Liquid AI LFM2.5-2.6B est le modèle textuel post-entraîné de la famille compacte LFM2.5 de Liquid, conçu pour les agents exécutés sur l’appareil et les flux pratiques. Sa fiche précise 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. Cette conception hybride vise un traitement textuel efficace. Le modèle accepte et retourne 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 flux à contexte long. La chaîne d’entraînement de cette version associe ajustement fin supervisé, enseignants spécialisés, distillation multidomaine selon la politique courante et apprentissage par renforcement dans des environnements d’agents. Cela explique son orientation vers le suivi d’instructions, l’utilisation d’observations d’outils et la progression en plusieurs étapes. Fournissez les documents réels et un objectif précis plutôt que de compter sur de larges connaissances apprises pour combler les lacunes.
Pour une extraction, définissez les champs et les règles des sources avant de fournir les documents. Demande pratique : « Lisez ces mises à jour de service, extrayez l’identifiant, le statut déclaré et la prochaine action requise de chaque enregistrement, et conservez la phrase justifiant chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez si une valeur doit être copiée exactement, normalisée ou déduite. Cela rend la sortie examinable et évite qu’une interprétation plausible remplace silencieusement les informations réellement présentes dans la source.
Pour le RAG, fournissez les passages pertinents avec des étiquettes stables et demandez une réponse qui s’y fonde. Exemple : « En utilisant uniquement ces instructions d’installation, expliquez les étapes applicables à l’environnement indiqué et énumérez les prérequis encore inconnus. » Conservez les versions des documents et les conditions avec le texte. Demandez au modèle 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 traiter ce modèle compact comme une 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 fabricant 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 une requête de travail. Ne supposez pas que les commandes ou modes de réponse directe d’autres éditions LFM d’instructions s’appliquent ici.
Le modèle utilise un format conversationnel proche de ChatML, avec les rôles system, user, assistant et tool. Son flux de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, l’exécuter dans l’application et renvoyer le résultat réel pour que le modèle réponde. Les appels natifs sont des listes de style Python encadrées de 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 et les arguments de la fonction au regard des définitions fournies, et conservez le résultat avec l’appel qui l’a produit.
Pour un flux d’agent compact, exposez uniquement 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 rechercher le statut d’un enregistrement fourni, le comparer à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement comme élément probant et demandez une réponse finale reliée à l’observation retournée. Le modèle propose et interprète l’opération ; l’application fournit son exécution réelle et son résultat.
La fiche actuelle du fabricant précise un contexte de modèle de 131 072 tokens, et la présentation 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 une comparaison précise ou le suivi d’une dépendance. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à différents besoins de déploiement ; un modèle brouillon pour décodage spéculatif est un compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement tous les formats et fenêtres de travail.
Liquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique et les tâches exigeant de vastes connaissances. Concentrez-le sur des flux concrets avec preuves fournies, règles d’extraction et observations d’outils. Le point de contrôle Base pré-entraîné est aussi 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 dans leur source, contrôlez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération au résultat consigné. Préservez les informations non résolues lorsqu’elles influencent la conclusion au lieu de laisser un texte fluide les masquer.
