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 flux 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. L’architecture hybride vise un traitement textuel efficace. Le modèle reçoit du texte et renvoie du texte, y compris 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 combine l’ajustement fin supervisé, des enseignants spécialisés, la distillation multidomaine selon la politique courante et l’apprentissage par renforcement dans des environnements d’agents. Cela explique son orientation vers le suivi des instructions de tâche, l’utilisation des observations d’outils et la progression en plusieurs étapes. Fournissez-lui les documents réels et un objectif précis, plutôt que de compter sur de vastes connaissances apprises pour combler les lacunes.
Pour l’extraction, définissez les champs et les règles sources avant de fournir les documents. Une demande pratique est : « Lisez ces mises à jour de service, extrayez l’identifiant, l’état indiqué et la prochaine action requise de chaque enregistrement, et conservez la phrase qui étaye chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier exactement une valeur, la normaliser ou la déduire. Cela rend la sortie examinable et empêche une interprétation plausible de remplacer silencieusement une information réellement présente dans la source.
Pour la RAG, fournissez des passages pertinents avec des libellés stables et demandez une réponse fondée sur ceux-ci. Exemple : « En utilisant uniquement ces instructions d’installation, expliquez quelles étapes s’appliquent à l’environnement indiqué et énumérez les prérequis encore inconnus. » Gardez 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 à la recommandation du fabricant pour les tâches ancrées dans 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 gabarit 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. Ces réglages concernent la recette du modèle nommé. Gardez le livrable final distinct du texte de raisonnement et laissez de la place aux deux dans une requête de travail. Les commandes ou les modes de réponse directe d’autres éditions d’instructions LFM ne doivent pas être supposés disponibles pour ce modèle.
Le modèle utilise un format de conversation proche de ChatML avec les rôles système, utilisateur, assistant et outil. Son flux de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application, puis renvoyer le résultat réel pour que le modèle puisse répondre. 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 au moyen de l’instruction système. Utilisez l’analyseur approprié, vérifiez le nom de la fonction et les arguments à partir des définitions fournies, et conservez le résultat avec l’appel qui l’a produit.
Pour un flux 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, comparer l’état renvoyé à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement 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 réelle et son résultat.
La fiche actuelle du fabricant précise un contexte de modèle de 131 072 tokens, 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 une comparaison précise ou une dépendance à retracer. Le checkpoint natif et les ressources GGUF, ONNX et MLX répondent à des besoins de déploiement différents, et le modèle auxiliaire de décodage spéculatif est un artefact 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 et les tâches exigeant de vastes connaissances. Gardez-le centré sur des flux concrets avec des éléments fournis, des règles d’extraction et des observations d’outils. Le checkpoint préentraîné Base est aussi une ressource distincte destinée à la personnalisation, tandis que cette édition post-entraînée est le modèle d’agent. Pour le résultat final, examinez les valeurs extraites à partir de leur source, vérifiez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération avec un résultat enregistré. Préservez les informations non résolues lorsqu’elles affectent la conclusion au lieu de 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 flux 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. L’architecture hybride vise un traitement textuel efficace. Le modèle reçoit du texte et renvoie du texte, y compris 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 combine l’ajustement fin supervisé, des enseignants spécialisés, la distillation multidomaine selon la politique courante et l’apprentissage par renforcement dans des environnements d’agents. Cela explique son orientation vers le suivi des instructions de tâche, l’utilisation des observations d’outils et la progression en plusieurs étapes. Fournissez-lui les documents réels et un objectif précis, plutôt que de compter sur de vastes connaissances apprises pour combler les lacunes.\n\nPour l’extraction, définissez les champs et les règles sources avant de fournir les documents. Une demande pratique est : « Lisez ces mises à jour de service, extrayez l’identifiant, l’état indiqué et la prochaine action requise de chaque enregistrement, et conservez la phrase qui étaye chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier exactement une valeur, la normaliser ou la déduire. Cela rend la sortie examinable et empêche une interprétation plausible de remplacer silencieusement une information réellement présente dans la source.