Liquid AI LFM2.5-2.6B è il modello testuale sottoposto a post-addestramento della famiglia compatta LFM2.5 di Liquid, progettato per agenti sul dispositivo e flussi pratici. La scheda esatta del modello indica 2,69 miliardi di parametri e 30 livelli: 22 blocchi di convoluzione breve con doppio gating e otto blocchi grouped-query attention. Il design ibrido mira a un’elaborazione efficiente del testo. Il modello accetta testo e restituisce testo, compresa una risposta ragionata o una richiesta di usare una funzione definita.
Il produttore lo consiglia per carichi agentici, uso di strumenti, estrazione di dati, generazione aumentata dal recupero e flussi a contesto lungo. La pipeline di addestramento della versione combina fine-tuning supervisionato, modelli insegnanti specializzati, distillazione on-policy su più domini e apprendimento per rinforzo in ambienti agentici. Ciò aiuta a spiegare l’attenzione al rispetto delle istruzioni del compito, all’uso delle osservazioni degli strumenti e all’avanzamento attraverso diversi passaggi. Fornisci i materiali effettivi e un obiettivo preciso, anziché affidarti ad ampie conoscenze apprese per colmare le lacune.
Per l’estrazione, definisci i campi e le regole sulle fonti prima di fornire il materiale. Una richiesta pratica è: «Leggi questi aggiornamenti di servizio, estrai l’identificatore, lo stato dichiarato e la prossima azione richiesta di ogni record e conserva la frase che sostiene ogni campo. Restituisci null quando un campo manca». Specifica se un valore debba essere copiato esattamente, normalizzato o dedotto. Questo rende l’output esaminabile e impedisce che un’interpretazione plausibile sostituisca silenziosamente informazioni effettivamente presenti nella fonte.
Per RAG, fornisci passaggi pertinenti con etichette stabili e chiedi una risposta basata su di essi. Un esempio è: «Usando soltanto queste istruzioni di installazione, spiega quali passaggi si applicano all’ambiente dichiarato ed elenca i prerequisiti ancora sconosciuti». Conserva versioni e condizioni dei documenti insieme al testo. Chiedi al modello di identificare un fatto mancante o contrastante, anziché inventare una procedura completa. Questo corrisponde meglio alla raccomandazione del produttore per compiti ancorati alle fonti rispetto a chiedere al modello compatto di agire come archivio esaustivo di conoscenze specialistiche.
LFM2.5-2.6B è un modello di ragionamento puro: il suo template di chat avvia la risposta dell’assistente con un marcatore di pensiero e ragiona prima della risposta finale. La scheda del produttore consiglia temperature 0.1, top-k 50 e penalità di ripetizione 1.1 per la generazione. Si tratta delle impostazioni della configurazione del modello denominato. Mantieni il risultato finale distinto dal testo del ragionamento e lascia spazio per entrambi in una richiesta operativa. Non presumere per questo modello controlli o modalità di risposta diretta appartenenti ad altre edizioni di istruzioni LFM.
Il modello usa un formato di conversazione simile a ChatML con ruoli system, user, assistant e tool. Il flusso di funzioni documentato ha quattro fasi: definire gli strumenti, lasciare che il modello richieda una funzione, eseguirla nell’applicazione circostante e restituire il risultato effettivo affinché il modello possa rispondere. Le chiamate native sono liste in stile Python racchiuse da marcatori di chiamata a strumenti; il produttore descrive anche come richiedere il formato JSON per le chiamate tramite l’istruzione di sistema. Usa il parser appropriato, controlla il nome della funzione e gli argomenti rispetto alle definizioni fornite e conserva il risultato con la chiamata che lo ha prodotto.
Per un flusso con agente compatto, esponi soltanto le funzioni pertinenti al compito corrente, con descrizioni concise e tipi di argomento espliciti. Le definizioni degli strumenti occupano esse stesse contesto. Una sequenza utile può cercare lo stato di un record fornito, confrontare lo stato restituito con una regola e spiegare se sia necessario un seguito. Fornisci l’identificatore del record come prova e chiedi una risposta finale collegata all’osservazione restituita. Il modello propone e interpreta l’operazione; l’applicazione ne fornisce l’esecuzione effettiva e il risultato.