", "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 exécutés sur l’appareil et les flux pratiques. Sa fiche précise 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. Cette conception hybride vise un traitement textuel efficace. Le modèle accepte et retourne 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 flux à contexte long. La chaîne d’entraînement de cette version associe ajustement fin supervisé, enseignants spécialisés, distillation multidomaine selon la politique courante et apprentissage par renforcement dans des environnements d’agents. Cela explique son orientation vers le suivi d’instructions, l’utilisation d’observations d’outils et la progression en plusieurs étapes. Fournissez les documents réels et un objectif précis plutôt que de compter sur de larges connaissances apprises pour combler les lacunes.\n\nPour une extraction, définissez les champs et les règles des sources avant de fournir les documents. Demande pratique : « Lisez ces mises à jour de service, extrayez l’identifiant, le statut déclaré et la prochaine action requise de chaque enregistrement, et conservez la phrase justifiant chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez si une valeur doit être copiée exactement, normalisée ou déduite. Cela rend la sortie examinable et évite qu’une interprétation plausible remplace silencieusement les informations réellement présentes dans la source.\n\nPour le RAG, fournissez les passages pertinents avec des étiquettes stables et demandez une réponse qui s’y fonde. Exemple : « En utilisant uniquement ces instructions d’installation, expliquez les étapes applicables à l’environnement indiqué et énumérez les prérequis encore inconnus. » Conservez les versions des documents et les conditions avec le texte. Demandez au modèle 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 traiter ce modèle compact comme une 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 fabricant 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 une requête de travail. Ne supposez pas que les commandes ou modes de réponse directe d’autres éditions LFM d’instructions s’appliquent ici.\n\nLe modèle utilise un format conversationnel proche de ChatML, avec les rôles system, user, assistant et tool. Son flux de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, l’exécuter dans l’application et renvoyer le résultat réel pour que le modèle réponde. Les appels natifs sont des listes de style Python encadrées de 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 et les arguments de la fonction au regard des définitions fournies, et conservez le résultat avec l’appel qui l’a produit.\n\nPour un flux d’agent compact, exposez uniquement 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 rechercher le statut d’un enregistrement fourni, le comparer à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement comme élément probant et demandez une réponse finale reliée à l’observation retournée. Le modèle propose et interprète l’opération ; l’application fournit son exécution réelle et son résultat.\n\nLa fiche actuelle du fabricant précise un contexte de modèle de 131 072 tokens, et la présentation 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 une comparaison précise ou le suivi d’une dépendance. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à différents besoins de déploiement ; un modèle brouillon pour décodage spéculatif est un compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement tous les formats et fenêtres 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 flux concrets avec preuves fournies, règles d’extraction et observations d’outils. Le point de contrôle Base pré-entraîné est aussi 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 dans leur source, contrôlez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération au résultat consigné. Préservez les informations non résolues lorsqu’elles influencent la conclusion au lieu de laisser un texte fluide les masquer.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8c170ff8a2d3481d488406cf95cc4b5956fc68979e15f5d075b60ad83be81d92", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "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. Son architecture hybride compte 2,69 milliards de paramètres. Il raisonne avant de répondre et fonctionne mieux avec 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 exécutés sur l’appareil et les flux pratiques. Sa fiche précise 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. Cette conception hybride vise un traitement textuel efficace. Le modèle accepte et retourne 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 flux à contexte long. La chaîne d’entraînement de cette version associe ajustement fin supervisé, enseignants spécialisés, distillation multidomaine selon la politique courante et apprentissage par renforcement dans des environnements d’agents. Cela explique son orientation vers le suivi d’instructions, l’utilisation d’observations d’outils et la progression en plusieurs étapes. Fournissez les documents réels et un objectif précis plutôt que de compter sur de larges connaissances apprises pour combler les lacunes.
Pour une extraction, définissez les champs et les règles des sources avant de fournir les documents. Demande pratique : « Lisez ces mises à jour de service, extrayez l’identifiant, le statut déclaré et la prochaine action requise de chaque enregistrement, et conservez la phrase justifiant chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez si une valeur doit être copiée exactement, normalisée ou déduite. Cela rend la sortie examinable et évite qu’une interprétation plausible remplace silencieusement les informations réellement présentes dans la source.
Pour le RAG, fournissez les passages pertinents avec des étiquettes stables et demandez une réponse qui s’y fonde. Exemple : « En utilisant uniquement ces instructions d’installation, expliquez les étapes applicables à l’environnement indiqué et énumérez les prérequis encore inconnus. » Conservez les versions des documents et les conditions avec le texte. Demandez au modèle 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 traiter ce modèle compact comme une 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 fabricant 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 une requête de travail. Ne supposez pas que les commandes ou modes de réponse directe d’autres éditions LFM d’instructions s’appliquent ici.
Le modèle utilise un format conversationnel proche de ChatML, avec les rôles system, user, assistant et tool. Son flux de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, l’exécuter dans l’application et renvoyer le résultat réel pour que le modèle réponde. Les appels natifs sont des listes de style Python encadrées de 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 et les arguments de la fonction au regard des définitions fournies, et conservez le résultat avec l’appel qui l’a produit.
