Liquid AI LFM2.5-2.6B הוא מודל הטקסט שעבר אימון המשך במשפחת LFM2.5 הקומפקטית של Liquid, ומיועד לסוכנים הפועלים במכשיר ולתהליכי עבודה מעשיים. כרטיס המודל המסוים מציין 2.69 מיליארד פרמטרים ו־30 שכבות: 22 בלוקי קונבולוציה קצרה עם שער כפול ושמונה בלוקי קשב עם שאילתות מקובצות. התכנון ההיברידי מכוון לעיבוד טקסט יעיל. המודל מקבל טקסט ומחזיר טקסט, לרבות תשובה מנומקת או בקשה להשתמש בפונקציה מוגדרת.
היצרן ממליץ עליו לעומסי עבודה של סוכנים, לשימוש בכלים, לחילוץ נתונים, ליצירה מוגברת באחזור ולתהליכים עם הקשר ארוך. שרשרת האימון של המהדורה משלבת כוונון עדין מונחה, מודלי מורה מתמחים, זיקוק רב־תחומי לפי המדיניות ולמידת חיזוק בתוך סביבות סוכנים. הדבר מסביר את המיקוד שלו במילוי הוראות משימה, בשימוש בתצפיות כלים ובהתקדמות בכמה צעדים. תנו לו את החומרים בפועל ומטרה מדויקת, במקום להסתמך על ידע רחב שנלמד כדי למלא פערים.
לחילוץ, הגדירו את השדות ואת כללי המקור לפני אספקת החומר. בקשה מעשית: ״קרא את עדכוני השירות האלה, חלץ את המזהה, המצב המוצהר והפעולה הבאה הדרושה של כל רשומה, ושמור את המשפט התומך בכל שדה. החזר null כששדה חסר.״ ציינו אם יש להעתיק ערך בדיוק, לנרמל אותו או להסיק אותו. כך הפלט ניתן לבחינה ונמנע מצב שבו פרשנות סבירה מחליפה בשקט מידע המופיע בפועל במקור.
ל־RAG, ספקו קטעים רלוונטיים עם תוויות יציבות ובקשו תשובה המבוססת על קטעים אלה. לדוגמה: ״בהסתמך רק על הוראות ההתקנה האלה, הסבר אילו צעדים חלים על הסביבה שצוינה ופרט את דרישות הקדם שעדיין אינן ידועות.״ שמרו את גרסאות המסמכים ואת התנאים עם הטקסט. בקשו מהמודל לזהות עובדה חסרה או סותרת במקום להמציא נוהל שלם. הדבר מתאים להמלצת היצרן על משימות מבוססות מקורות יותר מבקשה מהמודל הקומפקטי לשמש מאגר ממצה של ידע מקצועי.
LFM2.5-2.6B הוא מודל הסקה בלבד: תבנית השיחה שלו מתחילה את תשובת העוזר בסמן חשיבה, והוא מסיק לפני התשובה הסופית. כרטיס המודל של היצרן ממליץ ליצירה על temperature 0.1, top-k 50 וקנס חזרתיות של 1.1. אלה הגדרות המתכון של המודל הנקוב. הבדילו את התוצר הסופי מטקסט ההסקה והשאירו מקום לשניהם בבקשת העבודה. אין להניח שבקרות או מצבי תשובה ישירה השייכים למהדורות הוראות אחרות של LFM חלים גם על מודל זה.
המודל משתמש בפורמט שיחה הדומה ל־ChatML, עם תפקידי system, user, assistant ו־tool. לתהליך הפונקציות המתועד שלו ארבעה שלבים: הגדרת הכלים, מתן אפשרות למודל לבקש פונקציה, ביצוע הפונקציה ביישום שסביבו והחזרת התוצאה בפועל כדי שהמודל יוכל לענות. קריאות מובנות הן רשימות בסגנון Python המוקפות בסמני קריאה לכלי; היצרן מתאר גם בקשת פורמט קריאה של JSON באמצעות הוראת המערכת. השתמשו במנתח המתאים, בדקו את שם הפונקציה ואת הארגומנטים מול ההגדרות שסופקו ושמרו את התוצאה עם הקריאה שיצרה אותה.