La scheda corrente del produttore specifica un contesto del modello di 131.072 token e la presentazione della versione descrive una fase dedicata di estensione del contesto. Lavora entro la finestra della configurazione in uso, conservando i confini delle fonti, la cronologia pertinente e lo spazio per la continuazione. Per diversi documenti, chiedi un confronto particolare o una dipendenza da ricostruire. Il checkpoint nativo e gli artefatti GGUF, ONNX e MLX soddisfano esigenze di distribuzione diverse, mentre un modello draft per la decodifica speculativa è un artefatto di accompagnamento separato. I dati di risorse o velocità di una configurazione non descrivono automaticamente ogni formato del modello e ogni finestra operativa.
Liquid sconsiglia esplicitamente LFM2.5-2.6B per programmazione agentica o compiti ad alta intensità di conoscenze. Mantienilo concentrato su flussi concreti con prove fornite, regole di estrazione e osservazioni degli strumenti. Anche il checkpoint pre-addestrato Base è un artefatto separato destinato alla personalizzazione, mentre questa edizione sottoposta a post-addestramento è il modello per agenti. Per il risultato finale, esamina i valori estratti rispetto alla fonte, controlla che un passaggio citato sostenga la risposta e distingui una chiamata a strumenti richiesta da un’operazione con esito registrato. Conserva le informazioni irrisolte quando influiscono sulla conclusione, anziché lasciare che un testo scorrevole le nasconda.
", "aboutText": "Liquid AI LFM2.5-2.6B è il modello testuale sottoposto a post-addestramento della famiglia compatta LFM2.5 di Liquid, progettato per agenti sul dispositivo e flussi pratici. La scheda esatta del modello indica 2,69 miliardi di parametri e 30 livelli: 22 blocchi di convoluzione breve con doppio gating e otto blocchi grouped-query attention. Il design ibrido mira a un’elaborazione efficiente del testo. Il modello accetta testo e restituisce testo, compresa una risposta ragionata o una richiesta di usare una funzione definita.\n\nIl produttore lo consiglia per carichi agentici, uso di strumenti, estrazione di dati, generazione aumentata dal recupero e flussi a contesto lungo. La pipeline di addestramento della versione combina fine-tuning supervisionato, modelli insegnanti specializzati, distillazione on-policy su più domini e apprendimento per rinforzo in ambienti agentici. Ciò aiuta a spiegare l’attenzione al rispetto delle istruzioni del compito, all’uso delle osservazioni degli strumenti e all’avanzamento attraverso diversi passaggi. Fornisci i materiali effettivi e un obiettivo preciso, anziché affidarti ad ampie conoscenze apprese per colmare le lacune.\n\nPer l’estrazione, definisci i campi e le regole sulle fonti prima di fornire il materiale. Una richiesta pratica è: «Leggi questi aggiornamenti di servizio, estrai l’identificatore, lo stato dichiarato e la prossima azione richiesta di ogni record e conserva la frase che sostiene ogni campo. Restituisci null quando un campo manca». Specifica se un valore debba essere copiato esattamente, normalizzato o dedotto. Questo rende l’output esaminabile e impedisce che un’interpretazione plausibile sostituisca silenziosamente informazioni effettivamente presenti nella fonte.\n\nPer RAG, fornisci passaggi pertinenti con etichette stabili e chiedi una risposta basata su di essi. Un esempio è: «Usando soltanto queste istruzioni di installazione, spiega quali passaggi si applicano all’ambiente dichiarato ed elenca i prerequisiti ancora sconosciuti». Conserva versioni e condizioni dei documenti insieme al testo. Chiedi al modello di identificare un fatto mancante o contrastante, anziché inventare una procedura completa. Questo corrisponde meglio alla raccomandazione del produttore per compiti ancorati alle fonti rispetto a chiedere al modello compatto di agire come archivio esaustivo di conoscenze specialistiche.\n\nLFM2.5-2.6B è un modello di ragionamento puro: il suo template di chat avvia la risposta dell’assistente con un marcatore di pensiero e ragiona prima della risposta finale. La scheda del produttore consiglia temperature 0.1, top-k 50 e penalità di ripetizione 1.1 per la generazione. Si tratta delle impostazioni della configurazione del modello denominato. Mantieni il risultato finale distinto dal testo del ragionamento e lascia spazio per entrambi in una richiesta operativa. Non presumere per questo modello controlli o modalità di risposta diretta appartenenti ad altre edizioni di istruzioni LFM.