Liquid AI LFM2.5-2.6B est le modèle textuel postentraîné de la famille compacte LFM2.5 de Liquid, conçu pour les agents exécutés sur l’appareil et les processus 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 du texte et renvoie du texte, notamment une réponse raisonnée ou une demande d’utilisation d’une fonction définie.
Le fabricant le recommande pour les tâches agentiques, l’utilisation d’outils, l’extraction de données, la génération augmentée par récupération et les processus à contexte long. La chaîne d’entraînement de cette version combine le réglage fin supervisé, des modèles enseignants spécialisés, la distillation multidomaine selon la politique courante et l’apprentissage par renforcement dans des environnements d’agents. Cela aide à expliquer son orientation vers le suivi de consignes, l’utilisation d’observations d’outils et la progression en plusieurs étapes. Donnez-lui les documents réels et un objectif précis plutôt que de compter sur des connaissances générales apprises pour combler les lacunes.
Pour une extraction, définissez les champs et les règles relatives aux sources avant de fournir le contenu. Une demande pratique est : « Lisez ces mises à jour de service, extrayez l’identifiant, le statut indiqué et la prochaine action requise de chaque dossier, et conservez la phrase qui appuie chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier une valeur exactement, la normaliser ou la déduire. Cela rend la sortie examinable et empêche qu’une interprétation plausible remplace silencieusement les renseignements réellement présents dans la source.
Pour la RAG, fournissez les passages pertinents avec des étiquettes stables et demandez une réponse fondée sur ceux-ci. Exemple : « En utilisant uniquement ces consignes d’installation, expliquez les étapes qui s’appliquent à l’environnement indiqué et énumérez les préalables encore inconnus. » Gardez les versions des documents et les conditions avec le texte. Demandez au modèle de signaler un fait manquant ou contradictoire plutôt que d’inventer une procédure complète. Cette approche correspond mieux à la recommandation du fabricant pour les tâches fondées sur les sources que de demander au 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. La fiche du fabricant recommande temperature 0.1, top-k 50 et une pénalité de répétition de 1.1 pour la génération. Ce sont les réglages de la configuration du modèle nommé. Distinguez le livrable final du texte de raisonnement et réservez de la place aux deux dans la requête de travail. Il ne faut pas présumer que ce modèle dispose des commandes ou des modes de réponse directe d’autres éditions LFM de suivi de consignes.
Le modèle utilise un format de conversation semblable à ChatML avec les rôles system, user, assistant et tool. Son processus de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application qui l’entoure et renvoyer le résultat réel pour permettre au modèle de répondre. Les appels natifs sont des listes de style Python entourées de marqueurs d’appel d’outil; le fabricant décrit aussi la demande d’un format d’appel JSON au moyen de la consigne système. Utilisez l’analyseur approprié, vérifiez le nom de fonction et les arguments selon les définitions fournies, et conservez le résultat avec l’appel qui l’a produit.
Pour un processus d’agent compact, exposez seulement 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 pourrait rechercher le statut d’un dossier fourni, comparer le statut renvoyé à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant du dossier comme élément probant et demandez une réponse finale liée à l’observation renvoyée. Le modèle propose et interprète l’opération; l’application fournit son exécution et son résultat réels.
La fiche actuelle du fabricant précise un contexte de modèle de 131 072 jetons, et la publication décrit une étape dédiée d’extension du contexte. Travaillez dans 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 de retracer une comparaison ou une dépendance précise. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à des besoins de déploiement différents; un modèle brouillon de décodage spéculatif est un livrable compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement tous les formats de modèle et toutes les fenêtres de travail.
Liquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique ou les tâches exigeant beaucoup de connaissances. Concentrez-le sur des processus concrets avec des éléments probants fournis, des règles d’extraction et des observations d’outils. Le point de contrôle Base préentraîné est aussi un livrable distinct destiné à la personnalisation, tandis que cette édition postentraînée est le modèle d’agent. Pour le résultat final, confrontez les valeurs extraites à leur source, vérifiez qu’un passage cité appuie la réponse et distinguez un appel d’outil demandé d’une opération avec un résultat enregistré. Préservez les renseignements non résolus lorsqu’ils influent sur la conclusion plutôt que de laisser un texte fluide les masquer.