לתהליך סוכן קומפקטי, חשפו רק את הפונקציות הרלוונטיות למשימה הנוכחית, עם תיאורים תמציתיים וטיפוסי ארגומנטים מפורשים. גם הגדרות הכלים עצמן תופסות הקשר. רצף שימושי עשוי לחפש את מצבה של רשומה שסופקה, להשוות את המצב שהוחזר לכלל ולהסביר אם דרוש מעקב. ספקו את מזהה הרשומה כראיה ובקשו תשובה סופית הקשורה לתצפית שהוחזרה. המודל מציע ומפרש את הפעולה; היישום מספק את ביצועה בפועל ואת תוצאתה.
כרטיס המודל הנוכחי של היצרן מציין הקשר מודל של 131,072 אסימונים, והמהדורה מתארת שלב ייעודי להרחבת ההקשר. עבדו בתוך החלון של התצורה שבשימוש, תוך שמירת גבולות מקורות, היסטוריה רלוונטית ומקום להמשך. עבור כמה מסמכים, בקשו לעקוב אחר השוואה או תלות מסוימת. נקודת השמירה המקורית ותוצרי GGUF, ONNX ו־MLX משרתים צורכי פריסה שונים, וטיוטת פענוח ספקולטיבי היא תוצר נלווה נפרד. נתוני משאבים או מהירות מתצורה אחת אינם מתארים אוטומטית כל פורמט מודל וחלון עבודה.
Liquid אינה ממליצה במפורש על LFM2.5-2.6B לתכנות באמצעות סוכנים או למשימות עתירות ידע. שמרו אותו ממוקד בתהליכים מוחשיים עם ראיות שסופקו, כללי חילוץ ותצפיות כלים. גם נקודת השמירה Base שעברה אימון מקדים היא תוצר נפרד המיועד להתאמה, ואילו מהדורה זו שעברה אימון המשך היא מודל הסוכן. בתוצאה הסופית, בדקו ערכים שחולצו מול המקור שלהם, בדקו שקטע מצוטט תומך בתשובה והבחינו בין קריאה מבוקשת לכלי לפעולה בעלת תוצאה מתועדת. שמרו מידע לא פתור כשהוא משפיע על המסקנה, במקום לאפשר לטקסט רהוט לטשטש אותו.
", "aboutText": "Liquid AI LFM2.5-2.6B הוא מודל הטקסט שעבר אימון המשך במשפחת LFM2.5 הקומפקטית של Liquid, ומיועד לסוכנים הפועלים במכשיר ולתהליכי עבודה מעשיים. כרטיס המודל המסוים מציין 2.69 מיליארד פרמטרים ו־30 שכבות: 22 בלוקי קונבולוציה קצרה עם שער כפול ושמונה בלוקי קשב עם שאילתות מקובצות. התכנון ההיברידי מכוון לעיבוד טקסט יעיל. המודל מקבל טקסט ומחזיר טקסט, לרבות תשובה מנומקת או בקשה להשתמש בפונקציה מוגדרת.\n\nהיצרן ממליץ עליו לעומסי עבודה של סוכנים, לשימוש בכלים, לחילוץ נתונים, ליצירה מוגברת באחזור ולתהליכים עם הקשר ארוך. שרשרת האימון של המהדורה משלבת כוונון עדין מונחה, מודלי מורה מתמחים, זיקוק רב־תחומי לפי המדיניות ולמידת חיזוק בתוך סביבות סוכנים. הדבר מסביר את המיקוד שלו במילוי הוראות משימה, בשימוש בתצפיות כלים ובהתקדמות בכמה צעדים. תנו לו את החומרים בפועל ומטרה מדויקת, במקום להסתמך על ידע רחב שנלמד כדי למלא פערים.\n\nלחילוץ, הגדירו את השדות ואת כללי המקור לפני אספקת החומר. בקשה מעשית: ״קרא את עדכוני השירות האלה, חלץ את המזהה, המצב המוצהר והפעולה הבאה הדרושה של כל רשומה, ושמור את המשפט התומך בכל שדה. החזר null כששדה חסר.