LFM2.5-2.6B on Liquid AI:n tekstimalli tehtäviin, joissa ohjeiden noudattaminen, asiakirjojen käsittely ja useiden vaiheiden peräkkäinen suorittaminen ovat tärkeitä. LFM2.5-perheessä tämä versio on saanut erillistä koulutusta agenttityönkulkuihin: kehittäjä koulutti sitä työkalujen käyttöön ja tyypillisiin agenttien työympäristöihin. Koulutus koskee mallin toimintaa; sovelluksen konkreettiset toimet määrää integraatio.
LFM2.5-2.6B perustuu LFM2-hybridiarkkitehtuuriin, jossa on 2,69 miljardia parametria. Se yhdistää lyhyen konvoluution ja ryhmitellyn tarkkaavaisuuden lohkoja. Liquid AI kehittää perhettä laitteissa toimimista varten, mutta Ailoot API:ssa mallia käytetään tekstirajapinnalla: käyttäjä lähettää viestejä ja saa tekstivastauksen.
Missä mallista on hyötyä
Malli sopii tietojen poimintaan tekstistä, annettua aineistoa koskeviin kysymyksiin ja pitkien ohjeiden käsittelyyn. Voit esimerkiksi antaa asiakkaan kanssa käytyä kirjeenvaihtoa, pyytää kokoamaan vaatimukset yhdeksi luetteloksi, tunnistamaan ristiriidat ja valmistelemaan täsmentävän kirjeen. Tietopohjaan perustuvaa vastausta varten kannattaa liittää löydetyt katkelmat ja määritellä säännöksi tukeutua niihin, säilyttää nimet ja merkitä tarvittavan tiedon puuttuminen.
Liquid AI:n dokumentaatiossa käyttökohteiksi mainitaan tiedon poiminta, RAG ja pitkän kontekstin työnkulut. Kehittäjä myös rajaa käyttöä: agenttipohjainen ohjelmointi ja paljon faktatietoa ilman annettuja lähteitä vaativat tehtävät eivät kuulu tämän version suositeltuihin tehtäviin. Alan termejä käsiteltäessä kannattaa sisällyttää pyyntöön määritelmät ja alkuperäiset asiakirjat.
Konteksti ja kielet
Ailoot API:ssa mallille ilmoitetaan 128 000 tokenin konteksti. Se sisältää tehtävän aineistot ja keskusteluhistorian; vastauksen koko on suunniteltava yhdessä niiden kanssa. Kehittäjän mallikortti luettelee 16 kieltä, kuten venäjän, englannin, kiinan, saksan ja espanjan. Mallia voi näin käyttää asiakirjojen ja kirjeenvaihdon monikieliseen käsittelyyn, kun ohjeessa säilytetään toivottu kieli ja tuloksen muoto.
Saatavilla Ailoot API:n kautta
POST /v1/messages- Syötetyypit
text- Tulostyypit
text- Konteksti
- Ei määritelty luettelossa
- Vastauksen enimmäispituus
- Ei määritelty luettelossa
- Syöte
- 0,0007 $ / 1K
- Tuloste
- 0,001 $ / 1K
- Välimuistin luku
- 0,00008 $ / 1K
POST /v1/responses- Syötetyypit
text- Tulostyypit
text- Konteksti
- Ei määritelty luettelossa
- Vastauksen enimmäispituus
- Ei määritelty luettelossa
- Syöte
- 0,0007 $ / 1K
- Tuloste
- 0,001 $ / 1K
- Välimuistin luku
- 0,00008 $ / 1K
POST /v1/chat/completions- Syötetyypit
text- Tulostyypit
text- Konteksti
- Ei määritelty luettelossa
- Vastauksen enimmäispituus
- Ei määritelty luettelossa
- Syöte
- 0,0007 $ / 1K
- Tuloste
- 0,001 $ / 1K
- Välimuistin luku
- 0,00008 $ / 1K
POST /v1beta/models/liquid/lfm-2.5-2.6b:generateContent- Syötetyypit
text- Tulostyypit
text- Konteksti
- Ei määritelty luettelossa
- Vastauksen enimmäispituus
- Ei määritelty luettelossa
- Syöte
- 0,0007 $ / 1K
- Tuloste
- 0,001 $ / 1K
- Välimuistin luku
- 0,00008 $ / 1K
liquid/lfm-2.5-2.6b · JSON
{"about":"### Kompakti malli agenttikoulutuksella\n\nLFM2.5-2.6B on Liquid AI:n tekstimalli tehtäviin, joissa ohjeiden noudattaminen, asiakirjojen käsittely ja useiden vaiheiden peräkkäinen suorittaminen ovat tärkeitä. LFM2.5-perheessä tämä versio on saanut erillistä koulutusta agenttityönkulkuihin: kehittäjä koulutti sitä työkalujen käyttöön ja tyypillisiin agenttien työympäristöihin. Koulutus koskee mallin toimintaa; sovelluksen konkreettiset toimet määrää integraatio.\n\nLFM2.5-2.6B perustuu LFM2-hybridiarkkitehtuuriin, jossa on 2,69 miljardia parametria. Se yhdistää lyhyen konvoluution ja ryhmitellyn tarkkaavaisuuden lohkoja. Liquid AI kehittää perhettä laitteissa toimimista varten, mutta Ailoot API:ssa mallia käytetään tekstirajapinnalla: käyttäjä lähettää viestejä ja saa tekstivastauksen.\n\n### Missä mallista on hyötyä\n\nMalli sopii tietojen poimintaan tekstistä, annettua aineistoa koskeviin kysymyksiin ja pitkien ohjeiden käsittelyyn. Voit esimerkiksi antaa asiakkaan kanssa käytyä kirjeenvaihtoa, pyytää kokoamaan vaatimukset yhdeksi luetteloksi, tunnistamaan ristiriidat ja valmistelemaan täsmentävän kirjeen. Tietopohjaan perustuvaa vastausta varten kannattaa liittää löydetyt katkelmat ja määritellä säännöksi tukeutua niihin, säilyttää nimet ja merkitä tarvittavan tiedon puuttuminen.\n\nLiquid AI:n dokumentaatiossa käyttökohteiksi mainitaan tiedon poiminta, RAG ja pitkän kontekstin työnkulut. Kehittäjä myös rajaa käyttöä: agenttipohjainen ohjelmointi ja paljon faktatietoa ilman annettuja lähteitä vaativat tehtävät eivät kuulu tämän version suositeltuihin tehtäviin. Alan termejä käsiteltäessä kannattaa sisällyttää pyyntöön määritelmät ja alkuperäiset asiakirjat.\n\n### Konteksti ja kielet\n\nAiloot API:ssa mallille ilmoitetaan 128 000 tokenin konteksti. Se sisältää tehtävän aineistot ja keskusteluhistorian; vastauksen koko on suunniteltava yhdessä niiden kanssa. Kehittäjän mallikortti luettelee 16 kieltä, kuten venäjän, englannin, kiinan, saksan ja espanjan. Mallia voi näin käyttää asiakirjojen ja kirjeenvaihdon monikieliseen käsittelyyn, kun ohjeessa säilytetään toivottu kieli ja tuloksen muoto.","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":"Liquid AI:n kompakti tekstimalli tiedon poimintaan, asiakirjapohjaisiin vastauksiin ja vaiheittaisiin tehtäviin laajalla kontekstilla."}