{
  "aboutHtml": "<h3>מודל קומפקטי עם הכשרה לסוכנים</h3><p>LFM2.5-2.6B הוא מודל טקסט של Liquid AI שנוצר למשימות שבהן חשובים מעקב אחר הוראות, עיבוד מסמכים וביצוע של כמה שלבים ברצף. במשפחת LFM2.5 הגרסה הזאת קיבלה הכשרה נפרדת לתרחישי סוכנים: היצרן אימן אותה על אינטראקציה עם כלים וסביבות עבודה אופייניות לסוכנים. ההכשרה נוגעת להתנהגות המודל; הפעולות המסוימות ביישום נקבעות על ידי האינטגרציה.</p><p>LFM2.5-2.6B מבוסס על ארכיטקטורת LFM2 היברידית עם 2,69 מיליארד פרמטרים. היא משלבת בלוקים של קונבולוציה קצרה ושל קשב מקובץ. Liquid AI מפתחת את המשפחה לעבודה במכשירים, אולם ב־Ailoot המודל משמש דרך ממשק טקסט: המשתמש מעביר הודעות ומקבל תשובת טקסט.</p><h3>היכן הוא מועיל</h3><p>המודל מתאים לחילוץ מידע מטקסט, לשאלות על חומרים שסופקו ולעיבוד הוראות ארוכות. למשל, אפשר להעביר התכתבות עם לקוח, לבקש לאסוף דרישות לרשימה אחת, ואז לזהות סתירות ולהכין מכתב הבהרה. לתשובה על בסיס ידע כדאי לצרף את המקטעים שנמצאו ולקבוע כלל: להסתמך עליהם, לשמור שמות ולציין כשעובדה נחוצה חסרה.</p><p>בתיעוד Liquid AI מצוינים חילוץ נתונים, RAG ותרחישים עם הקשר ארוך כתחומי עבודה. היצרן מגביל בנפרד את תחום השימוש: תכנות באמצעות סוכנים ומשימות שדורשות ידע עובדתי רב ללא מקורות שסופקו אינן מהמשימות המומלצות לגרסה הזאת. בעבודה עם מונחים מקצועיים כדאי לכלול בבקשה הגדרות ומסמכי מקור.</p><h3>הקשר ושפות</h3><p>ב־Ailoot מצוין למודל הזה הקשר של ⁦128 000⁩ טוקנים. הוא כולל את חומרי המשימה ואת היסטוריית השיחה; יש לתכנן יחד איתם גם את גודל התשובה. כרטיס היצרן מונה 16 שפות, ובהן רוסית, אנגלית, סינית, גרמנית וספרדית. הדבר מאפשר להשתמש במודל לעיבוד רב־לשוני של מסמכים והתכתבויות, תוך ציון השפה הרצויה ופורמט התוצאה בהוראות.</p>",
  "aboutText": "### מודל קומפקטי עם הכשרה לסוכנים\n\nLFM2.5-2.6B הוא מודל טקסט של Liquid AI שנוצר למשימות שבהן חשובים מעקב אחר הוראות, עיבוד מסמכים וביצוע של כמה שלבים ברצף. במשפחת LFM2.5 הגרסה הזאת קיבלה הכשרה נפרדת לתרחישי סוכנים: היצרן אימן אותה על אינטראקציה עם כלים וסביבות עבודה אופייניות לסוכנים. ההכשרה נוגעת להתנהגות המודל; הפעולות המסוימות ביישום נקבעות על ידי האינטגרציה.\n\nLFM2.5-2.6B מבוסס על ארכיטקטורת LFM2 היברידית עם 2,69 מיליארד פרמטרים. היא משלבת בלוקים של קונבולוציה קצרה ושל קשב מקובץ. Liquid AI מפתחת את המשפחה לעבודה במכשירים, אולם ב־Ailoot המודל משמש דרך ממשק טקסט: המשתמש מעביר הודעות ומקבל תשובת טקסט.\n\n### היכן הוא מועיל\n\nהמודל מתאים לחילוץ מידע מטקסט, לשאלות על חומרים שסופקו ולעיבוד הוראות ארוכות. למשל, אפשר להעביר התכתבות עם לקוח, לבקש לאסוף דרישות לרשימה אחת, ואז לזהות סתירות ולהכין מכתב הבהרה. לתשובה על בסיס ידע כדאי לצרף את המקטעים שנמצאו ולקבוע כלל: להסתמך עליהם, לשמור שמות ולציין כשעובדה נחוצה חסרה.\n\nבתיעוד Liquid AI מצוינים חילוץ נתונים, RAG ותרחישים עם הקשר ארוך כתחומי עבודה. היצרן מגביל בנפרד את תחום השימוש: תכנות באמצעות סוכנים ומשימות שדורשות ידע עובדתי רב ללא מקורות שסופקו אינן מהמשימות המומלצות לגרסה הזאת. בעבודה עם מונחים מקצועיים כדאי לכלול בבקשה הגדרות ומסמכי מקור.\n\n### הקשר ושפות\n\nב־Ailoot מצוין למודל הזה הקשר של 128 000 טוקנים. הוא כולל את חומרי המשימה ואת היסטוריית השיחה; יש לתכנן יחד איתם גם את גודל התשובה. כרטיס היצרן מונה 16 שפות, ובהן רוסית, אנגלית, סינית, גרמנית וספרדית. הדבר מאפשר להשתמש במודל לעיבוד רב־לשוני של מסמכים והתכתבויות, תוך ציון השפה הרצויה ופורמט התוצאה בהוראות.",
  "locale": "he",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Anthropic Messages</b><code>POST /v1/messages</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>סוגי קלט</dt><dd><code>text</code></dd></div><div><dt>סוגי פלט</dt><dd><code>text</code></dd></div><div><dt>הקשר</dt><dd>לא מצוין בקטלוג</dd></div><div><dt>אורך תשובה מרבי</dt><dd>לא מצוין בקטלוג</dd></div></dl><dl><div><dt>קלט</dt><dd>⁦‏0.0007 ‏$⁩ <em>/ 1K</em></dd></div><div><dt>פלט</dt><dd>⁦‏0.001 ‏$⁩ <em>/ 1K</em></dd></div><div><dt>קריאה מהמטמון</dt><dd>⁦‏0.00008 ‏$⁩ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "liquid/lfm-2.5-2.6b",
        "fmt": "messages",
        "http": "POST",
        "path": "/v1/messages",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|messages|/v1/messages|liquid%2Flfm-2.5-2.6b",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": 0.08,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "anthropic",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "messages",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.7,
        "input": [
          "text"
        ],
        "label": "Anthropic Messages",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/messages",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Responses</b><code>POST /v1/responses</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>סוגי קלט</dt><dd><code>text</code></dd></div><div><dt>סוגי פלט</dt><dd><code>text</code></dd></div><div><dt>הקשר</dt><dd>לא מצוין בקטלוג</dd></div><div><dt>אורך תשובה מרבי</dt><dd>לא מצוין בקטלוג</dd></div></dl><dl><div><dt>קלט</dt><dd>⁦‏0.0007 ‏$⁩ <em>/ 1K</em></dd></div><div><dt>פלט</dt><dd>⁦‏0.001 ‏$⁩ <em>/ 1K</em></dd></div><div><dt>קריאה מהמטמון</dt><dd>⁦‏0.00008 ‏$⁩ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "liquid/lfm-2.5-2.6b",
        "fmt": "responses",
        "http": "POST",
        "path": "/v1/responses",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|responses|/v1/responses|liquid%2Flfm-2.5-2.6b",
      "ordinal": 1,
      "rawMethod": {
        "cache_read": 0.08,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "responses",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.7,
        "input": [
          "text"
        ],
        "label": "OpenAI Responses",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/responses",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Chat</b><code>POST /v1/chat/completions</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>סוגי קלט</dt><dd><code>text</code></dd></div><div><dt>סוגי פלט</dt><dd><code>text</code></dd></div><div><dt>הקשר</dt><dd>לא מצוין בקטלוג</dd></div><div><dt>אורך תשובה מרבי</dt><dd>לא מצוין בקטלוג</dd></div></dl><dl><div><dt>קלט</dt><dd>⁦‏0.0007 ‏$⁩ <em>/ 1K</em></dd></div><div><dt>פלט</dt><dd>⁦‏0.001 ‏$⁩ <em>/ 1K</em></dd></div><div><dt>קריאה מהמטמון</dt><dd>⁦‏0.00008 ‏$⁩ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "liquid/lfm-2.5-2.6b",
        "fmt": "chat",
        "http": "POST",
        "path": "/v1/chat/completions",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|chat|/v1/chat/completions|liquid%2Flfm-2.5-2.6b",
      "ordinal": 2,
      "rawMethod": {
        "cache_read": 0.08,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "chat",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.7,
        "input": [
          "text"
        ],
        "label": "OpenAI Chat",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/chat/completions",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Gemini generateContent</b><code>POST /v1beta/models/liquid/lfm-2.5-2.6b:generateContent</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>סוגי קלט</dt><dd><code>text</code></dd></div><div><dt>סוגי פלט</dt><dd><code>text</code></dd></div><div><dt>הקשר</dt><dd>לא מצוין בקטלוג</dd></div><div><dt>אורך תשובה מרבי</dt><dd>לא מצוין בקטלוג</dd></div></dl><dl><div><dt>קלט</dt><dd>⁦‏0.0007 ‏$⁩ <em>/ 1K</em></dd></div><div><dt>פלט</dt><dd>⁦‏0.001 ‏$⁩ <em>/ 1K</em></dd></div><div><dt>קריאה מהמטמון</dt><dd>⁦‏0.00008 ‏$⁩ <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "liquid/lfm-2.5-2.6b",
        "fmt": "gemini",
        "http": "POST",
        "path": "/v1beta/models/liquid/lfm-2.5-2.6b:generateContent",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|gemini|/v1beta/models/liquid/lfm-2.5-2.6b:generateContent|liquid%2Flfm-2.5-2.6b",
      "ordinal": 3,
      "rawMethod": {
        "cache_read": 0.08,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "gemini",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "gemini",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.7,
        "input": [
          "text"
        ],
        "label": "Gemini generateContent",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1beta/models/liquid/lfm-2.5-2.6b:generateContent",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "liquid/lfm-2.5-2.6b",
  "page": {
    "canonical": "https://ailoot.ai/models/he/liquid-lfm-2-5-2-6b/",
    "description": "מודל טקסט קומפקטי של Liquid AI לחילוץ נתונים, לתשובות על מסמכים ולמשימות מתמשכות עם הקשר גדול.",
    "locale": "he",
    "md_url": "https://ailoot.ai/models/he/liquid-lfm-2-5-2-6b/index.md",
    "title": "LiquidAI: LFM2.5-2.6B",
    "url": "https://ailoot.ai/models/he/liquid-lfm-2-5-2-6b/"
  },
  "rawModel": {
    "about": "### מודל קומפקטי עם הכשרה לסוכנים\n\nLFM2.5-2.6B הוא מודל טקסט של Liquid AI שנוצר למשימות שבהן חשובים מעקב אחר הוראות, עיבוד מסמכים וביצוע של כמה שלבים ברצף. במשפחת LFM2.5 הגרסה הזאת קיבלה הכשרה נפרדת לתרחישי סוכנים: היצרן אימן אותה על אינטראקציה עם כלים וסביבות עבודה אופייניות לסוכנים. ההכשרה נוגעת להתנהגות המודל; הפעולות המסוימות ביישום נקבעות על ידי האינטגרציה.\n\nLFM2.5-2.6B מבוסס על ארכיטקטורת LFM2 היברידית עם 2,69 מיליארד פרמטרים. היא משלבת בלוקים של קונבולוציה קצרה ושל קשב מקובץ. Liquid AI מפתחת את המשפחה לעבודה במכשירים, אולם ב־Ailoot המודל משמש דרך ממשק טקסט: המשתמש מעביר הודעות ומקבל תשובת טקסט.\n\n### היכן הוא מועיל\n\nהמודל מתאים לחילוץ מידע מטקסט, לשאלות על חומרים שסופקו ולעיבוד הוראות ארוכות. למשל, אפשר להעביר התכתבות עם לקוח, לבקש לאסוף דרישות לרשימה אחת, ואז לזהות סתירות ולהכין מכתב הבהרה. לתשובה על בסיס ידע כדאי לצרף את המקטעים שנמצאו ולקבוע כלל: להסתמך עליהם, לשמור שמות ולציין כשעובדה נחוצה חסרה.\n\nבתיעוד Liquid AI מצוינים חילוץ נתונים, RAG ותרחישים עם הקשר ארוך כתחומי עבודה. היצרן מגביל בנפרד את תחום השימוש: תכנות באמצעות סוכנים ומשימות שדורשות ידע עובדתי רב ללא מקורות שסופקו אינן מהמשימות המומלצות לגרסה הזאת. בעבודה עם מונחים מקצועיים כדאי לכלול בבקשה הגדרות ומסמכי מקור.\n\n### הקשר ושפות\n\nב־Ailoot מצוין למודל הזה הקשר של 128 000 טוקנים. הוא כולל את חומרי המשימה ואת היסטוריית השיחה; יש לתכנן יחד איתם גם את גודל התשובה. כרטיס היצרן מונה 16 שפות, ובהן רוסית, אנגלית, סינית, גרמנית וספרדית. הדבר מאפשר להשתמש במודל לעיבוד רב־לשוני של מסמכים והתכתבויות, תוך ציון השפה הרצויה ופורמט התוצאה בהוראות.",
    "alias_of": null,
    "aliases": [],
    "author": "Liquid",
    "canonical_model": "liquid/lfm-2.5-2.6b",
    "ctx": null,
    "formats": [
      "chat",
      "gemini",
      "messages",
      "responses"
    ],
    "id": "liquid/lfm-2.5-2.6b",
    "input": [
      "text"
    ],
    "kind": "text",
    "max_out": null,
    "methods": [
      {
        "cache_read": 0.08,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "anthropic",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "messages",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.7,
        "input": [
          "text"
        ],
        "label": "Anthropic Messages",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/messages",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.08,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "responses",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.7,
        "input": [
          "text"
        ],
        "label": "OpenAI Responses",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/responses",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.08,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "chat",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.7,
        "input": [
          "text"
        ],
        "label": "OpenAI Chat",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1/chat/completions",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.08,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "gemini",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "gemini",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 0.7,
        "input": [
          "text"
        ],
        "label": "Gemini generateContent",
        "max_out": null,
        "max_tool_calls": null,
        "out": 1.0,
        "output": [
          "text"
        ],
        "path": "/v1beta/models/liquid/lfm-2.5-2.6b:generateContent",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "liquid/lfm-2.5-2.6b",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra"
      }
    ],
    "name": "LiquidAI: LFM2.5-2.6B",
    "price": {
      "in": 0.7,
      "in_label": null,
      "out": 1.0,
      "out_label": null,
      "sort_in": 0.7,
      "sort_out": 1.0,
      "varies": false
    },
    "public_id": "liquid/lfm-2.5-2.6b",
    "short": "מודל טקסט קומפקטי של Liquid AI לחילוץ נתונים, לתשובות על מסמכים ולמשימות מתמשכות עם הקשר גדול."
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "מודל טקסט קומפקטי של Liquid AI לחילוץ נתונים, לתשובות על מסמכים ולמשימות מתמשכות עם הקשר גדול.",
  "source": {
    "audit_sha256": "97a4f04dd3589be7e9a53e4d23e40c9a42b0345c4fcdfe4e7c429a8a3b67d968",
    "bridge_map_sha256": "97a4f04dd3589be7e9a53e4d23e40c9a42b0345c4fcdfe4e7c429a8a3b67d968",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "6cb539413f4aee93dd7231ca14072306c6162e4bd4ecf0dbb417ace78a38d950",
      "renderer_sha256": "80d4deb19a3a620d9675d1f077d214b600b600180b2ef7bc55e9c6912c2ae6a1"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "6cb539413f4aee93dd7231ca14072306c6162e4bd4ecf0dbb417ace78a38d950",
    "renderer_sha256": "80d4deb19a3a620d9675d1f077d214b600b600180b2ef7bc55e9c6912c2ae6a1"
  },
  "sourceRevision": "e3d245c6ad5c4ef69742a48be676820dfe5469f956105e1588bf2fc4dc7bc5bc"
}