״ ציינו אם יש להעתיק ערך בדיוק, לנרמל אותו או להסיק אותו. כך הפלט ניתן לבחינה ונמנע מצב שבו פרשנות סבירה מחליפה בשקט מידע המופיע בפועל במקור.\n\nל־RAG, ספקו קטעים רלוונטיים עם תוויות יציבות ובקשו תשובה המבוססת על קטעים אלה. לדוגמה: ״בהסתמך רק על הוראות ההתקנה האלה, הסבר אילו צעדים חלים על הסביבה שצוינה ופרט את דרישות הקדם שעדיין אינן ידועות.״ שמרו את גרסאות המסמכים ואת התנאים עם הטקסט. בקשו מהמודל לזהות עובדה חסרה או סותרת במקום להמציא נוהל שלם. הדבר מתאים להמלצת היצרן על משימות מבוססות מקורות יותר מבקשה מהמודל הקומפקטי לשמש מאגר ממצה של ידע מקצועי.\n\nLFM2.5-2.6B הוא מודל הסקה בלבד: תבנית השיחה שלו מתחילה את תשובת העוזר בסמן חשיבה, והוא מסיק לפני התשובה הסופית. כרטיס המודל של היצרן ממליץ ליצירה על temperature 0.1, top-k 50 וקנס חזרתיות של 1.1. אלה הגדרות המתכון של המודל הנקוב. הבדילו את התוצר הסופי מטקסט ההסקה והשאירו מקום לשניהם בבקשת העבודה. אין להניח שבקרות או מצבי תשובה ישירה השייכים למהדורות הוראות אחרות של LFM חלים גם על מודל זה.\n\nהמודל משתמש בפורמט שיחה הדומה ל־ChatML, עם תפקידי system, user, assistant ו־tool. לתהליך הפונקציות המתועד שלו ארבעה שלבים: הגדרת הכלים, מתן אפשרות למודל לבקש פונקציה, ביצוע הפונקציה ביישום שסביבו והחזרת התוצאה בפועל כדי שהמודל יוכל לענות. קריאות מובנות הן רשימות בסגנון Python המוקפות בסמני קריאה לכלי; היצרן מתאר גם בקשת פורמט קריאה של JSON באמצעות הוראת המערכת. השתמשו במנתח המתאים, בדקו את שם הפונקציה ואת הארגומנטים מול ההגדרות שסופקו ושמרו את התוצאה עם הקריאה שיצרה אותה.\n\nלתהליך סוכן קומפקטי, חשפו רק את הפונקציות הרלוונטיות למשימה הנוכחית, עם תיאורים תמציתיים וטיפוסי ארגומנטים מפורשים. גם הגדרות הכלים עצמן תופסות הקשר. רצף שימושי עשוי לחפש את מצבה של רשומה שסופקה, להשוות את המצב שהוחזר לכלל ולהסביר אם דרוש מעקב. ספקו את מזהה הרשומה כראיה ובקשו תשובה סופית הקשורה לתצפית שהוחזרה. המודל מציע ומפרש את הפעולה; היישום מספק את ביצועה בפועל ואת תוצאתה.\n\nכרטיס המודל הנוכחי של היצרן מציין הקשר מודל של 131,072 אסימונים, והמהדורה מתארת שלב ייעודי להרחבת ההקשר. עבדו בתוך החלון של התצורה שבשימוש, תוך שמירת גבולות מקורות, היסטוריה רלוונטית ומקום להמשך. עבור כמה מסמכים, בקשו לעקוב אחר השוואה או תלות מסוימת. נקודת השמירה המקורית ותוצרי GGUF, ONNX ו־MLX משרתים צורכי פריסה שונים, וטיוטת פענוח ספקולטיבי היא תוצר נלווה נפרד. נתוני משאבים או מהירות מתצורה אחת אינם מתארים אוטומטית כל פורמט מודל וחלון עבודה.