\n\nIl modello usa un formato di conversazione simile a ChatML con ruoli system, user, assistant e tool. Il flusso di funzioni documentato ha quattro fasi: definire gli strumenti, lasciare che il modello richieda una funzione, eseguirla nell’applicazione circostante e restituire il risultato effettivo affinché il modello possa rispondere. Le chiamate native sono liste in stile Python racchiuse da marcatori di chiamata a strumenti; il produttore descrive anche come richiedere il formato JSON per le chiamate tramite l’istruzione di sistema. Usa il parser appropriato, controlla il nome della funzione e gli argomenti rispetto alle definizioni fornite e conserva il risultato con la chiamata che lo ha prodotto.\n\nPer un flusso con agente compatto, esponi soltanto le funzioni pertinenti al compito corrente, con descrizioni concise e tipi di argomento espliciti. Le definizioni degli strumenti occupano esse stesse contesto. Una sequenza utile può cercare lo stato di un record fornito, confrontare lo stato restituito con una regola e spiegare se sia necessario un seguito. Fornisci l’identificatore del record come prova e chiedi una risposta finale collegata all’osservazione restituita. Il modello propone e interpreta l’operazione; l’applicazione ne fornisce l’esecuzione effettiva e il risultato.\n\nLa scheda corrente del produttore specifica un contesto del modello di 131.072 token e la presentazione della versione descrive una fase dedicata di estensione del contesto. Lavora entro la finestra della configurazione in uso, conservando i confini delle fonti, la cronologia pertinente e lo spazio per la continuazione. Per diversi documenti, chiedi un confronto particolare o una dipendenza da ricostruire. Il checkpoint nativo e gli artefatti GGUF, ONNX e MLX soddisfano esigenze di distribuzione diverse, mentre un modello draft per la decodifica speculativa è un artefatto di accompagnamento separato. I dati di risorse o velocità di una configurazione non descrivono automaticamente ogni formato del modello e ogni finestra operativa.\n\nLiquid sconsiglia esplicitamente LFM2.5-2.6B per programmazione agentica o compiti ad alta intensità di conoscenze. Mantienilo concentrato su flussi concreti con prove fornite, regole di estrazione e osservazioni degli strumenti. Anche il checkpoint pre-addestrato Base è un artefatto separato destinato alla personalizzazione, mentre questa edizione sottoposta a post-addestramento è il modello per agenti. Per il risultato finale, esamina i valori estratti rispetto alla fonte, controlla che un passaggio citato sostenga la risposta e distingui una chiamata a strumenti richiesta da un’operazione con esito registrato. Conserva le informazioni irrisolte quando influiscono sulla conclusione, anziché lasciare che un testo scorrevole le nasconda.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8c5fa6fa9dd2c545f926efe98fd247fc5368ff5957d6db39767c94b12910f0f6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B è un modello compatto di ragionamento testuale per agenti, uso di strumenti, estrazione di dati e RAG. Il design ibrido ha 2,69 miliardi di parametri. Ragiona prima di rispondere e funziona al meglio con materiale di origine concreto e strumenti chiaramente definiti; il produttore sconsiglia la programmazione agentica e i compiti ad alta intensità di conoscenze.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Liquid AI LFM2.5-2.6B è il modello testuale sottoposto a post-addestramento della famiglia compatta LFM2.5 di Liquid, progettato per agenti sul dispositivo e flussi pratici. La scheda esatta del modello indica 2,69 miliardi di parametri e 30 livelli: 22 blocchi di convoluzione breve con doppio gating e otto blocchi grouped-query attention. Il design ibrido mira a un’elaborazione efficiente del testo. Il modello accetta testo e restituisce testo, compresa una risposta ragionata o una richiesta di usare una funzione definita.