\n\nPour la RAG, fournissez des passages pertinents avec des libellés stables et demandez une réponse fondée sur ceux-ci. Exemple : « En utilisant uniquement ces instructions d’installation, expliquez quelles étapes s’appliquent à l’environnement indiqué et énumérez les prérequis encore inconnus. » Gardez 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 à la recommandation du fabricant pour les tâches ancrées dans 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 gabarit 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. Ces réglages concernent la recette du modèle nommé. Gardez le livrable final distinct du texte de raisonnement et laissez de la place aux deux dans une requête de travail. Les commandes ou les modes de réponse directe d’autres éditions d’instructions LFM ne doivent pas être supposés disponibles pour ce modèle.\n\nLe modèle utilise un format de conversation proche de ChatML avec les rôles système, utilisateur, assistant et outil. Son flux de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application, puis renvoyer le résultat réel pour que le modèle puisse répondre. 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 au moyen de l’instruction système. Utilisez l’analyseur approprié, vérifiez le nom de la fonction et les arguments à partir des définitions fournies, et conservez le résultat avec l’appel qui l’a produit.\n\nPour un flux 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, comparer l’état renvoyé à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement 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 réelle et son résultat.\n\nLa fiche actuelle du fabricant précise un contexte de modèle de 131 072 tokens, 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 une comparaison précise ou une dépendance à retracer. Le checkpoint natif et les ressources GGUF, ONNX et MLX répondent à des besoins de déploiement différents, et le modèle auxiliaire de décodage spéculatif est un artefact 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 et les tâches exigeant de vastes connaissances. Gardez-le centré sur des flux concrets avec des éléments fournis, des règles d’extraction et des observations d’outils. Le checkpoint préentraîné Base est aussi une ressource distincte destinée à la personnalisation, tandis que cette édition post-entraînée est le modèle d’agent. Pour le résultat final, examinez les valeurs extraites à partir de leur source, vérifiez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération avec un résultat enregistré. Préservez les informations non résolues lorsqu’elles affectent la conclusion au lieu de les laisser masquer par un texte fluide.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8c617b19803e00cb695f8c59e0b1e5c1c470bf7308e1d2ea2afe584d6e3fe65b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B est un modèle textuel compact de raisonnement pour les agents, l’utilisation d’outils, l’extraction de données et la RAG. Son architecture hybride possède 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 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 flux 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. L’architecture hybride vise un traitement textuel efficace. Le modèle reçoit du texte et renvoie du texte, y compris 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 combine l’ajustement fin supervisé, des enseignants spécialisés, la distillation multidomaine selon la politique courante et l’apprentissage par renforcement dans des environnements d’agents. Cela explique son orientation vers le suivi des instructions de tâche, l’utilisation des observations d’outils et la progression en plusieurs étapes. Fournissez-lui les documents réels et un objectif précis, plutôt que de compter sur de vastes connaissances apprises pour combler les lacunes.
Pour l’extraction, définissez les champs et les règles sources avant de fournir les documents. Une demande pratique est : « Lisez ces mises à jour de service, extrayez l’identifiant, l’état indiqué et la prochaine action requise de chaque enregistrement, et conservez la phrase qui étaye chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier exactement une valeur, la normaliser ou la déduire. Cela rend la sortie examinable et empêche une interprétation plausible de remplacer silencieusement une information réellement présente dans la source.
Pour la RAG, fournissez des passages pertinents avec des libellés stables et demandez une réponse fondée sur ceux-ci. Exemple : « En utilisant uniquement ces instructions d’installation, expliquez quelles étapes s’appliquent à l’environnement indiqué et énumérez les prérequis encore inconnus. » Gardez 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 à la recommandation du fabricant pour les tâches ancrées dans 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 gabarit 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. Ces réglages concernent la recette du modèle nommé. Gardez le livrable final distinct du texte de raisonnement et laissez de la place aux deux dans une requête de travail. Les commandes ou les modes de réponse directe d’autres éditions d’instructions LFM ne doivent pas être supposés disponibles pour ce modèle.
Le modèle utilise un format de conversation proche de ChatML avec les rôles système, utilisateur, assistant et outil. Son flux de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application, puis renvoyer le résultat réel pour que le modèle puisse répondre. 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 au moyen de l’instruction système. Utilisez l’analyseur approprié, vérifiez le nom de la fonction et les arguments à partir des définitions fournies, et conservez le résultat avec l’appel qui l’a produit.
Pour un flux 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, comparer l’état renvoyé à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement 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 réelle et son résultat.
