LiquidAI: LFM2.5-2.6B

{"about":"### Kompakt modell ügynökfeladatokra felkészítve\n\nAz LFM2.5-2.6B a Liquid AI szövegmodellje utasításkövetést, dokumentumfeldolgozást és több egymás utáni lépést igénylő feladatokra. Az LFM2.5 család e változata külön felkészítést kapott ügynökfolyamatokra: eszközhasználati interakciókon és tipikus ügynökkörnyezeteken tanították. Ez a modell viselkedését érinti; az alkalmazás konkrét műveleteit az integráció határozza meg.\n\nAz LFM2.5-2.6B alapja a 2,69 milliárd paraméteres hibrid LFM2 architektúra. Rövid konvolúciós és csoportos figyelmi blokkokat kombinál. A Liquid AI a családot eszközökön történő futtatásra is fejleszti, az Ailootban azonban szöveges felületen használható: a felhasználó üzenetet küld és szöveges választ kap.\n\n### Mire használható\n\nA modell szöveges adatkinyerésre, megadott anyagokkal kapcsolatos kérdésekre és hosszú utasítások feldolgozására alkalmas. Például ügyféllevelezésből egységes követelménylistát, majd ellentmondáslistát és pontosító levelet készíthet. Tudásbázis-válaszhoz mellékelje a megtalált részleteket, és szabja meg: azokra támaszkodjon, tartsa meg a neveket és jelezze a hiányzó tényt.\n\nA Liquid AI dokumentációja adatkinyerést, RAG-ot és hosszú kontextusú folyamatokat említ. A fejlesztő külön korlátozza az alkalmazási területet: az ügynökalapú programozás és a megadott források nélkül nagy tényismeretet igénylő feladatok nem ajánlottak e változathoz. Szakterminológiánál érdemes definíciókat és eredeti dokumentumokat mellékelni.\n\n### Kontextus és nyelvek\n\nAz Ailootban a modell kontextusa 128 000 token. Ebbe a feladat anyagai és az előzmények is beleszámítanak; ezekkel együtt tervezze a válasz hosszát. A fejlesztői kártya 16 nyelvet sorol fel, köztük az oroszt, angolt, kínait, németet és spanyolt. Így többnyelvű dokumentum- és levelezésfeldolgozásra használható, a kért nyelvet és kimeneti formát az utasításban rögzítve.","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":"A Liquid AI kompakt szövegmodellje adatkinyeréshez, dokumentumalapú válaszokhoz és nagy kontextusú, egymásra épülő feladatokhoz."}