Source: https://ailoot.ai/models/id/liquid-lfm-2-5-2-6b/ Canonical: https://ailoot.ai/models/id/liquid-lfm-2-5-2-6b/ Language: id # LiquidAI: LFM2.5-2.6B [Markdown](https://ailoot.ai/models/id/liquid-lfm-2-5-2-6b/index.md) · [JSON](https://ailoot.ai/models/id/liquid-lfm-2-5-2-6b/facts.json) ## [LiquidAI: LFM2.5-2.6B](https://ailoot.ai/models/id/liquid-lfm-2-5-2-6b/) `liquid/lfm-2.5-2.6b` LiquidTeksMasukan US$0,0007 / 1KKeluaran US$0,001 / 1K Model teks ringkas Liquid AI untuk ekstraksi data, jawaban berbasis dokumen, dan tugas berurutan dengan konteks besar. ### Model ringkas dengan pelatihan agen LFM2.5-2.6B adalah model teks Liquid AI untuk tugas yang memerlukan kepatuhan instruksi, pengolahan dokumen, dan pelaksanaan beberapa langkah berurutan. Dalam keluarga LFM2.5, versi ini mendapat pelatihan khusus untuk alur agen: pengembang melatihnya dalam interaksi alat dan lingkungan kerja agen yang umum. Pelatihan ini berkaitan dengan perilaku model; tindakan aplikasi tertentu ditentukan integrasinya. Dasar LFM2.5-2.6B adalah arsitektur hibrida LFM2 dengan 2,69 miliar parameter, menggabungkan blok konvolusi pendek dan perhatian berkelompok. Liquid AI mengembangkan keluarga ini untuk penggunaan pada perangkat, tetapi di Ailoot API model digunakan melalui antarmuka teks: pengguna mengirim pesan dan menerima jawaban teks. ### Penggunaan yang bermanfaat Model sesuai untuk ekstraksi informasi, pertanyaan atas materi yang diberikan, dan pengolahan instruksi panjang. Misalnya, kirim korespondensi pelanggan, minta persyaratan dihimpun dalam satu daftar, lalu temukan pertentangan dan siapkan surat klarifikasi. Untuk jawaban basis pengetahuan, lampirkan potongan hasil pencarian dan tetapkan aturan: gunakan potongan tersebut, pertahankan nama, dan tandai fakta yang tidak tersedia. Dokumentasi Liquid AI menyebut ekstraksi data, RAG, dan alur konteks panjang. Pengembang juga membatasi penggunaannya: pemrograman agen dan tugas yang memerlukan banyak pengetahuan faktual tanpa sumber yang diberikan bukan tugas yang direkomendasikan untuk versi ini. Untuk istilah bidang khusus, sertakan definisi dan dokumen asal dalam permintaan. ### Konteks dan bahasa Ailoot API menyatakan konteks 128 000 token untuk model ini. Konteks meliputi materi tugas dan riwayat percakapan; ukuran jawaban perlu direncanakan bersama keduanya. Kartu pengembang mencantumkan 16 bahasa, termasuk Rusia, Inggris, Mandarin, Jerman, dan Spanyol. Ini memungkinkan pengolahan dokumen serta korespondensi multibahasa sambil menetapkan bahasa dan format hasil dalam instruksi. ### Tersedia melalui Ailoot API Masukan `text` Keluaran `text` Konteks Tidak ditentukan dalam katalog Panjang jawaban maksimum Tidak ditentukan dalam katalog Masukan US$0,0007 */ 1K* Keluaran US$0,001 */ 1K* Pembacaan cache US$0,00008 */ 1K* Masukan `text` Keluaran `text` Konteks Tidak ditentukan dalam katalog Panjang jawaban maksimum Tidak ditentukan dalam katalog Masukan US$0,0007 */ 1K* Keluaran US$0,001 */ 1K* Pembacaan cache US$0,00008 */ 1K* Masukan `text` Keluaran `text` Konteks Tidak ditentukan dalam katalog Panjang jawaban maksimum Tidak ditentukan dalam katalog Masukan US$0,0007 */ 1K* Keluaran US$0,001 */ 1K* Pembacaan cache US$0,00008 */ 1K* Masukan `text` Keluaran `text` Konteks Tidak ditentukan dalam katalog Panjang jawaban maksimum Tidak ditentukan dalam katalog Masukan US$0,0007 */ 1K* Keluaran US$0,001 */ 1K* Pembacaan cache US$0,00008 */ 1K* `liquid/lfm-2.5-2.6b` · JSON ``` {"about":"### Model ringkas dengan pelatihan agen\n\nLFM2.5-2.6B adalah model teks Liquid AI untuk tugas yang memerlukan kepatuhan instruksi, pengolahan dokumen, dan pelaksanaan beberapa langkah berurutan. Dalam keluarga LFM2.5, versi ini mendapat pelatihan khusus untuk alur agen: pengembang melatihnya dalam interaksi alat dan lingkungan kerja agen yang umum. Pelatihan ini berkaitan dengan perilaku model; tindakan aplikasi tertentu ditentukan integrasinya.