modèles

LiquidAI: LFM2.5-24B-A2B

Markdown · JSON

LiquidAI: LFM2.5-24B-A2B

LFM2.5-24B-A2B est le modèle de raisonnement textuel de LiquidAI pour les agents avec outils, avec 24B paramètres au total et 2,45B actifs. Il raisonne avant de répondre, prend en charge les appels d’outils et la sortie guidée par schéma, avec un contexte publié de 128 000 tokens et une limite de complétion de 8 192 tokens.

À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

LFM2.5-24B-A2B est un modèle à mélange d’experts de LiquidAI pour le raisonnement textuel et les agents utilisant des outils. Il compte 24 milliards de paramètres au total, avec 2,45 milliards actifs pour un token. Le raisonnement fait partie de chaque réponse ; la tâche devrait donc définir l’objectif, les éléments à utiliser et le résultat nécessaire à l’application.

Donnez à un agent un objectif délimité

Le modèle convient aux processus où un modèle de langage choisit l’étape suivante, lit l’observation obtenue, puis poursuit vers un livrable. Énoncez l’objectif en termes vérifiables par l’application : trouver l’enregistrement pertinent, comparer deux configurations, préparer une proposition de modification ou produire une évaluation structurée.

Fournissez des outils aux objectifs clairs et préservez leurs observations renvoyées dans le contexte de tâche. Le modèle publie une prise en charge des appels d’outils, y compris le choix d’un outil lorsque l’interface offre cette capacité. L’exécution appartient à l’application contrôlant ces outils. Distinguez une observation renvoyée d’une instruction écrite par le modèle, particulièrement lorsqu’une étape suivante dépend du résultat d’une recherche ou d’une consultation.

Récupération de sources pour les travaux riches en connaissances

L’éditeur recommande la récupération de sources ou la recherche web pour les tâches dépendant de connaissances externes détaillées. Intégrez l’étape de collecte d’éléments au processus plutôt que de demander au modèle d’inventer des faits non reçus. Identifiez les passages récupérés et demandez à la réponse de relier ses conclusions à ces passages.

Pour un processus d’assistance, cela peut consister à trouver la politique pertinente et à expliquer son application au cas fourni. Pour une tâche technique, cela peut consister à comparer documentation et configuration avant de proposer une modification. Gardez le contenu récupéré important dans le contexte pour pouvoir vérifier la réponse finale sans répéter chaque consultation.

Réponses structurées et choix d’échantillonnage

Le modèle publié prend en charge les sorties structurées guidées par schéma. Définissez une petite structure de résultat autour de ce que l’application utilise, comme une catégorie choisie, une explication, des références justificatives et une prochaine action. Séparez le processus de raisonnement du modèle des champs que le composant suivant doit stocker ou afficher.

LiquidAI indique une température de 0,1, top_k 50 et repetition_penalty 1,05 comme recommandations publiées d’échantillonnage, et le catalogue sauvegardé reprend ces valeurs par défaut. Elles fournissent un point de départ reproductible pour évaluer un processus précis. Gardez les réglages choisis cohérents lors de la comparaison de tâches représentatives.

Capacité et langues

L’entrée de service publiée indique une fenêtre de contexte de 128 000 tokens et une limite de complétion de 8 192 tokens. Préparez une spécification de réponse concise pour que le livrable final respecte cette capacité de sortie. Gardez les éléments pertinents ensemble et laissez assez de place en sortie pour le livrable demandé.

Le fabricant liste un ensemble multilingue comprenant l’anglais, le russe, le chinois, l’espagnol, l’arabe et d’autres langues. Préservez la terminologie source et les noms protégés lorsque vous utilisez le modèle dans un travail multilingue. Une tâche au vocabulaire fixe bénéficie d’un glossaire explicite et de conventions de sortie identiques dans toutes les langues.

Capacités

  • Raisonnement uniquement textuel à mélange d’experts : 24B paramètres au total, 2,45B actifs.
  • Raisonnement obligatoire avant la réponse finale.
  • Capacités publiées : outils, sélection d’outils et sortie structurée selon un schéma JSON.
  • Processus orientés récupération de sources pour les tâches dépendant de connaissances.
  • Contexte publié de 128 000 tokens et limite de complétion de 8 192 tokens.

Cas d’utilisation

  • Assistant fondé sur des sources récupérées — Une question, des passages récupérés et une présentation de réponse requise. Résultat : Une réponse liée aux éléments justificatifs et vérifiable par rapport aux passages.
  • Tri initial avec des outils — Un cas délimité et des outils de consultation contrôlés. Résultat : Une évaluation structurée et une prochaine action proposée.
  • Comparaison de configurations — Configuration pertinente, documentation et critères de comparaison. Résultat : Un ensemble identifié de différences avec des éléments justificatifs.
  • Analyse structurée multilingue — Texte source, glossaire et champs de résultat cohérents. Résultat : Des enregistrements comparables préservant la terminologie protégée.