", "aboutText": "Liquid AI LFM2.5-2.6B est le modèle textuel postentraîné de la famille compacte LFM2.5 de Liquid, conçu pour les agents exécutés sur l’appareil et les processus 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 du texte et renvoie du texte, notamment une réponse raisonnée ou une demande d’utilisation d’une fonction définie.\n\nLe fabricant le recommande pour les tâches agentiques, l’utilisation d’outils, l’extraction de données, la génération augmentée par récupération et les processus à contexte long. La chaîne d’entraînement de cette version combine le réglage fin supervisé, des modèles enseignants spécialisés, la distillation multidomaine selon la politique courante et l’apprentissage par renforcement dans des environnements d’agents. Cela aide à expliquer son orientation vers le suivi de consignes, l’utilisation d’observations d’outils et la progression en plusieurs étapes. Donnez-lui les documents réels et un objectif précis plutôt que de compter sur des connaissances générales apprises pour combler les lacunes.\n\nPour une extraction, définissez les champs et les règles relatives aux sources avant de fournir le contenu. Une demande pratique est : « Lisez ces mises à jour de service, extrayez l’identifiant, le statut indiqué et la prochaine action requise de chaque dossier, et conservez la phrase qui appuie chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier une valeur exactement, la normaliser ou la déduire. Cela rend la sortie examinable et empêche qu’une interprétation plausible remplace silencieusement les renseignements réellement présents dans la source.\n\nPour la RAG, fournissez les passages pertinents avec des étiquettes stables et demandez une réponse fondée sur ceux-ci. Exemple : « En utilisant uniquement ces consignes d’installation, expliquez les étapes qui s’appliquent à l’environnement indiqué et énumérez les préalables encore inconnus. » Gardez les versions des documents et les conditions avec le texte. Demandez au modèle de signaler un fait manquant ou contradictoire plutôt que d’inventer une procédure complète. Cette approche correspond mieux à la recommandation du fabricant pour les tâches fondées sur les sources que de demander au 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. La fiche du fabricant recommande temperature 0.1, top-k 50 et une pénalité de répétition de 1.1 pour la génération. Ce sont les réglages de la configuration du modèle nommé. Distinguez le livrable final du texte de raisonnement et réservez de la place aux deux dans la requête de travail. Il ne faut pas présumer que ce modèle dispose des commandes ou des modes de réponse directe d’autres éditions LFM de suivi de consignes.\n\nLe modèle utilise un format de conversation semblable à ChatML avec les rôles system, user, assistant et tool. Son processus de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application qui l’entoure et renvoyer le résultat réel pour permettre au modèle de répondre. Les appels natifs sont des listes de style Python entourées de marqueurs d’appel d’outil; le fabricant décrit aussi la demande d’un format d’appel JSON au moyen de la consigne système. Utilisez l’analyseur approprié, vérifiez le nom de fonction et les arguments selon les définitions fournies, et conservez le résultat avec l’appel qui l’a produit.\n\nPour un processus d’agent compact, exposez seulement 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 pourrait rechercher le statut d’un dossier fourni, comparer le statut renvoyé à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant du dossier comme élément probant et demandez une réponse finale liée à l’observation renvoyée. Le modèle propose et interprète l’opération; l’application fournit son exécution et son résultat réels.\n\nLa fiche actuelle du fabricant précise un contexte de modèle de 131 072 jetons, et la publication décrit une étape dédiée d’extension du contexte. Travaillez dans 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 de retracer une comparaison ou une dépendance précise. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à des besoins de déploiement différents; un modèle brouillon de décodage spéculatif est un livrable compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement tous les formats de modèle et toutes les fenêtres de travail.\n\nLiquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique ou les tâches exigeant beaucoup de connaissances. Concentrez-le sur des processus concrets avec des éléments probants fournis, des règles d’extraction et des observations d’outils. Le point de contrôle Base préentraîné est aussi un livrable distinct destiné à la personnalisation, tandis que cette édition postentraînée est le modèle d’agent. Pour le résultat final, confrontez les valeurs extraites à leur source, vérifiez qu’un passage cité appuie la réponse et distinguez un appel d’outil demandé d’une opération avec un résultat enregistré. Préservez les renseignements non résolus lorsqu’ils influent sur la conclusion plutôt que de laisser un texte fluide les masquer.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c870eec150df1b28d3e21920dfa9c4595d86973c6e142e038ab7dc0486e8bcdf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "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 la RAG. Sa conception hybride comporte 2,69 milliards de paramètres. Il raisonne avant de répondre et fonctionne mieux avec des documents sources concrets et des outils clairement définis; le fabricant déconseille la programmation agentique et les tâches exigeant beaucoup de 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 postentraîné de la famille compacte LFM2.5 de Liquid, conçu pour les agents exécutés sur l’appareil et les processus 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 du texte et renvoie du texte, notamment une réponse raisonnée ou une demande d’utilisation d’une fonction définie.
