Liquid AI LFM2.5-2.6B est le modèle textuel post-entraîné de la famille compacte LFM2.5 de Liquid, conçu pour les agents sur appareil et les parcours pratiques. Sa fiche exacte indique 2,69 milliards de paramètres et 30 couches : 22 blocs de convolution courte à double porte et huit blocs d’attention à requêtes groupées. La conception hybride vise un traitement textuel efficace. Le modèle accepte et renvoie du texte, notamment une réponse raisonnée ou une demande d’utilisation d’une fonction définie.
Le fabricant le recommande pour les charges agentiques, l’utilisation d’outils, l’extraction de données, la génération augmentée par récupération et les parcours à contexte long. L’entraînement de cette version combine ajustement supervisé, modèles enseignants spécialisés, distillation multidomaine sur politique courante et apprentissage par renforcement dans des environnements d’agents. Cela explique sa priorité au suivi des consignes, aux observations d’outils et à la progression en plusieurs étapes. Fournissez les documents réels et un objectif précis, plutôt que de compter sur des connaissances générales apprises pour combler les lacunes.
Pour l’extraction, définissez les champs et les règles de source avant de fournir les documents. Exemple pratique : « Lisez ces mises à jour de service, extrayez l’identifiant de chaque enregistrement, son état déclaré et la prochaine action requise, puis conservez la phrase étayant chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier une valeur à l’identique, la normaliser ou la déduire. Cela rend la sortie examinable et empêche une interprétation plausible de remplacer silencieusement les informations réellement présentes dans la source.
Pour le RAG, fournissez des passages pertinents avec des étiquettes stables et demandez une réponse fondée sur ceux-ci. Exemple : « À partir de ces seules instructions d’installation, expliquez quelles étapes s’appliquent à l’environnement indiqué et listez les prérequis encore inconnus. » Conservez versions documentaires et conditions avec le texte. Demandez d’identifier un fait manquant ou contradictoire plutôt que d’inventer une procédure complète. Cela correspond mieux aux tâches fondées sur les sources recommandées par le fabricant que de demander à un modèle compact de servir de réserve exhaustive de connaissances spécialisées.
LFM2.5-2.6B est un modèle de raisonnement pur : son modèle de conversation commence la réponse de l’assistant par un marqueur de réflexion, et il raisonne avant la réponse finale. Sa fiche recommande temperature 0.1, top-k 50 et une pénalité de répétition de 1.1 pour la génération. Ces réglages appartiennent à la recette du modèle nommé. Distinguez le livrable final du texte de raisonnement et laissez de la place aux deux dans la requête. Ne supposez pas que les commandes ou modes de réponse directe d’autres éditions d’instructions LFM existent pour ce modèle.
Le modèle utilise un format de conversation proche de ChatML, avec rôles système, utilisateur, assistant et outil. Son parcours documenté de fonctions compte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application, puis renvoyer le résultat réel afin que le modèle réponde. Les appels natifs sont des listes de style Python encadrées par des marqueurs d’appel d’outil ; le fabricant décrit aussi la demande d’un format d’appel JSON par instruction système. Utilisez l’analyseur adapté, vérifiez le nom de fonction et les arguments à partir des définitions fournies, puis conservez le résultat avec l’appel qui l’a produit.
Pour un parcours d’agent compact, n’exposez que les fonctions pertinentes pour la tâche actuelle, avec des descriptions concises et des types d’arguments explicites. Les définitions d’outils occupent elles-mêmes du contexte. Une séquence utile peut consulter l’état d’un enregistrement fourni, le comparer à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement comme élément justificatif et demandez une réponse finale liée à l’observation renvoyée. Le modèle propose et interprète l’opération ; l’application assure son exécution et son résultat réels.
La fiche actuelle du fabricant spécifie un contexte de 131 072 tokens, et la publication décrit une étape dédiée d’extension du contexte. Respectez la fenêtre de la configuration utilisée, en conservant les limites des sources, l’historique pertinent et de la place pour la continuation. Pour plusieurs documents, demandez une comparaison précise ou une dépendance à retracer. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à des besoins de déploiement différents ; un modèle auxiliaire de proposition pour le décodage spéculatif constitue un livrable compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement chaque format et fenêtre de travail.
Liquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique et les tâches exigeant de vastes connaissances. Concentrez-le sur des parcours concrets avec éléments fournis, règles d’extraction et observations d’outils. Le point de contrôle préentraîné Base est également un livrable distinct destiné à la personnalisation, tandis que cette édition post-entraînée est le modèle d’agent. Pour le résultat final, vérifiez les valeurs extraites à partir de leur source, contrôlez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération au résultat enregistré. Préservez les informations non résolues qui affectent la conclusion, sans les laisser masquer par un texte fluide.
", "aboutText": "Liquid AI LFM2.5-2.6B est le modèle textuel post-entraîné de la famille compacte LFM2.5 de Liquid, conçu pour les agents sur appareil et les parcours pratiques. Sa fiche exacte indique 2,69 milliards de paramètres et 30 couches : 22 blocs de convolution courte à double porte et huit blocs d’attention à requêtes groupées. La conception hybride vise un traitement textuel efficace. Le modèle accepte et renvoie du texte, notamment une réponse raisonnée ou une demande d’utilisation d’une fonction définie.\n\nLe fabricant le recommande pour les charges agentiques, l’utilisation d’outils, l’extraction de données, la génération augmentée par récupération et les parcours à contexte long. L’entraînement de cette version combine ajustement supervisé, modèles enseignants spécialisés, distillation multidomaine sur politique courante et apprentissage par renforcement dans des environnements d’agents. Cela explique sa priorité au suivi des consignes, aux observations d’outils et à la progression en plusieurs étapes. Fournissez les documents réels et un objectif précis, plutôt que de compter sur des connaissances générales apprises pour combler les lacunes.\n\nPour l’extraction, définissez les champs et les règles de source avant de fournir les documents. Exemple pratique : « Lisez ces mises à jour de service, extrayez l’identifiant de chaque enregistrement, son état déclaré et la prochaine action requise, puis conservez la phrase étayant chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier une valeur à l’identique, la normaliser ou la déduire. Cela rend la sortie examinable et empêche une interprétation plausible de remplacer silencieusement les informations réellement présentes dans la source.\n\nPour le RAG, fournissez des passages pertinents avec des étiquettes stables et demandez une réponse fondée sur ceux-ci. Exemple : « À partir de ces seules instructions d’installation, expliquez quelles étapes s’appliquent à l’environnement indiqué et listez les prérequis encore inconnus. » Conservez versions documentaires et conditions avec le texte. Demandez d’identifier un fait manquant ou contradictoire plutôt que d’inventer une procédure complète. Cela correspond mieux aux tâches fondées sur les sources recommandées par le fabricant que de demander à un modèle compact de servir de réserve exhaustive de connaissances spécialisées.\n\nLFM2.5-2.6B est un modèle de raisonnement pur : son modèle de conversation commence la réponse de l’assistant par un marqueur de réflexion, et il raisonne avant la réponse finale. Sa fiche recommande temperature 0.1, top-k 50 et une pénalité de répétition de 1.1 pour la génération. Ces réglages appartiennent à la recette du modèle nommé. Distinguez le livrable final du texte de raisonnement et laissez de la place aux deux dans la requête. Ne supposez pas que les commandes ou modes de réponse directe d’autres éditions d’instructions LFM existent pour ce modèle.\n\nLe modèle utilise un format de conversation proche de ChatML, avec rôles système, utilisateur, assistant et outil. Son parcours documenté de fonctions compte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application, puis renvoyer le résultat réel afin que le modèle réponde. Les appels natifs sont des listes de style Python encadrées par des marqueurs d’appel d’outil ; le fabricant décrit aussi la demande d’un format d’appel JSON par instruction système. Utilisez l’analyseur adapté, vérifiez le nom de fonction et les arguments à partir des définitions fournies, puis conservez le résultat avec l’appel qui l’a produit.\n\nPour un parcours d’agent compact, n’exposez que les fonctions pertinentes pour la tâche actuelle, avec des descriptions concises et des types d’arguments explicites. Les définitions d’outils occupent elles-mêmes du contexte. Une séquence utile peut consulter l’état d’un enregistrement fourni, le comparer à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement comme élément justificatif et demandez une réponse finale liée à l’observation renvoyée. Le modèle propose et interprète l’opération ; l’application assure son exécution et son résultat réels.