\n\nLiquid אינה ממליצה במפורש על LFM2.5-2.6B לתכנות באמצעות סוכנים או למשימות עתירות ידע. שמרו אותו ממוקד בתהליכים מוחשיים עם ראיות שסופקו, כללי חילוץ ותצפיות כלים. גם נקודת השמירה Base שעברה אימון מקדים היא תוצר נפרד המיועד להתאמה, ואילו מהדורה זו שעברה אימון המשך היא מודל הסוכן. בתוצאה הסופית, בדקו ערכים שחולצו מול המקור שלהם, בדקו שקטע מצוטט תומך בתשובה והבחינו בין קריאה מבוקשת לכלי לפעולה בעלת תוצאה מתועדת. שמרו מידע לא פתור כשהוא משפיע על המסקנה, במקום לאפשר לטקסט רהוט לטשטש אותו.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2528c214ccba8782895942d0380d8052d29f03d81f4c4fc8fa6b3af6aaac991e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "he", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B הוא מודל טקסט קומפקטי להסקה עבור סוכנים, שימוש בכלים, חילוץ נתונים ו־RAG. התכנון ההיברידי שלו כולל 2.69 מיליארד פרמטרים. הוא מסיק לפני שהוא עונה ומתאים במיוחד לחומר מקור מוחשי ולכלים מוגדרים בבירור; היצרן מזהיר משימוש בתכנות באמצעות סוכנים ובמשימות עתירות ידע.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Liquid AI LFM2.5-2.6B הוא מודל הטקסט שעבר אימון המשך במשפחת LFM2.5 הקומפקטית של Liquid, ומיועד לסוכנים הפועלים במכשיר ולתהליכי עבודה מעשיים. כרטיס המודל המסוים מציין 2.69 מיליארד פרמטרים ו־30 שכבות: 22 בלוקי קונבולוציה קצרה עם שער כפול ושמונה בלוקי קשב עם שאילתות מקובצות. התכנון ההיברידי מכוון לעיבוד טקסט יעיל. המודל מקבל טקסט ומחזיר טקסט, לרבות תשובה מנומקת או בקשה להשתמש בפונקציה מוגדרת.
היצרן ממליץ עליו לעומסי עבודה של סוכנים, לשימוש בכלים, לחילוץ נתונים, ליצירה מוגברת באחזור ולתהליכים עם הקשר ארוך. שרשרת האימון של המהדורה משלבת כוונון עדין מונחה, מודלי מורה מתמחים, זיקוק רב־תחומי לפי המדיניות ולמידת חיזוק בתוך סביבות סוכנים. הדבר מסביר את המיקוד שלו במילוי הוראות משימה, בשימוש בתצפיות כלים ובהתקדמות בכמה צעדים. תנו לו את החומרים בפועל ומטרה מדויקת, במקום להסתמך על ידע רחב שנלמד כדי למלא פערים.
לחילוץ, הגדירו את השדות ואת כללי המקור לפני אספקת החומר. בקשה מעשית: ״קרא את עדכוני השירות האלה, חלץ את המזהה, המצב המוצהר והפעולה הבאה הדרושה של כל רשומה, ושמור את המשפט התומך בכל שדה. החזר null כששדה חסר.״ ציינו אם יש להעתיק ערך בדיוק, לנרמל אותו או להסיק אותו. כך הפלט ניתן לבחינה ונמנע מצב שבו פרשנות סבירה מחליפה בשקט מידע המופיע בפועל במקור.
ל־RAG, ספקו קטעים רלוונטיים עם תוויות יציבות ובקשו תשובה המבוססת על קטעים אלה. לדוגמה: ״בהסתמך רק על הוראות ההתקנה האלה, הסבר אילו צעדים חלים על הסביבה שצוינה ופרט את דרישות הקדם שעדיין אינן ידועות.״ שמרו את גרסאות המסמכים ואת התנאים עם הטקסט. בקשו מהמודל לזהות עובדה חסרה או סותרת במקום להמציא נוהל שלם. הדבר מתאים להמלצת היצרן על משימות מבוססות מקורות יותר מבקשה מהמודל הקומפקטי לשמש מאגר ממצה של ידע מקצועי.