Pour un flux d’agent compact, exposez uniquement 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 rechercher le statut d’un enregistrement fourni, le comparer à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement comme élément probant et demandez une réponse finale reliée à l’observation retournée. Le modèle propose et interprète l’opération ; l’application fournit son exécution réelle et son résultat.
La fiche actuelle du fabricant précise un contexte de modèle de 131 072 tokens, et la présentation 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 une comparaison précise ou le suivi d’une dépendance. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à différents besoins de déploiement ; un modèle brouillon pour décodage spéculatif est un compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement tous les formats et fenêtres de travail.
Liquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique et les tâches exigeant de vastes connaissances. Concentrez-le sur des flux concrets avec preuves fournies, règles d’extraction et observations d’outils. Le point de contrôle Base pré-entraîné est aussi 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 dans leur source, contrôlez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération au résultat consigné. Préservez les informations non résolues lorsqu’elles influencent la conclusion au lieu 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 · 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. Son architecture hybride compte 2,69 milliards de paramètres. Il raisonne avant de répondre et fonctionne mieux avec 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 exécutés sur l’appareil et les flux pratiques. Sa fiche précise 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. Cette conception hybride vise un traitement textuel efficace. Le modèle accepte et retourne 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 flux à contexte long. La chaîne d’entraînement de cette version associe ajustement fin supervisé, enseignants spécialisés, distillation multidomaine selon la politique courante et apprentissage par renforcement dans des environnements d’agents. Cela explique son orientation vers le suivi d’instructions, l’utilisation d’observations d’outils et la progression en plusieurs étapes. Fournissez les documents réels et un objectif précis plutôt que de compter sur de larges connaissances apprises pour combler les lacunes.
Pour une extraction, définissez les champs et les règles des sources avant de fournir les documents. Demande pratique : « Lisez ces mises à jour de service, extrayez l’identifiant, le statut déclaré et la prochaine action requise de chaque enregistrement, et conservez la phrase justifiant chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez si une valeur doit être copiée exactement, normalisée ou déduite. Cela rend la sortie examinable et évite qu’une interprétation plausible remplace silencieusement les informations réellement présentes dans la source.
Pour le RAG, fournissez les passages pertinents avec des étiquettes stables et demandez une réponse qui s’y fonde. Exemple : « En utilisant uniquement ces instructions d’installation, expliquez les étapes applicables à l’environnement indiqué et énumérez les prérequis encore inconnus. » Conservez les versions des documents et les conditions avec le texte. Demandez au modèle 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 traiter ce modèle compact comme une 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 fabricant 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 une requête de travail. Ne supposez pas que les commandes ou modes de réponse directe d’autres éditions LFM d’instructions s’appliquent ici.
Le modèle utilise un format conversationnel proche de ChatML, avec les rôles system, user, assistant et tool. Son flux de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, l’exécuter dans l’application et renvoyer le résultat réel pour que le modèle réponde. Les appels natifs sont des listes de style Python encadrées de 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 et les arguments de la fonction au regard des définitions fournies, et conservez le résultat avec l’appel qui l’a produit.
Pour un flux d’agent compact, exposez uniquement 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 rechercher le statut d’un enregistrement fourni, le comparer à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement comme élément probant et demandez une réponse finale reliée à l’observation retournée. Le modèle propose et interprète l’opération ; l’application fournit son exécution réelle et son résultat.
La fiche actuelle du fabricant précise un contexte de modèle de 131 072 tokens, et la présentation 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 une comparaison précise ou le suivi d’une dépendance. Le point de contrôle natif et les livrables GGUF, ONNX et MLX répondent à différents besoins de déploiement ; un modèle brouillon pour décodage spéculatif est un compagnon distinct. Les chiffres de ressources ou de vitesse d’une configuration ne décrivent pas automatiquement tous les formats et fenêtres de travail.
Liquid déconseille explicitement LFM2.5-2.6B pour la programmation agentique et les tâches exigeant de vastes connaissances. Concentrez-le sur des flux concrets avec preuves fournies, règles d’extraction et observations d’outils. Le point de contrôle Base pré-entraîné est aussi 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 dans leur source, contrôlez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération au résultat consigné. Préservez les informations non résolues lorsqu’elles influencent la conclusion au lieu 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 · 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.