\n\nLa fiche actuelle du fabricant spécifie un contexte de 131 072 tokens, et la publication décrit une étape dédiée d’extension du contexte. Respectez la fenêtre de la configuration utilisée, en conservant les limites des sources, l’historique pertinent et de la place pour la continuation. Pour plusieurs documents, demandez une comparaison précise ou une dépendance à retracer. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à des besoins de déploiement différents ; un modèle auxiliaire de proposition pour le décodage spéculatif constitue un livrable compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement chaque format et fenêtre de travail.\n\nLiquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique et les tâches exigeant de vastes connaissances. Concentrez-le sur des parcours concrets avec éléments fournis, règles d’extraction et observations d’outils. Le point de contrôle préentraîné Base est également un livrable distinct destiné à la personnalisation, tandis que cette édition post-entraînée est le modèle d’agent. Pour le résultat final, vérifiez les valeurs extraites à partir de leur source, contrôlez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération au résultat enregistré. Préservez les informations non résolues qui affectent la conclusion, sans les laisser masquer par un texte fluide.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0d85f60291cb72477cb2b4e77eb555fc9ba41276be6f84a0b0050d064c568a35", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B est un modèle compact de raisonnement textuel pour les agents, l’utilisation d’outils, l’extraction de données et le RAG. Sa conception hybride compte 2,69 milliards de paramètres. Il raisonne avant de répondre et convient surtout à des sources concrètes et des outils clairement définis ; le fabricant déconseille la programmation agentique et les tâches exigeant de vastes connaissances.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Liquid AI LFM2.5-2.6B est le modèle textuel post-entraîné de la famille compacte LFM2.5 de Liquid, conçu pour les agents sur appareil et les parcours pratiques. Sa fiche exacte indique 2,69 milliards de paramètres et 30 couches : 22 blocs de convolution courte à double porte et huit blocs d’attention à requêtes groupées. La conception hybride vise un traitement textuel efficace. Le modèle accepte et renvoie du texte, notamment une réponse raisonnée ou une demande d’utilisation d’une fonction définie.
Le fabricant le recommande pour les charges agentiques, l’utilisation d’outils, l’extraction de données, la génération augmentée par récupération et les parcours à contexte long. L’entraînement de cette version combine ajustement supervisé, modèles enseignants spécialisés, distillation multidomaine sur politique courante et apprentissage par renforcement dans des environnements d’agents. Cela explique sa priorité au suivi des consignes, aux observations d’outils et à la progression en plusieurs étapes. Fournissez les documents réels et un objectif précis, plutôt que de compter sur des connaissances générales apprises pour combler les lacunes.
Pour l’extraction, définissez les champs et les règles de source avant de fournir les documents. Exemple pratique : « Lisez ces mises à jour de service, extrayez l’identifiant de chaque enregistrement, son état déclaré et la prochaine action requise, puis conservez la phrase étayant chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier une valeur à l’identique, la normaliser ou la déduire. Cela rend la sortie examinable et empêche une interprétation plausible de remplacer silencieusement les informations réellement présentes dans la source.
Pour le RAG, fournissez des passages pertinents avec des étiquettes stables et demandez une réponse fondée sur ceux-ci. Exemple : « À partir de ces seules instructions d’installation, expliquez quelles étapes s’appliquent à l’environnement indiqué et listez les prérequis encore inconnus. » Conservez versions documentaires et conditions avec le texte. Demandez d’identifier un fait manquant ou contradictoire plutôt que d’inventer une procédure complète. Cela correspond mieux aux tâches fondées sur les sources recommandées par le fabricant que de demander à un modèle compact de servir de réserve exhaustive de connaissances spécialisées.
LFM2.5-2.6B est un modèle de raisonnement pur : son modèle de conversation commence la réponse de l’assistant par un marqueur de réflexion, et il raisonne avant la réponse finale. Sa fiche recommande temperature 0.1, top-k 50 et une pénalité de répétition de 1.1 pour la génération. Ces réglages appartiennent à la recette du modèle nommé. Distinguez le livrable final du texte de raisonnement et laissez de la place aux deux dans la requête. Ne supposez pas que les commandes ou modes de réponse directe d’autres éditions d’instructions LFM existent pour ce modèle.