LFM2.5-2.6B הוא מודל הסקה בלבד: תבנית השיחה שלו מתחילה את תשובת העוזר בסמן חשיבה, והוא מסיק לפני התשובה הסופית. כרטיס המודל של היצרן ממליץ ליצירה על temperature 0.1, top-k 50 וקנס חזרתיות של 1.1. אלה הגדרות המתכון של המודל הנקוב. הבדילו את התוצר הסופי מטקסט ההסקה והשאירו מקום לשניהם בבקשת העבודה. אין להניח שבקרות או מצבי תשובה ישירה השייכים למהדורות הוראות אחרות של LFM חלים גם על מודל זה.
המודל משתמש בפורמט שיחה הדומה ל־ChatML, עם תפקידי system, user, assistant ו־tool. לתהליך הפונקציות המתועד שלו ארבעה שלבים: הגדרת הכלים, מתן אפשרות למודל לבקש פונקציה, ביצוע הפונקציה ביישום שסביבו והחזרת התוצאה בפועל כדי שהמודל יוכל לענות. קריאות מובנות הן רשימות בסגנון Python המוקפות בסמני קריאה לכלי; היצרן מתאר גם בקשת פורמט קריאה של JSON באמצעות הוראת המערכת. השתמשו במנתח המתאים, בדקו את שם הפונקציה ואת הארגומנטים מול ההגדרות שסופקו ושמרו את התוצאה עם הקריאה שיצרה אותה.
לתהליך סוכן קומפקטי, חשפו רק את הפונקציות הרלוונטיות למשימה הנוכחית, עם תיאורים תמציתיים וטיפוסי ארגומנטים מפורשים. גם הגדרות הכלים עצמן תופסות הקשר. רצף שימושי עשוי לחפש את מצבה של רשומה שסופקה, להשוות את המצב שהוחזר לכלל ולהסביר אם דרוש מעקב. ספקו את מזהה הרשומה כראיה ובקשו תשובה סופית הקשורה לתצפית שהוחזרה. המודל מציע ומפרש את הפעולה; היישום מספק את ביצועה בפועל ואת תוצאתה.
כרטיס המודל הנוכחי של היצרן מציין הקשר מודל של 131,072 אסימונים, והמהדורה מתארת שלב ייעודי להרחבת ההקשר. עבדו בתוך החלון של התצורה שבשימוש, תוך שמירת גבולות מקורות, היסטוריה רלוונטית ומקום להמשך. עבור כמה מסמכים, בקשו לעקוב אחר השוואה או תלות מסוימת. נקודת השמירה המקורית ותוצרי GGUF, ONNX ו־MLX משרתים צורכי פריסה שונים, וטיוטת פענוח ספקולטיבי היא תוצר נלווה נפרד. נתוני משאבים או מהירות מתצורה אחת אינם מתארים אוטומטית כל פורמט מודל וחלון עבודה.
Liquid אינה ממליצה במפורש על LFM2.5-2.6B לתכנות באמצעות סוכנים או למשימות עתירות ידע. שמרו אותו ממוקד בתהליכים מוחשיים עם ראיות שסופקו, כללי חילוץ ותצפיות כלים. גם נקודת השמירה Base שעברה אימון מקדים היא תוצר נפרד המיועד להתאמה, ואילו מהדורה זו שעברה אימון המשך היא מודל הסוכן. בתוצאה הסופית, בדקו ערכים שחולצו מול המקור שלהם, בדקו שקטע מצוטט תומך בתשובה והבחינו בין קריאה מבוקשת לכלי לפעולה בעלת תוצאה מתועדת. שמרו מידע לא פתור כשהוא משפיע על המסקנה, במקום לאפשר לטקסט רהוט לטשטש אותו.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות liquid/lfm-2.5-2.6b:free | ברירת מחדל— |
שדהmessages | סוגarray | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות false | ברירת מחדלfalse |
שדהmax_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 מקסימום: 8,192 | ברירת מחדל— |
שדהmax_completion_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 מקסימום: 8,192 | ברירת מחדל— |
שדהn | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 מקסימום: 128 | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtop_p | סוגnumber | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהseed | סוגinteger | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהstop | סוג | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהfrequency_penalty | סוגnumber | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהpresence_penalty | סוגnumber | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהuser | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages |
פרמטרoptional | מפרטstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
פרמטרmaterial_types | מפרטtext |
פרמטרconditions | מפרטUse 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. |
מחזור חיים: synchronous_json
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי בסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0 / 1K טוקנים פלט · טוקני פלט $0 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${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
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
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
השתמשו בנתיבי השיטות המוצגים למעלה.
liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B הוא מודל טקסט קומפקטי להסקה עבור סוכנים, שימוש בכלים, חילוץ נתונים ו־RAG. התכנון ההיברידי שלו כולל 2.69 מיליארד פרמטרים. הוא מסיק לפני שהוא עונה ומתאים במיוחד לחומר מקור מוחשי ולכלים מוגדרים בבירור; היצרן מזהיר משימוש בתכנות באמצעות סוכנים ובמשימות עתירות ידע.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Liquid AI LFM2.5-2.6B הוא מודל הטקסט שעבר אימון המשך במשפחת LFM2.5 הקומפקטית של Liquid, ומיועד לסוכנים הפועלים במכשיר ולתהליכי עבודה מעשיים. כרטיס המודל המסוים מציין 2.69 מיליארד פרמטרים ו־30 שכבות: 22 בלוקי קונבולוציה קצרה עם שער כפול ושמונה בלוקי קשב עם שאילתות מקובצות. התכנון ההיברידי מכוון לעיבוד טקסט יעיל. המודל מקבל טקסט ומחזיר טקסט, לרבות תשובה מנומקת או בקשה להשתמש בפונקציה מוגדרת.
היצרן ממליץ עליו לעומסי עבודה של סוכנים, לשימוש בכלים, לחילוץ נתונים, ליצירה מוגברת באחזור ולתהליכים עם הקשר ארוך. שרשרת האימון של המהדורה משלבת כוונון עדין מונחה, מודלי מורה מתמחים, זיקוק רב־תחומי לפי המדיניות ולמידת חיזוק בתוך סביבות סוכנים. הדבר מסביר את המיקוד שלו במילוי הוראות משימה, בשימוש בתצפיות כלים ובהתקדמות בכמה צעדים. תנו לו את החומרים בפועל ומטרה מדויקת, במקום להסתמך על ידע רחב שנלמד כדי למלא פערים.
לחילוץ, הגדירו את השדות ואת כללי המקור לפני אספקת החומר. בקשה מעשית: ״קרא את עדכוני השירות האלה, חלץ את המזהה, המצב המוצהר והפעולה הבאה הדרושה של כל רשומה, ושמור את המשפט התומך בכל שדה. החזר null כששדה חסר.״ ציינו אם יש להעתיק ערך בדיוק, לנרמל אותו או להסיק אותו. כך הפלט ניתן לבחינה ונמנע מצב שבו פרשנות סבירה מחליפה בשקט מידע המופיע בפועל במקור.
ל־RAG, ספקו קטעים רלוונטיים עם תוויות יציבות ובקשו תשובה המבוססת על קטעים אלה. לדוגמה: ״בהסתמך רק על הוראות ההתקנה האלה, הסבר אילו צעדים חלים על הסביבה שצוינה ופרט את דרישות הקדם שעדיין אינן ידועות.״ שמרו את גרסאות המסמכים ואת התנאים עם הטקסט. בקשו מהמודל לזהות עובדה חסרה או סותרת במקום להמציא נוהל שלם. הדבר מתאים להמלצת היצרן על משימות מבוססות מקורות יותר מבקשה מהמודל הקומפקטי לשמש מאגר ממצה של ידע מקצועי.
LFM2.5-2.6B הוא מודל הסקה בלבד: תבנית השיחה שלו מתחילה את תשובת העוזר בסמן חשיבה, והוא מסיק לפני התשובה הסופית. כרטיס המודל של היצרן ממליץ ליצירה על temperature 0.1, top-k 50 וקנס חזרתיות של 1.1. אלה הגדרות המתכון של המודל הנקוב. הבדילו את התוצר הסופי מטקסט ההסקה והשאירו מקום לשניהם בבקשת העבודה. אין להניח שבקרות או מצבי תשובה ישירה השייכים למהדורות הוראות אחרות של LFM חלים גם על מודל זה.