Il produttore lo consiglia per carichi agentici, uso di strumenti, estrazione di dati, generazione aumentata dal recupero e flussi a contesto lungo. La pipeline di addestramento della versione combina fine-tuning supervisionato, modelli insegnanti specializzati, distillazione on-policy su più domini e apprendimento per rinforzo in ambienti agentici. Ciò aiuta a spiegare l’attenzione al rispetto delle istruzioni del compito, all’uso delle osservazioni degli strumenti e all’avanzamento attraverso diversi passaggi. Fornisci i materiali effettivi e un obiettivo preciso, anziché affidarti ad ampie conoscenze apprese per colmare le lacune.
Per l’estrazione, definisci i campi e le regole sulle fonti prima di fornire il materiale. Una richiesta pratica è: «Leggi questi aggiornamenti di servizio, estrai l’identificatore, lo stato dichiarato e la prossima azione richiesta di ogni record e conserva la frase che sostiene ogni campo. Restituisci null quando un campo manca». Specifica se un valore debba essere copiato esattamente, normalizzato o dedotto. Questo rende l’output esaminabile e impedisce che un’interpretazione plausibile sostituisca silenziosamente informazioni effettivamente presenti nella fonte.
Per RAG, fornisci passaggi pertinenti con etichette stabili e chiedi una risposta basata su di essi. Un esempio è: «Usando soltanto queste istruzioni di installazione, spiega quali passaggi si applicano all’ambiente dichiarato ed elenca i prerequisiti ancora sconosciuti». Conserva versioni e condizioni dei documenti insieme al testo. Chiedi al modello di identificare un fatto mancante o contrastante, anziché inventare una procedura completa. Questo corrisponde meglio alla raccomandazione del produttore per compiti ancorati alle fonti rispetto a chiedere al modello compatto di agire come archivio esaustivo di conoscenze specialistiche.
LFM2.5-2.6B è un modello di ragionamento puro: il suo template di chat avvia la risposta dell’assistente con un marcatore di pensiero e ragiona prima della risposta finale. La scheda del produttore consiglia temperature 0.1, top-k 50 e penalità di ripetizione 1.1 per la generazione. Si tratta delle impostazioni della configurazione del modello denominato. Mantieni il risultato finale distinto dal testo del ragionamento e lascia spazio per entrambi in una richiesta operativa. Non presumere per questo modello controlli o modalità di risposta diretta appartenenti ad altre edizioni di istruzioni LFM.
Il modello usa un formato di conversazione simile a ChatML con ruoli system, user, assistant e tool. Il flusso di funzioni documentato ha quattro fasi: definire gli strumenti, lasciare che il modello richieda una funzione, eseguirla nell’applicazione circostante e restituire il risultato effettivo affinché il modello possa rispondere. Le chiamate native sono liste in stile Python racchiuse da marcatori di chiamata a strumenti; il produttore descrive anche come richiedere il formato JSON per le chiamate tramite l’istruzione di sistema. Usa il parser appropriato, controlla il nome della funzione e gli argomenti rispetto alle definizioni fornite e conserva il risultato con la chiamata che lo ha prodotto.
Per un flusso con agente compatto, esponi soltanto le funzioni pertinenti al compito corrente, con descrizioni concise e tipi di argomento espliciti. Le definizioni degli strumenti occupano esse stesse contesto. Una sequenza utile può cercare lo stato di un record fornito, confrontare lo stato restituito con una regola e spiegare se sia necessario un seguito. Fornisci l’identificatore del record come prova e chiedi una risposta finale collegata all’osservazione restituita. Il modello propone e interpreta l’operazione; l’applicazione ne fornisce l’esecuzione effettiva e il risultato.
La scheda corrente del produttore specifica un contesto del modello di 131.072 token e la presentazione della versione descrive una fase dedicata di estensione del contesto. Lavora entro la finestra della configurazione in uso, conservando i confini delle fonti, la cronologia pertinente e lo spazio per la continuazione. Per diversi documenti, chiedi un confronto particolare o una dipendenza da ricostruire. Il checkpoint nativo e gli artefatti GGUF, ONNX e MLX soddisfano esigenze di distribuzione diverse, mentre un modello draft per la decodifica speculativa è un artefatto di accompagnamento separato. I dati di risorse o velocità di una configurazione non descrivono automaticamente ogni formato del modello e ogni finestra operativa.