Le fabricant le recommande pour les tâches agentiques, l’utilisation d’outils, l’extraction de données, la génération augmentée par récupération et les processus à contexte long. La chaîne d’entraînement de cette version combine le réglage fin supervisé, des modèles enseignants spécialisés, la distillation multidomaine selon la politique courante et l’apprentissage par renforcement dans des environnements d’agents. Cela aide à expliquer son orientation vers le suivi de consignes, l’utilisation d’observations d’outils et la progression en plusieurs étapes. Donnez-lui les documents réels et un objectif précis plutôt que de compter sur des connaissances générales apprises pour combler les lacunes.
Pour une extraction, définissez les champs et les règles relatives aux sources avant de fournir le contenu. Une demande pratique est : « Lisez ces mises à jour de service, extrayez l’identifiant, le statut indiqué et la prochaine action requise de chaque dossier, et conservez la phrase qui appuie chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier une valeur exactement, la normaliser ou la déduire. Cela rend la sortie examinable et empêche qu’une interprétation plausible remplace silencieusement les renseignements réellement présents dans la source.
Pour la RAG, fournissez les passages pertinents avec des étiquettes stables et demandez une réponse fondée sur ceux-ci. Exemple : « En utilisant uniquement ces consignes d’installation, expliquez les étapes qui s’appliquent à l’environnement indiqué et énumérez les préalables encore inconnus. » Gardez les versions des documents et les conditions avec le texte. Demandez au modèle de signaler un fait manquant ou contradictoire plutôt que d’inventer une procédure complète. Cette approche correspond mieux à la recommandation du fabricant pour les tâches fondées sur les sources que de demander au 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. La fiche du fabricant recommande temperature 0.1, top-k 50 et une pénalité de répétition de 1.1 pour la génération. Ce sont les réglages de la configuration du modèle nommé. Distinguez le livrable final du texte de raisonnement et réservez de la place aux deux dans la requête de travail. Il ne faut pas présumer que ce modèle dispose des commandes ou des modes de réponse directe d’autres éditions LFM de suivi de consignes.
Le modèle utilise un format de conversation semblable à ChatML avec les rôles system, user, assistant et tool. Son processus de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application qui l’entoure et renvoyer le résultat réel pour permettre au modèle de répondre. Les appels natifs sont des listes de style Python entourées de marqueurs d’appel d’outil; le fabricant décrit aussi la demande d’un format d’appel JSON au moyen de la consigne système. Utilisez l’analyseur approprié, vérifiez le nom de fonction et les arguments selon les définitions fournies, et conservez le résultat avec l’appel qui l’a produit.
Pour un processus d’agent compact, exposez seulement 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 pourrait rechercher le statut d’un dossier fourni, comparer le statut renvoyé à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant du dossier comme élément probant et demandez une réponse finale liée à l’observation renvoyée. Le modèle propose et interprète l’opération; l’application fournit son exécution et son résultat réels.
La fiche actuelle du fabricant précise un contexte de modèle de 131 072 jetons, et la publication décrit une étape dédiée d’extension du contexte. Travaillez dans 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 de retracer une comparaison ou une dépendance précise. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à des besoins de déploiement différents; un modèle brouillon de décodage spéculatif est un livrable compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement tous les formats de modèle et toutes les fenêtres de travail.
Liquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique ou les tâches exigeant beaucoup de connaissances. Concentrez-le sur des processus concrets avec des éléments probants fournis, des règles d’extraction et des observations d’outils. Le point de contrôle Base préentraîné est aussi un livrable distinct destiné à la personnalisation, tandis que cette édition postentraînée est le modèle d’agent. Pour le résultat final, confrontez les valeurs extraites à leur source, vérifiez qu’un passage cité appuie la réponse et distinguez un appel d’outil demandé d’une opération avec un résultat enregistré. Préservez les renseignements non résolus lorsqu’ils influent sur la conclusion plutôt que de laisser un texte fluide les masquer.