המודל משתמש בפורמט שיחה הדומה ל־ChatML, עם תפקידי system, user, assistant ו־tool. לתהליך הפונקציות המתועד שלו ארבעה שלבים: הגדרת הכלים, מתן אפשרות למודל לבקש פונקציה, ביצוע הפונקציה ביישום שסביבו והחזרת התוצאה בפועל כדי שהמודל יוכל לענות. קריאות מובנות הן רשימות בסגנון Python המוקפות בסמני קריאה לכלי; היצרן מתאר גם בקשת פורמט קריאה של JSON באמצעות הוראת המערכת. השתמשו במנתח המתאים, בדקו את שם הפונקציה ואת הארגומנטים מול ההגדרות שסופקו ושמרו את התוצאה עם הקריאה שיצרה אותה.
לתהליך סוכן קומפקטי, חשפו רק את הפונקציות הרלוונטיות למשימה הנוכחית, עם תיאורים תמציתיים וטיפוסי ארגומנטים מפורשים. גם הגדרות הכלים עצמן תופסות הקשר. רצף שימושי עשוי לחפש את מצבה של רשומה שסופקה, להשוות את המצב שהוחזר לכלל ולהסביר אם דרוש מעקב. ספקו את מזהה הרשומה כראיה ובקשו תשובה סופית הקשורה לתצפית שהוחזרה. המודל מציע ומפרש את הפעולה; היישום מספק את ביצועה בפועל ואת תוצאתה.
כרטיס המודל הנוכחי של היצרן מציין הקשר מודל של 131,072 אסימונים, והמהדורה מתארת שלב ייעודי להרחבת ההקשר. עבדו בתוך החלון של התצורה שבשימוש, תוך שמירת גבולות מקורות, היסטוריה רלוונטית ומקום להמשך. עבור כמה מסמכים, בקשו לעקוב אחר השוואה או תלות מסוימת. נקודת השמירה המקורית ותוצרי GGUF, ONNX ו־MLX משרתים צורכי פריסה שונים, וטיוטת פענוח ספקולטיבי היא תוצר נלווה נפרד. נתוני משאבים או מהירות מתצורה אחת אינם מתארים אוטומטית כל פורמט מודל וחלון עבודה.
Liquid אינה ממליצה במפורש על LFM2.5-2.6B לתכנות באמצעות סוכנים או למשימות עתירות ידע. שמרו אותו ממוקד בתהליכים מוחשיים עם ראיות שסופקו, כללי חילוץ ותצפיות כלים. גם נקודת השמירה Base שעברה אימון מקדים היא תוצר נפרד המיועד להתאמה, ואילו מהדורה זו שעברה אימון המשך היא מודל הסוכן. בתוצאה הסופית, בדקו ערכים שחולצו מול המקור שלהם, בדקו שקטע מצוטט תומך בתשובה והבחינו בין קריאה מבוקשת לכלי לפעולה בעלת תוצאה מתועדת. שמרו מידע לא פתור כשהוא משפיע על המסקנה, במקום לאפשר לטקסט רהוט לטשטש אותו.
POST /v1/messagestexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות liquid/lfm-2.5-2.6b:free | ברירת מחדל— |
שדהmessages | סוגarray | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות false | ברירת מחדלfalse |
שדהsystem | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהחובה | ערכים ומגבלות מינימום: 1 מקסימום: 8,192 | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtop_p | סוגnumber | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtop_k | סוגinteger | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהstop_sequences | סוגarray | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmetadata | סוגobject | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages, max_tokens |
פרמטרoptional | מפרטstream, system, temperature, top_p, top_k, stop_sequences, metadata |
פרמטרmaterial_types | מפרטtext |
פרמטרconditions | מפרטUse 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. |
מחזור חיים: synchronous_json
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי בסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0 / 1K טוקנים פלט · טוקני פלט $0 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${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
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
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
השתמשו בנתיבי השיטות המוצגים למעלה.