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.
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.
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.
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.
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.
liquid/lfm-2.5-24b-a2bLFM2.5-24B-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.
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.
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.
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.
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.
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.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites liquid/lfm-2.5-24b-a2b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
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.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût 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 requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.0014 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"liquid/lfm-2.5-24b-a2b","messages":[{"role":"user","content":"hello"}],"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\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="liquid/lfm-2.5-24b-a2b", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n 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\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson ou SSE
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.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions
liquid/lfm-2.5-24b-a2bLFM2.5-24B-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.
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.
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.
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.
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.
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.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites liquid/lfm-2.5-24b-a2b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez 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
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût 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 requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.0014 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "liquid/lfm-2.5-24b-a2b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
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.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions