LFM2.5-24B-A2B è un modello mixture-of-experts di LiquidAI per ragionamento testuale e agenti che usano strumenti. Ha 24 miliardi di parametri totali con 2,45 miliardi attivi per token. Il ragionamento fa parte di ogni risposta, quindi l’attività dovrebbe definire obiettivo, evidenze da usare e risultato necessario all’applicazione.
Il modello è adatto a flussi in cui un modello linguistico sceglie il passo successivo, legge l’osservazione risultante e poi continua verso un risultato da consegnare. Indica l’obiettivo in termini verificabili dall’applicazione: trovare il record pertinente, confrontare due configurazioni, preparare una proposta di modifica o produrre una valutazione strutturata.
Fornisci strumenti con scopi chiari e conserva le osservazioni restituite nel contesto dell’attività. Il modello pubblica supporto alle chiamate a strumenti, compresa la scelta di uno strumento quando l’interfaccia offre quella capacità. L’esecuzione appartiene all’applicazione che controlla gli strumenti. Mantieni distinta un’osservazione restituita da un’istruzione scritta dal modello, soprattutto quando un passo successivo dipende dal risultato di una ricerca o consultazione.
Il pubblicatore raccomanda recupero di informazioni o ricerca web per attività che dipendono da conoscenze esterne dettagliate. Inserisci il passo di raccolta delle evidenze nel flusso anziché chiedere al modello di inventare fatti che non ha ricevuto. Identifica i passaggi recuperati e chiedi alla risposta di collegare le conclusioni a quei passaggi.
Per un flusso di supporto, questo può significare trovare la policy pertinente e spiegare come si applica al caso fornito. Per un’attività tecnica, può significare confrontare documentazione e configurazione prima di proporre una modifica. Mantieni il contenuto recuperato importante nel contesto, così che la risposta finale sia verificabile senza ripetere ogni ricerca.
Il modello pubblicato supporta output strutturati guidati da schemi. Definisci una piccola struttura del risultato attorno a ciò che consuma l’applicazione, come categoria scelta, spiegazione, riferimenti alle evidenze e azione successiva. Separa il processo di ragionamento del modello dai campi che il componente successivo deve memorizzare o mostrare.
LiquidAI elenca temperature 0.1, top_k 50 e repetition_penalty 1.05 come raccomandazioni pubblicate di campionamento, e il catalogo salvato ripete quei valori predefiniti. Offrono un punto di partenza ripetibile per valutare un flusso specifico. Mantieni coerenti le impostazioni scelte quando confronti attività rappresentative.
La voce pubblicata del servizio elenca una finestra di contesto di 128.000 token e un limite di generazione di 8.192 token. Prepara una specifica di risposta sintetica, così che l’artefatto finale rientri nel budget di output. Mantieni insieme le evidenze pertinenti e lascia spazio di output sufficiente per l’artefatto richiesto.
Il produttore elenca un insieme multilingue che comprende inglese, russo, cinese, spagnolo, arabo e altre lingue. Conserva terminologia sorgente e nomi protetti quando usi il modello in lavoro multilingue. Un’attività con vocabolario fisso beneficia di un glossario esplicito e delle stesse convenzioni di output nelle diverse lingue.
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B è il modello di ragionamento testuale di LiquidAI per agenti guidati da strumenti, con 24 miliardi di parametri totali e 2,45 miliardi attivi. Ragiona prima di rispondere, supporta chiamate a strumenti e output guidato da schemi ed è pubblicato con un contesto di 128.000 token e un limite di generazione di 8.192 token.
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.
LFM2.5-24B-A2B è un modello mixture-of-experts di LiquidAI per ragionamento testuale e agenti che usano strumenti. Ha 24 miliardi di parametri totali con 2,45 miliardi attivi per token. Il ragionamento fa parte di ogni risposta, quindi l’attività dovrebbe definire obiettivo, evidenze da usare e risultato necessario all’applicazione.
Il modello è adatto a flussi in cui un modello linguistico sceglie il passo successivo, legge l’osservazione risultante e poi continua verso un risultato da consegnare. Indica l’obiettivo in termini verificabili dall’applicazione: trovare il record pertinente, confrontare due configurazioni, preparare una proposta di modifica o produrre una valutazione strutturata.
Fornisci strumenti con scopi chiari e conserva le osservazioni restituite nel contesto dell’attività. Il modello pubblica supporto alle chiamate a strumenti, compresa la scelta di uno strumento quando l’interfaccia offre quella capacità. L’esecuzione appartiene all’applicazione che controlla gli strumenti. Mantieni distinta un’osservazione restituita da un’istruzione scritta dal modello, soprattutto quando un passo successivo dipende dal risultato di una ricerca o consultazione.
Il pubblicatore raccomanda recupero di informazioni o ricerca web per attività che dipendono da conoscenze esterne dettagliate. Inserisci il passo di raccolta delle evidenze nel flusso anziché chiedere al modello di inventare fatti che non ha ricevuto. Identifica i passaggi recuperati e chiedi alla risposta di collegare le conclusioni a quei passaggi.
Per un flusso di supporto, questo può significare trovare la policy pertinente e spiegare come si applica al caso fornito. Per un’attività tecnica, può significare confrontare documentazione e configurazione prima di proporre una modifica. Mantieni il contenuto recuperato importante nel contesto, così che la risposta finale sia verificabile senza ripetere ogni ricerca.