La fiche actuelle du fabricant précise un contexte de modèle de 131 072 tokens, 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 une comparaison précise ou une dépendance à retracer. Le checkpoint natif et les ressources GGUF, ONNX et MLX répondent à des besoins de déploiement différents, et le modèle auxiliaire de décodage spéculatif est un artefact 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 et les tâches exigeant de vastes connaissances. Gardez-le centré sur des flux concrets avec des éléments fournis, des règles d’extraction et des observations d’outils. Le checkpoint préentraîné Base est aussi une ressource distincte destinée à la personnalisation, tandis que cette édition post-entraînée est le modèle d’agent. Pour le résultat final, examinez les valeurs extraites à partir de leur source, vérifiez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération avec un résultat enregistré. Préservez les informations non résolues lorsqu’elles affectent la conclusion au lieu de 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 par jeton | 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 textuel compact de raisonnement pour les agents, l’utilisation d’outils, l’extraction de données et la RAG. Son architecture hybride possède 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 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 flux 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. L’architecture hybride vise un traitement textuel efficace. Le modèle reçoit du texte et renvoie du texte, y compris 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 combine l’ajustement fin supervisé, des enseignants spécialisés, la distillation multidomaine selon la politique courante et l’apprentissage par renforcement dans des environnements d’agents. Cela explique son orientation vers le suivi des instructions de tâche, l’utilisation des observations d’outils et la progression en plusieurs étapes. Fournissez-lui les documents réels et un objectif précis, plutôt que de compter sur de vastes connaissances apprises pour combler les lacunes.
Pour l’extraction, définissez les champs et les règles sources avant de fournir les documents. Une demande pratique est : « Lisez ces mises à jour de service, extrayez l’identifiant, l’état indiqué et la prochaine action requise de chaque enregistrement, et conservez la phrase qui étaye chaque champ. Renvoyez null lorsqu’un champ manque. » Précisez s’il faut copier exactement une valeur, la normaliser ou la déduire. Cela rend la sortie examinable et empêche une interprétation plausible de remplacer silencieusement une information réellement présente dans la source.
Pour la RAG, fournissez des passages pertinents avec des libellés stables et demandez une réponse fondée sur ceux-ci. Exemple : « En utilisant uniquement ces instructions d’installation, expliquez quelles étapes s’appliquent à l’environnement indiqué et énumérez les prérequis encore inconnus. » Gardez 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 à la recommandation du fabricant pour les tâches ancrées dans 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 gabarit 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. Ces réglages concernent la recette du modèle nommé. Gardez le livrable final distinct du texte de raisonnement et laissez de la place aux deux dans une requête de travail. Les commandes ou les modes de réponse directe d’autres éditions d’instructions LFM ne doivent pas être supposés disponibles pour ce modèle.
Le modèle utilise un format de conversation proche de ChatML avec les rôles système, utilisateur, assistant et outil. Son flux de fonctions documenté comporte quatre étapes : définir les outils, laisser le modèle demander une fonction, exécuter cette fonction dans l’application, puis renvoyer le résultat réel pour que le modèle puisse répondre. 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 au moyen de l’instruction système. Utilisez l’analyseur approprié, vérifiez le nom de la fonction et les arguments à partir des définitions fournies, et conservez le résultat avec l’appel qui l’a produit.
Pour un flux 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, comparer l’état renvoyé à une règle et expliquer si un suivi est nécessaire. Fournissez l’identifiant de l’enregistrement 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 réelle et son résultat.
La fiche actuelle du fabricant précise un contexte de modèle de 131 072 tokens, 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 une comparaison précise ou une dépendance à retracer. Le checkpoint natif et les ressources GGUF, ONNX et MLX répondent à des besoins de déploiement différents, et le modèle auxiliaire de décodage spéculatif est un artefact 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 et les tâches exigeant de vastes connaissances. Gardez-le centré sur des flux concrets avec des éléments fournis, des règles d’extraction et des observations d’outils. Le checkpoint préentraîné Base est aussi une ressource distincte destinée à la personnalisation, tandis que cette édition post-entraînée est le modèle d’agent. Pour le résultat final, examinez les valeurs extraites à partir de leur source, vérifiez qu’un passage cité étaye la réponse et distinguez un appel d’outil demandé d’une opération avec un résultat enregistré. Préservez les informations non résolues lorsqu’elles affectent la conclusion au lieu de 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 par jeton | 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.