\n\nDasar LFM2.5-2.6B adalah arsitektur hibrida LFM2 dengan 2,69 miliar parameter, menggabungkan blok konvolusi pendek dan perhatian berkelompok. Liquid AI mengembangkan keluarga ini untuk penggunaan pada perangkat, tetapi di Ailoot API model digunakan melalui antarmuka teks: pengguna mengirim pesan dan menerima jawaban teks.\n\n### Penggunaan yang bermanfaat\n\nModel sesuai untuk ekstraksi informasi, pertanyaan atas materi yang diberikan, dan pengolahan instruksi panjang. Misalnya, kirim korespondensi pelanggan, minta persyaratan dihimpun dalam satu daftar, lalu temukan pertentangan dan siapkan surat klarifikasi. Untuk jawaban basis pengetahuan, lampirkan potongan hasil pencarian dan tetapkan aturan: gunakan potongan tersebut, pertahankan nama, dan tandai fakta yang tidak tersedia.\n\nDokumentasi Liquid AI menyebut ekstraksi data, RAG, dan alur konteks panjang. Pengembang juga membatasi penggunaannya: pemrograman agen dan tugas yang memerlukan banyak pengetahuan faktual tanpa sumber yang diberikan bukan tugas yang direkomendasikan untuk versi ini. Untuk istilah bidang khusus, sertakan definisi dan dokumen asal dalam permintaan.\n\n### Konteks dan bahasa\n\nAiloot API menyatakan konteks 128 000 token untuk model ini. Konteks meliputi materi tugas dan riwayat percakapan; ukuran jawaban perlu direncanakan bersama keduanya. Kartu pengembang mencantumkan 16 bahasa, termasuk Rusia, Inggris, Mandarin, Jerman, dan Spanyol. Ini memungkinkan pengolahan dokumen serta korespondensi multibahasa sambil menetapkan bahasa dan format hasil dalam instruksi.","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":"Model teks ringkas Liquid AI untuk ekstraksi data, jawaban berbasis dokumen, dan tugas berurutan dengan konteks besar."} ``` ## Pertanyaan Bagaimana cara memilih model untuk tugas saya? Tentukan dahulu input dan output yang diperlukan: teks, gambar, audio, atau video. Lalu bandingkan metode API yang kompatibel, ID model yang tepat atau model yang saat ini dirujuk oleh alias, harga, dan satuan penagihan. GET /v1/models gratis dan menampilkan model yang tersedia untuk kunci Anda. Apakah setiap model mendukung semua metode API dan jenis media? Gunakan metode API dan jenis input/output yang tercantum pada kartu model. Dukungan untuk teks, gambar, audio, atau video bergantung pada model dan metode yang dipilih; periksa contoh permintaannya sebelum mengirim data Anda. Apa perbedaan antara ID model dan alias? ID model yang tepat mengidentifikasi satu model tertentu. Alias merujuk ke sebuah model dan model tujuannya dapat berubah. Periksa model yang saat ini dirujuk oleh alias dalam katalog; gunakan ID yang tepat jika integrasi Anda memerlukan model tertentu. Bagaimana cara membandingkan harga sebelum mengirim permintaan? Periksa harga dan satuan penagihan untuk metode API yang dipilih pada kartu model. Bandingkan dengan satuan serta jenis input/output yang sama; riwayat permintaan menampilkan penggunaan aktual dan jumlah yang ditagihkan. Apa manfaat langganan? Diskon pembelian token untuk pekerjaan rutin. Pilih paket sesuai volume permintaan; ketentuan dan harga langganan ditampilkan saat pendaftaran. Bagaimana memakai kode promo dengan diskon hingga 50%? Masukkan kode promo saat membeli token. Total dihitung ulang sesuai ketentuan promosi; besar diskon terlihat sebelum pembayaran. ## Ailoot · Perusahaan dan portofolio proyeknya Ailoot bertumpu pada pengalaman operasional yang teruji, basis pelanggan yang besar, layanan yang stabil, dan pemantauan KPI berkelanjutan. Perusahaan dan portofolio proyeknya: jutaan pelanggan; penjualan miliaran setiap bulan. Ailoot memanfaatkan pengalaman operasional ini untuk akses API ke fitur AI dalam produk pelanggan, agen, aplikasi, dan otomatisasi.