Le modèle utilise un format de conversation proche de ChatML, avec rôles système, utilisateur, assistant et outil. Son parcours documenté de fonctions compte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application, puis renvoyer le résultat réel afin que le modèle réponde. Les appels natifs sont des listes de style Python encadrées par des marqueurs d’appel d’outil ; le fabricant décrit aussi la demande d’un format d’appel JSON par instruction système. Utilisez l’analyseur adapté, vérifiez le nom de fonction et les arguments à partir des définitions fournies, puis conservez le résultat avec l’appel qui l’a produit.
Pour un parcours d’agent compact, n’exposez que les fonctions pertinentes pour la tâche actuelle, avec des descriptions concises et des types d’arguments explicites. Les définitions d’outils occupent elles-mêmes du contexte. Une séquence utile peut consulter l’état d’un enregistrement fourni, le comparer à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement comme élément justificatif et demandez une réponse finale liée à l’observation renvoyée. Le modèle propose et interprète l’opération ; l’application assure son exécution et son résultat réels.
La fiche actuelle du fabricant spécifie un contexte de 131 072 tokens, et la publication décrit une étape dédiée d’extension du contexte. Respectez la fenêtre de la configuration utilisée, en conservant les limites des sources, l’historique pertinent et de la place pour la continuation. Pour plusieurs documents, demandez une comparaison précise ou une dépendance à retracer. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à des besoins de déploiement différents ; un modèle auxiliaire de proposition pour le décodage spéculatif constitue un livrable compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement chaque format et fenêtre de travail.
Liquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique et les tâches exigeant de vastes connaissances. Concentrez-le sur des parcours concrets avec éléments fournis, règles d’extraction et observations d’outils. Le point de contrôle préentraîné Base est également un livrable distinct destiné à la personnalisation, tandis que cette édition post-entraînée est le modèle d’agent. Pour le résultat final, vérifiez les valeurs extraites à partir de leur source, contrôlez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération au résultat enregistré. Préservez les informations non résolues qui affectent la conclusion, sans les laisser masquer par un texte fluide.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites liquid/lfm-2.5-2.6b:free | Par défaut— |
Champmessages | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites false | Par défautfalse |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 8 192 | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 8 192 | Par défaut— |
Champn | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 128 | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champseed | Typeinteger | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstop | Type | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champfrequency_penalty | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champpresence_penalty | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional | Contratstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Paramètrematerial_types | Contrattext |
Paramètreconditions | ContratUse 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. |
Cycle de vie : synchronous_json
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
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
Utilisez les chemins de méthode indiqués ci-dessus.
liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B est un modèle compact de raisonnement textuel pour les agents, l’utilisation d’outils, l’extraction de données et le RAG. Sa conception hybride compte 2,69 milliards de paramètres. Il raisonne avant de répondre et convient surtout à des sources concrètes et des outils clairement définis ; le fabricant déconseille la programmation agentique et les tâches exigeant de vastes connaissances.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Liquid AI LFM2.5-2.6B est le modèle textuel post-entraîné de la famille compacte LFM2.5 de Liquid, conçu pour les agents sur appareil et les parcours pratiques. Sa fiche exacte indique 2,69 milliards de paramètres et 30 couches : 22 blocs de convolution courte à double porte et huit blocs d’attention à requêtes groupées. La conception hybride vise un traitement textuel efficace. Le modèle accepte et renvoie du texte, notamment une réponse raisonnée ou une demande d’utilisation d’une fonction définie.
Le fabricant le recommande pour les charges agentiques, l’utilisation d’outils, l’extraction de données, la génération augmentée par récupération et les parcours à contexte long. L’entraînement de cette version combine ajustement supervisé, modèles enseignants spécialisés, distillation multidomaine sur politique courante et apprentissage par renforcement dans des environnements d’agents. Cela explique sa priorité au suivi des consignes, aux observations d’outils et à la progression en plusieurs étapes. Fournissez les documents réels et un objectif précis, plutôt que de compter sur des connaissances générales apprises pour combler les lacunes.