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 · Jetons en entrée $0 / 1K jetons Sortie · Jetons en sortie $0 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 la RAG. Sa conception hybride comporte 2,69 milliards de paramètres. Il raisonne avant de répondre et fonctionne mieux avec des documents sources concrets et des outils clairement définis; le fabricant déconseille la programmation agentique et les tâches exigeant beaucoup de 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 postentraîné de la famille compacte LFM2.5 de Liquid, conçu pour les agents exécutés sur l’appareil et les processus 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 du texte et renvoie du texte, notamment une réponse raisonnée ou une demande d’utilisation d’une fonction définie.
Le fabricant le recommande pour les tâches agentiques, l’utilisation d’outils, l’extraction de données, la génération augmentée par récupération et les processus à contexte long. La chaîne d’entraînement de cette version combine le réglage fin supervisé, des modèles enseignants spécialisés, la distillation multidomaine selon la politique courante et l’apprentissage par renforcement dans des environnements d’agents. Cela aide à expliquer son orientation vers le suivi de consignes, l’utilisation d’observations d’outils et la progression en plusieurs étapes. Donnez-lui les documents réels et un objectif précis plutôt que de compter sur des connaissances générales apprises pour combler les lacunes.
Pour une extraction, définissez les champs et les règles relatives aux sources avant de fournir le contenu. Une demande pratique est : « Lisez ces mises à jour de service, extrayez l’identifiant, le statut indiqué et la prochaine action requise de chaque dossier, et conservez la phrase qui appuie chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier une valeur exactement, la normaliser ou la déduire. Cela rend la sortie examinable et empêche qu’une interprétation plausible remplace silencieusement les renseignements réellement présents dans la source.
Pour la RAG, fournissez les passages pertinents avec des étiquettes stables et demandez une réponse fondée sur ceux-ci. Exemple : « En utilisant uniquement ces consignes d’installation, expliquez les étapes qui s’appliquent à l’environnement indiqué et énumérez les préalables encore inconnus. » Gardez les versions des documents et les conditions avec le texte. Demandez au modèle de signaler un fait manquant ou contradictoire plutôt que d’inventer une procédure complète. Cette approche correspond mieux à la recommandation du fabricant pour les tâches fondées sur les sources que de demander au 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. La fiche du fabricant recommande temperature 0.1, top-k 50 et une pénalité de répétition de 1.1 pour la génération. Ce sont les réglages de la configuration du modèle nommé. Distinguez le livrable final du texte de raisonnement et réservez de la place aux deux dans la requête de travail. Il ne faut pas présumer que ce modèle dispose des commandes ou des modes de réponse directe d’autres éditions LFM de suivi de consignes.
Le modèle utilise un format de conversation semblable à ChatML avec les rôles system, user, assistant et tool. Son processus de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application qui l’entoure et renvoyer le résultat réel pour permettre au modèle de répondre. Les appels natifs sont des listes de style Python entourées de marqueurs d’appel d’outil; le fabricant décrit aussi la demande d’un format d’appel JSON au moyen de la consigne système. Utilisez l’analyseur approprié, vérifiez le nom de fonction et les arguments selon les définitions fournies, et conservez le résultat avec l’appel qui l’a produit.
Pour un processus d’agent compact, exposez seulement 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 pourrait rechercher le statut d’un dossier fourni, comparer le statut renvoyé à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant du dossier comme élément probant et demandez une réponse finale liée à l’observation renvoyée. Le modèle propose et interprète l’opération; l’application fournit son exécution et son résultat réels.
La fiche actuelle du fabricant précise un contexte de modèle de 131 072 jetons, et la publication décrit une étape dédiée d’extension du contexte. Travaillez dans 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 de retracer une comparaison ou une dépendance précise. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à des besoins de déploiement différents; un modèle brouillon de décodage spéculatif est un livrable compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement tous les formats de modèle et toutes les fenêtres de travail.
Liquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique ou les tâches exigeant beaucoup de connaissances. Concentrez-le sur des processus concrets avec des éléments probants fournis, des règles d’extraction et des observations d’outils. Le point de contrôle Base préentraîné est aussi un livrable distinct destiné à la personnalisation, tandis que cette édition postentraînée est le modèle d’agent. Pour le résultat final, confrontez les valeurs extraites à leur source, vérifiez qu’un passage cité appuie la réponse et distinguez un appel d’outil demandé d’une opération avec un résultat enregistré. Préservez les renseignements non résolus lorsqu’ils influent sur la conclusion plutôt que de laisser un texte fluide les masquer.
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 · Jetons en entrée $0 / 1K jetons Sortie · Jetons en sortie $0 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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.