Source: https://ailoot.ai/models/hu/liquid-lfm-2-5-2-6b/ Canonical: https://ailoot.ai/models/hu/liquid-lfm-2-5-2-6b/ Language: hu # LiquidAI: LFM2.5-2.6B [Markdown](https://ailoot.ai/models/hu/liquid-lfm-2-5-2-6b/index.md) · [JSON](https://ailoot.ai/models/hu/liquid-lfm-2-5-2-6b/facts.json) ## [LiquidAI: LFM2.5-2.6B](https://ailoot.ai/models/hu/liquid-lfm-2-5-2-6b/) `liquid/lfm-2.5-2.6b` LiquidSzövegBemenet 0,0007 USD / 1KKimenet 0,001 USD / 1K A Liquid AI kompakt szövegmodellje adatkinyeréshez, dokumentumalapú válaszokhoz és nagy kontextusú, egymásra épülő feladatokhoz. ### Kompakt modell ügynökfeladatokra felkészítve Az 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. Az 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. ### Mire használható A 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. A 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. ### Kontextus és nyelvek Az 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. ### Elérhető az Ailoot API-n Bemenet `text` Kimenet `text` Kontextus Nincs megadva a katalógusban Max. válasz Nincs megadva a katalógusban Bemenet 0,0007 USD */ 1K* Kimenet 0,001 USD */ 1K* Gyorsítótár olvasása 0,00008 USD */ 1K* Bemenet `text` Kimenet `text` Kontextus Nincs megadva a katalógusban Max. válasz Nincs megadva a katalógusban Bemenet 0,0007 USD */ 1K* Kimenet 0,001 USD */ 1K* Gyorsítótár olvasása 0,00008 USD */ 1K* Bemenet `text` Kimenet `text` Kontextus Nincs megadva a katalógusban Max. válasz Nincs megadva a katalógusban Bemenet 0,0007 USD */ 1K* Kimenet 0,001 USD */ 1K* Gyorsítótár olvasása 0,00008 USD */ 1K* Bemenet `text` Kimenet `text` Kontextus Nincs megadva a katalógusban Max. válasz Nincs megadva a katalógusban Bemenet 0,0007 USD */ 1K* Kimenet 0,001 USD */ 1K* Gyorsítótár olvasása 0,00008 USD */ 1K* `liquid/lfm-2.5-2.6b` · JSON ``` {"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."} ``` ## Kérdések Hogyan válasszak modellt a feladatomhoz? Először határozza meg a szükséges bemenetet és kimenetet: szöveg, kép, hang vagy videó. Ezután hasonlítsa össze a kompatibilis API-metódusokat, a modell pontos ID-ját vagy az alias által jelenleg megjelölt modellt, az árat és a számlázási egységet. A GET /v1/models ingyenes, és felsorolja a kulcsával elérhető modelleket. Minden modell támogat minden API-metódust és médiatípust? A modell adatlapján felsorolt API-metódusokat, valamint bemeneti és kimeneti típusokat használja. A szöveg, kép, hang vagy videó támogatása a kiválasztott modelltől és metódustól függ; az adatok elküldése előtt ellenőrizze a hozzájuk tartozó mintakérést. Mi a különbség a modell ID-ja és az alias között? A modell pontos ID-ja egy konkrét modellt azonosít. Az alias egy modellre mutat, és a célmodellje változhat. Ellenőrizze a katalógusban, melyik modellre mutat jelenleg az alias; használja a pontos ID-t, ha az integrációjának egy konkrét modellre van szüksége. Hogyan hasonlítsam össze az árakat a kérés elküldése előtt? A modell adatlapján ellenőrizze a kiválasztott API-metódus árát és számlázási egységét. Azonos egységet és azonos bemeneti és kimeneti típust hasonlítson össze; a kérési előzmények a tényleges használatot és a felszámított összeget mutatják. Mit ad az előfizetés? Tokenvásárlási kedvezményt rendszeres munkához. A kérésmennyiségéhez válasszon tarifát; az előfizetés feltételei és ára megrendeléskor látható. Hogyan alkalmazzam az akár 50%-os promókódot? Tokenvásárláskor adja meg a promókódot. A végösszeg az akció feltételei szerint újraszámolódik; a kedvezmény mértéke fizetés előtt látható. ## Ailoot · A vállalat és projektportfóliója Az Ailoot felhalmozott működési tapasztalatra, széles ügyfélkörre, stabil szolgáltatásra és folyamatos KPI-ellenőrzésre épít. A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. Az Ailoot ezt a működési tapasztalatot használja az ügyfelek termékeiben, ágenseiben, alkalmazásaiban és automatizálásaiban elérhető AI-funkciók API-hozzáféréséhez.