Limites

  • Contexte — Fenêtre de contexte du service publiée : 128 000 tokens.
  • Réponse — Limite de complétion publiée : 8 192 tokens.
  • Raisonnement — Le modèle raisonne avant de répondre ; le raisonnement obligatoire fait partie de la configuration publiée.
  • Entrée/sortie — Le modèle publié accepte du texte et renvoie du texte.
Ailoot Ultra · Chat OpenAI POST /v1/chat/completions liquid/lfm-2.5-24b-a2b

liquid/lfm-2.5-24b-a2b

LiquidAI /liquid/lfm-2.5-24b-a2b

Premiers pas

LFM2.5-24B-A2B est le modèle de raisonnement textuel de LiquidAI pour les agents avec outils, avec 24B paramètres au total et 2,45B actifs. Il raisonne avant de répondre, prend en charge les appels d’outils et la sortie guidée par schéma, avec un contexte publié de 128 000 tokens et une limite de complétion de 8 192 tokens.

Entrées acceptées
Texte
Résultats
Texte

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Chat OpenAI POST /v1/chat/completions
Types d’entrée
text
Types de sortie
text
Format de sortie
json ou SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
liquid/lfm-2.5-24b-a2b
Par défaut—
ChampmessagesTypemessage[]ExigenceObligatoireValeurs et limites
Nombre minimal d’éléments: 1
Par défaut—
Champmessages[].roleTypestringExigenceObligatoireValeurs et limites
Selon le modèle
Par défaut—
Champmessages[].contentTypestringExigenceFacultatifValeurs et limites
S’applique lorsque: Conversation textuelle
Par défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limitesPar défautfalse
Combinaisons d’éléments d’entrée

Texte · Texte UTF8

messages[].content

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages
Paramètrematerial_typesContrattext
ParamètremessagesContrattableau de messages avec une structure role/content
Paramètrefile_materialContratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit
Paramètreoptional_controlsContratstream
Paramètrecontrol_scopeContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false.
Paramètreoutput_modalitiesContrattext
Paramètrehosted_operationsContratfalse
Paramètremultimodal_input_bindingContratnull

Alias de méthode : /chat/completions

Cycle de vie : synchronous_or_streamed

Envoyez l’identifiant exact du modèle avec messages.

La longueur du contexte n’est pas un plafond de sortie.

Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Non précisé Lorsque le mode rapide est sélectionné
Mode Flex
Non précisé Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.

ConfigurationBarème tarifaireTokens de contexte, plus deTokens de contexte, jusqu’à la limite incluseCoût
ConfigurationTarifs de base des tokensBarème tarifaireTarif de baseTokens de contexte, plus de—Tokens de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Tokens en entrée $0.0001 / 1K tokens
Sortie · Tokens en sortie $0.0014 / 1K tokens
Entrée · Lecture du cache $0.00005 / 1K tokens
Entrée · Écriture dans le cache — / 1K tokens
Entrée · Écriture dans le cache, 1 h — / 1K tokens
ConfigurationPalier 1 de longueur de requêteBarème tarifaire—Tokens de contexte, plus de0Tokens de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Tokens en entrée $0.0001 / 1K tokens
Sortie · Tokens en sortie $0.0014 / 1K tokens
Entrée · Lecture du cache $0.00005 / 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 →

Exemples de requêtes

Ailoot Ultra · Chat OpenAI

curlPython SDK
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model":"liquid/lfm-2.5-24b-a2b","messages":[{"role":"user","content":"hello"}],"stream":false}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model="liquid/lfm-2.5-24b-a2b", messages=[{"role":"user","content":"hello"}], stream=False)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        ext = "png" if raw.startswith(b"\x89PNG\r\n\x1a\n") else "jpg" if raw.startswith(b"\xff\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))

Recevoir et enregistrer les résultats

Ailoot Ultra · Chat OpenAI

json ou SSE

Conserver tous les résultats terminés

Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.

Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.

Si la réponse d’origine doit être vérifiée

Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.