Pour l’extraction, définissez les champs et les règles de source avant de fournir les documents. Exemple pratique : « Lisez ces mises à jour de service, extrayez l’identifiant de chaque enregistrement, son état déclaré et la prochaine action requise, puis conservez la phrase étayant chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier une valeur à l’identique, la normaliser ou la déduire. Cela rend la sortie examinable et empêche une interprétation plausible de remplacer silencieusement les informations réellement présentes dans la source.
Pour le RAG, fournissez des passages pertinents avec des étiquettes stables et demandez une réponse fondée sur ceux-ci. Exemple : « À partir de ces seules instructions d’installation, expliquez quelles étapes s’appliquent à l’environnement indiqué et listez les prérequis encore inconnus. » Conservez versions documentaires et conditions avec le texte. Demandez d’identifier un fait manquant ou contradictoire plutôt que d’inventer une procédure complète. Cela correspond mieux aux tâches fondées sur les sources recommandées par le fabricant que de demander à un modèle compact de servir de réserve exhaustive de connaissances spécialisées.
LFM2.5-2.6B est un modèle de raisonnement pur : son modèle de conversation commence la réponse de l’assistant par un marqueur de réflexion, et il raisonne avant la réponse finale. Sa fiche recommande temperature 0.1, top-k 50 et une pénalité de répétition de 1.1 pour la génération. Ces réglages appartiennent à la recette du modèle nommé. Distinguez le livrable final du texte de raisonnement et laissez de la place aux deux dans la requête. Ne supposez pas que les commandes ou modes de réponse directe d’autres éditions d’instructions LFM existent pour ce modèle.
Le modèle utilise un format de conversation proche de ChatML, avec rôles système, utilisateur, assistant et outil. Son parcours documenté de fonctions compte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application, puis renvoyer le résultat réel afin que le modèle réponde. Les appels natifs sont des listes de style Python encadrées par des marqueurs d’appel d’outil ; le fabricant décrit aussi la demande d’un format d’appel JSON par instruction système. Utilisez l’analyseur adapté, vérifiez le nom de fonction et les arguments à partir des définitions fournies, puis conservez le résultat avec l’appel qui l’a produit.
Pour un parcours d’agent compact, n’exposez que les fonctions pertinentes pour la tâche actuelle, avec des descriptions concises et des types d’arguments explicites. Les définitions d’outils occupent elles-mêmes du contexte. Une séquence utile peut consulter l’état d’un enregistrement fourni, le comparer à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement comme élément justificatif et demandez une réponse finale liée à l’observation renvoyée. Le modèle propose et interprète l’opération ; l’application assure son exécution et son résultat réels.
La fiche actuelle du fabricant spécifie un contexte de 131 072 tokens, et la publication décrit une étape dédiée d’extension du contexte. Respectez la fenêtre de la configuration utilisée, en conservant les limites des sources, l’historique pertinent et de la place pour la continuation. Pour plusieurs documents, demandez une comparaison précise ou une dépendance à retracer. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à des besoins de déploiement différents ; un modèle auxiliaire de proposition pour le décodage spéculatif constitue un livrable compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement chaque format et fenêtre de travail.
Liquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique et les tâches exigeant de vastes connaissances. Concentrez-le sur des parcours concrets avec éléments fournis, règles d’extraction et observations d’outils. Le point de contrôle préentraîné Base est également un livrable distinct destiné à la personnalisation, tandis que cette édition post-entraînée est le modèle d’agent. Pour le résultat final, vérifiez les valeurs extraites à partir de leur source, contrôlez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération au résultat enregistré. Préservez les informations non résolues qui affectent la conclusion, sans les laisser masquer par un texte fluide.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites liquid/lfm-2.5-2.6b:free | Par défaut— |
Champmessages | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites false | Par défautfalse |
Champsystem | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 Maximum: 8 192 | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_k | Typeinteger | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstop_sequences | Typearray | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional | Contratstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Paramètrematerial_types | Contrattext |
Paramètreconditions | ContratUse 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. |
Cycle de vie : synchronous_json
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
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
Utilisez les chemins de méthode indiqués ci-dessus.