Liquid sconsiglia esplicitamente LFM2.5-2.6B per programmazione agentica o compiti ad alta intensità di conoscenze. Mantienilo concentrato su flussi concreti con prove fornite, regole di estrazione e osservazioni degli strumenti. Anche il checkpoint pre-addestrato Base è un artefatto separato destinato alla personalizzazione, mentre questa edizione sottoposta a post-addestramento è il modello per agenti. Per il risultato finale, esamina i valori estratti rispetto alla fonte, controlla che un passaggio citato sostenga la risposta e distingui una chiamata a strumenti richiesta da un’operazione con esito registrato. Conserva le informazioni irrisolte quando influiscono sulla conclusione, anziché lasciare che un testo scorrevole le nasconda.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti liquid/lfm-2.5-2.6b:free | Predefinito— |
Campomessages | Tipoarray | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti false | Predefinitofalse |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Massimo: 8192 | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Massimo: 8192 | Predefinito— |
Campon | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Massimo: 128 | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Camposeed | Tipointeger | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campostop | Tipo | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campofrequency_penalty | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campopresence_penalty | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campouser | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametrooptional | Contrattostream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametromaterial_types | Contrattotext |
Parametroconditions | ContrattoUse 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. |
Ciclo di vita: synchronous_json
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
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
Usa i percorsi dei metodi indicati sopra.
liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B è un modello compatto di ragionamento testuale per agenti, uso di strumenti, estrazione di dati e RAG. Il design ibrido ha 2,69 miliardi di parametri. Ragiona prima di rispondere e funziona al meglio con materiale di origine concreto e strumenti chiaramente definiti; il produttore sconsiglia la programmazione agentica e i compiti ad alta intensità di conoscenze.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Liquid AI LFM2.5-2.6B è il modello testuale sottoposto a post-addestramento della famiglia compatta LFM2.5 di Liquid, progettato per agenti sul dispositivo e flussi pratici. La scheda esatta del modello indica 2,69 miliardi di parametri e 30 livelli: 22 blocchi di convoluzione breve con doppio gating e otto blocchi grouped-query attention. Il design ibrido mira a un’elaborazione efficiente del testo. Il modello accetta testo e restituisce testo, compresa una risposta ragionata o una richiesta di usare una funzione definita.
Il produttore lo consiglia per carichi agentici, uso di strumenti, estrazione di dati, generazione aumentata dal recupero e flussi a contesto lungo. La pipeline di addestramento della versione combina fine-tuning supervisionato, modelli insegnanti specializzati, distillazione on-policy su più domini e apprendimento per rinforzo in ambienti agentici. Ciò aiuta a spiegare l’attenzione al rispetto delle istruzioni del compito, all’uso delle osservazioni degli strumenti e all’avanzamento attraverso diversi passaggi. Fornisci i materiali effettivi e un obiettivo preciso, anziché affidarti ad ampie conoscenze apprese per colmare le lacune.
Per l’estrazione, definisci i campi e le regole sulle fonti prima di fornire il materiale. Una richiesta pratica è: «Leggi questi aggiornamenti di servizio, estrai l’identificatore, lo stato dichiarato e la prossima azione richiesta di ogni record e conserva la frase che sostiene ogni campo. Restituisci null quando un campo manca». Specifica se un valore debba essere copiato esattamente, normalizzato o dedotto. Questo rende l’output esaminabile e impedisce che un’interpretazione plausibile sostituisca silenziosamente informazioni effettivamente presenti nella fonte.
Per RAG, fornisci passaggi pertinenti con etichette stabili e chiedi una risposta basata su di essi. Un esempio è: «Usando soltanto queste istruzioni di installazione, spiega quali passaggi si applicano all’ambiente dichiarato ed elenca i prerequisiti ancora sconosciuti». Conserva versioni e condizioni dei documenti insieme al testo. Chiedi al modello di identificare un fatto mancante o contrastante, anziché inventare una procedura completa. Questo corrisponde meglio alla raccomandazione del produttore per compiti ancorati alle fonti rispetto a chiedere al modello compatto di agire come archivio esaustivo di conoscenze specialistiche.
LFM2.5-2.6B è un modello di ragionamento puro: il suo template di chat avvia la risposta dell’assistente con un marcatore di pensiero e ragiona prima della risposta finale. La scheda del produttore consiglia temperature 0.1, top-k 50 e penalità di ripetizione 1.1 per la generazione. Si tratta delle impostazioni della configurazione del modello denominato. Mantieni il risultato finale distinto dal testo del ragionamento e lascia spazio per entrambi in una richiesta operativa. Non presumere per questo modello controlli o modalità di risposta diretta appartenenti ad altre edizioni di istruzioni LFM.
Il modello usa un formato di conversazione simile a ChatML con ruoli system, user, assistant e tool. Il flusso di funzioni documentato ha quattro fasi: definire gli strumenti, lasciare che il modello richieda una funzione, eseguirla nell’applicazione circostante e restituire il risultato effettivo affinché il modello possa rispondere. Le chiamate native sono liste in stile Python racchiuse da marcatori di chiamata a strumenti; il produttore descrive anche come richiedere il formato JSON per le chiamate tramite l’istruzione di sistema. Usa il parser appropriato, controlla il nome della funzione e gli argomenti rispetto alle definizioni fornite e conserva il risultato con la chiamata che lo ha prodotto.
Per un flusso con agente compatto, esponi soltanto le funzioni pertinenti al compito corrente, con descrizioni concise e tipi di argomento espliciti. Le definizioni degli strumenti occupano esse stesse contesto. Una sequenza utile può cercare lo stato di un record fornito, confrontare lo stato restituito con una regola e spiegare se sia necessario un seguito. Fornisci l’identificatore del record come prova e chiedi una risposta finale collegata all’osservazione restituita. Il modello propone e interpreta l’operazione; l’applicazione ne fornisce l’esecuzione effettiva e il risultato.
La scheda corrente del produttore specifica un contesto del modello di 131.072 token e la presentazione della versione descrive una fase dedicata di estensione del contesto. Lavora entro la finestra della configurazione in uso, conservando i confini delle fonti, la cronologia pertinente e lo spazio per la continuazione. Per diversi documenti, chiedi un confronto particolare o una dipendenza da ricostruire. Il checkpoint nativo e gli artefatti GGUF, ONNX e MLX soddisfano esigenze di distribuzione diverse, mentre un modello draft per la decodifica speculativa è un artefatto di accompagnamento separato. I dati di risorse o velocità di una configurazione non descrivono automaticamente ogni formato del modello e ogni finestra operativa.
Liquid sconsiglia esplicitamente LFM2.5-2.6B per programmazione agentica o compiti ad alta intensità di conoscenze. Mantienilo concentrato su flussi concreti con prove fornite, regole di estrazione e osservazioni degli strumenti. Anche il checkpoint pre-addestrato Base è un artefatto separato destinato alla personalizzazione, mentre questa edizione sottoposta a post-addestramento è il modello per agenti. Per il risultato finale, esamina i valori estratti rispetto alla fonte, controlla che un passaggio citato sostenga la risposta e distingui una chiamata a strumenti richiesta da un’operazione con esito registrato. Conserva le informazioni irrisolte quando influiscono sulla conclusione, anziché lasciare che un testo scorrevole le nasconda.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti liquid/lfm-2.5-2.6b:free | Predefinito— |
Campomessages | Tipoarray | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti false | Predefinitofalse |
Camposystem | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti Minimo: 1 Massimo: 8192 | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotop_k | Tipointeger | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campostop_sequences | Tipoarray | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campometadata | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional | Contrattostream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametromaterial_types | Contrattotext |
Parametroconditions | ContrattoUse 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. |
Ciclo di vita: synchronous_json
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
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
Usa i percorsi dei metodi indicati sopra.