Champs de la réponse
ChampType
Champchoices[].indexTypeinteger
Champchoices[].message.contentTypestring|null
Champchoices[].message.tool_callsTypetool_call[]
Champchoices[].message.reasoning_contentTypestring
Champchoices[].message.reasoning_detailsTypeobject|array
Champchoices[].finish_reasonTypestring|null
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non validesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra liquid/lfm-2.5-24b-a2b

Alias des chemins de méthode

/chat/completions

ID d’appel associés

liquid/lfm-2.5-24b-a2b

Ailoot Ultra · Messages Anthropic POST /v1/messages liquid/lfm-2.5-24b-a2b

liquid/lfm-2.5-24b-a2b

LiquidAI /liquid/lfm-2.5-24b-a2b

Premiers pas

LFM2.5-24B-A2B est le modèle de raisonnement textuel de LiquidAI pour les agents avec outils, avec 24B paramètres au total et 2,45B actifs. Il raisonne avant de répondre, prend en charge les appels d’outils et la sortie guidée par schéma, avec un contexte publié de 128 000 tokens et une limite de complétion de 8 192 tokens.

Entrées acceptées
Texte
Résultats
json · sse

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Messages Anthropic POST /v1/messages
Types d’entrée
text
Types de sortie
json, sse
Format de sortie
JSON ou SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
liquid/lfm-2.5-24b-a2b
Par défaut—
ChampmessagesTypemessage[]ExigenceObligatoireValeurs et limitesPar défaut—
Champmessages[].roleTypestringExigenceObligatoireValeurs et limites
user, assistant
Par défaut—
Champmessages[].contentTypestringExigenceObligatoireValeurs et limitesPar défaut—
Champmax_tokensTypeintegerExigenceObligatoireValeurs et limitesPar défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limitesPar défautfalse
Combinaisons d’éléments d’entrée

Texte · Texte UTF-8

chaîne messages[].content

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages, max_tokens
Paramètreoptional_controlsContratstream
Paramètrematerial_typesContrattext
Paramètretext_file_materialContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message.

Cycle de vie : synchronous_or_streamed

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Non précisé Lorsque le mode rapide est sélectionné
Mode Flex
Non précisé Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.

ConfigurationBarème tarifaireTokens de contexte, plus deTokens de contexte, jusqu’à la limite incluseCoût
ConfigurationTarifs de base des tokensBarème tarifaireTarif de baseTokens de contexte, plus de—Tokens de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Tokens en entrée $0.0001 / 1K tokens
Sortie · Tokens en sortie $0.0014 / 1K tokens
Entrée · Lecture du cache $0.00005 / 1K tokens
Entrée · Écriture dans le cache — / 1K tokens
Entrée · Écriture dans le cache, 1 h — / 1K tokens
ConfigurationPalier 1 de longueur de requêteBarème tarifaire—Tokens de contexte, plus de0Tokens de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Tokens en entrée $0.0001 / 1K tokens
Sortie · Tokens en sortie $0.0014 / 1K tokens
Entrée · Lecture du cache $0.00005 / 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 →

Exemples de requêtes

Ailoot Ultra · Messages Anthropic

Corps JSON minimal completcurl · utilisez votre document UTF-8Python · enregistrez le résultat complet
{
  "model": "liquid/lfm-2.5-24b-a2b",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Recevoir et enregistrer les résultats

Ailoot Ultra · Messages Anthropic

JSON ou SSE

Conserver tous les résultats terminés

Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.

Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.

Si la réponse d’origine doit être vérifiée

Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.

Champs de la réponse
ChampType
ChampidTypestring
ChampmodelTypestring
Champcontent[]Typetext|thinking|tool_use|other content block
Champstop_reasonTypestring|null
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non validesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra liquid/lfm-2.5-24b-a2b

Alias des chemins de méthode

/chat/completions

ID d’appel associés

liquid/lfm-2.5-24b-a2b

FAQ · LiquidAI: LFM2.5-24B-A2B
Quelles entrées et quels résultats sont disponibles ?

POST /v1/chat/completions · liquid/lfm-2.5-24b-a2b: text → text

POST /v1/messages · liquid/lfm-2.5-24b-a2b: text → json, sse

Quels champs la requête utilise-t-elle ?

POST /v1/chat/completions · liquid/lfm-2.5-24b-a2b: model, messages, stream

POST /v1/messages · liquid/lfm-2.5-24b-a2b: model, messages, max_tokens, stream

Quelles limites s’appliquent ?

POST /v1/chat/completions · liquid/lfm-2.5-24b-a2b: messages.min_items: 1

Plus de détails

Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application.

L’entreprise et son portefeuille de projets

L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois.

Achetez des tokens à prix réduit.

Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens.

Abonnement
Choisissez une offre à tarif réduit pour vos requêtes régulières.
Code promo jusqu’à 50%
Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours.
Dépenses dans l’historique
Modèle, tokens et montant sont enregistrés pour chaque requête.

Choisir un abonnement · Voir les prix des modèles

Connectez l’API au produit que vous vendez.

SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur.

Application commerciale
Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service.
Licence revendeur
Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente.
Documents sur le site
L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion.

Demander une licence revendeur · Offre officielle et contrat de licence