Il modello pubblicato supporta output strutturati guidati da schemi. Definisci una piccola struttura del risultato attorno a ciò che consuma l’applicazione, come categoria scelta, spiegazione, riferimenti alle evidenze e azione successiva. Separa il processo di ragionamento del modello dai campi che il componente successivo deve memorizzare o mostrare.
LiquidAI elenca temperature 0.1, top_k 50 e repetition_penalty 1.05 come raccomandazioni pubblicate di campionamento, e il catalogo salvato ripete quei valori predefiniti. Offrono un punto di partenza ripetibile per valutare un flusso specifico. Mantieni coerenti le impostazioni scelte quando confronti attività rappresentative.
La voce pubblicata del servizio elenca una finestra di contesto di 128.000 token e un limite di generazione di 8.192 token. Prepara una specifica di risposta sintetica, così che l’artefatto finale rientri nel budget di output. Mantieni insieme le evidenze pertinenti e lascia spazio di output sufficiente per l’artefatto richiesto.
Il produttore elenca un insieme multilingue che comprende inglese, russo, cinese, spagnolo, arabo e altre lingue. Conserva terminologia sorgente e nomi protetti quando usi il modello in lavoro multilingue. Un’attività con vocabolario fisso beneficia di un glossario esplicito e delle stesse convenzioni di output nelle diverse lingue.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti liquid/lfm-2.5-24b-a2b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Conversazione testuale | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream |
Parametrocontrol_scope | ContrattoConversazione testuale; stream è un booleano e per impostazione predefinita vale false. |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Alias del metodo: /chat/completions
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.0014 / 1K token Input · Lettura dalla cache $0.00005 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.0014 / 1K token Input · Lettura dalla cache $0.00005 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"liquid/lfm-2.5-24b-a2b","messages":[{"role":"user","content":"hello"}],"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\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="liquid/lfm-2.5-24b-a2b", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B è il modello di ragionamento testuale di LiquidAI per agenti guidati da strumenti, con 24 miliardi di parametri totali e 2,45 miliardi attivi. Ragiona prima di rispondere, supporta chiamate a strumenti e output guidato da schemi ed è pubblicato con un contesto di 128.000 token e un limite di generazione di 8.192 token.
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.
LFM2.5-24B-A2B è un modello mixture-of-experts di LiquidAI per ragionamento testuale e agenti che usano strumenti. Ha 24 miliardi di parametri totali con 2,45 miliardi attivi per token. Il ragionamento fa parte di ogni risposta, quindi l’attività dovrebbe definire obiettivo, evidenze da usare e risultato necessario all’applicazione.
Il modello è adatto a flussi in cui un modello linguistico sceglie il passo successivo, legge l’osservazione risultante e poi continua verso un risultato da consegnare. Indica l’obiettivo in termini verificabili dall’applicazione: trovare il record pertinente, confrontare due configurazioni, preparare una proposta di modifica o produrre una valutazione strutturata.
Fornisci strumenti con scopi chiari e conserva le osservazioni restituite nel contesto dell’attività. Il modello pubblica supporto alle chiamate a strumenti, compresa la scelta di uno strumento quando l’interfaccia offre quella capacità. L’esecuzione appartiene all’applicazione che controlla gli strumenti. Mantieni distinta un’osservazione restituita da un’istruzione scritta dal modello, soprattutto quando un passo successivo dipende dal risultato di una ricerca o consultazione.
Il pubblicatore raccomanda recupero di informazioni o ricerca web per attività che dipendono da conoscenze esterne dettagliate. Inserisci il passo di raccolta delle evidenze nel flusso anziché chiedere al modello di inventare fatti che non ha ricevuto. Identifica i passaggi recuperati e chiedi alla risposta di collegare le conclusioni a quei passaggi.
Per un flusso di supporto, questo può significare trovare la policy pertinente e spiegare come si applica al caso fornito. Per un’attività tecnica, può significare confrontare documentazione e configurazione prima di proporre una modifica. Mantieni il contenuto recuperato importante nel contesto, così che la risposta finale sia verificabile senza ripetere ogni ricerca.
Il modello pubblicato supporta output strutturati guidati da schemi. Definisci una piccola struttura del risultato attorno a ciò che consuma l’applicazione, come categoria scelta, spiegazione, riferimenti alle evidenze e azione successiva. Separa il processo di ragionamento del modello dai campi che il componente successivo deve memorizzare o mostrare.
LiquidAI elenca temperature 0.1, top_k 50 e repetition_penalty 1.05 come raccomandazioni pubblicate di campionamento, e il catalogo salvato ripete quei valori predefiniti. Offrono un punto di partenza ripetibile per valutare un flusso specifico. Mantieni coerenti le impostazioni scelte quando confronti attività rappresentative.
La voce pubblicata del servizio elenca una finestra di contesto di 128.000 token e un limite di generazione di 8.192 token. Prepara una specifica di risposta sintetica, così che l’artefatto finale rientri nel budget di output. Mantieni insieme le evidenze pertinenti e lascia spazio di output sufficiente per l’artefatto richiesto.
Il produttore elenca un insieme multilingue che comprende inglese, russo, cinese, spagnolo, arabo e altre lingue. Conserva terminologia sorgente e nomi protetti quando usi il modello in lavoro multilingue. Un’attività con vocabolario fisso beneficia di un glossario esplicito e delle stesse convenzioni di output nelle diverse lingue.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti liquid/lfm-2.5-24b-a2b | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.0014 / 1K token Input · Lettura dalla cache $0.00005 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.0014 / 1K token Input · Lettura dalla cache $0.00005 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "liquid/lfm-2.5-24b-a2b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'liquid/lfm-2.5-24b-a2b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions