LFM2.5-24B-A2B는 텍스트 기반 추론과 도구를 사용하는 에이전트를 위한 LiquidAI의 전문가 혼합 모델입니다. 전체 매개변수는 240억 개이며 토큰 하나에 활성화되는 매개변수는 24.5억 개입니다. 추론은 모든 답변의 일부이므로 작업에서 목표, 사용할 근거, 애플리케이션에 필요한 결과를 정의하는 것이 좋습니다.
이 모델은 언어 모델이 다음 단계를 선택하고, 그 결과로 나온 관찰 자료를 읽고, 결과물을 향해 계속 진행하는 워크플로에 적합합니다. 애플리케이션이 확인할 수 있는 표현으로 목표를 명시하세요. 관련 레코드 찾기, 두 설정 비교, 변경 제안 준비, 구조화된 평가 작성 등이 가능합니다.
목적이 명확한 도구를 제공하고 반환된 관찰 자료를 작업 컨텍스트에 유지하세요. 모델은 인터페이스가 해당 기능을 제공할 때 도구를 선택하는 것을 포함해 도구 호출 지원을 공개합니다. 실행은 도구를 제어하는 애플리케이션이 담당합니다. 특히 이후 단계가 검색이나 조회 결과에 의존할 때, 반환된 관찰 자료와 모델이 작성한 지시를 구분하세요.
공급자는 상세한 외부 지식에 의존하는 작업에 정보 검색 또는 웹 검색을 권장합니다. 받지 않은 사실을 모델이 만들어내도록 요청하기보다 근거 확보 단계를 워크플로에 포함하세요. 검색된 구절을 식별하고 답변이 결론을 해당 구절과 연결하도록 요청하세요.
지원 워크플로에서는 관련 정책을 찾아 제공된 사례에 어떻게 적용되는지 설명하는 작업이 될 수 있습니다. 기술 작업에서는 변경을 제안하기 전에 문서와 설정을 비교하는 작업이 될 수 있습니다. 모든 조회를 반복하지 않고도 최종 응답을 확인할 수 있도록 중요한 검색 내용을 컨텍스트에 유지하세요.
공개된 모델은 스키마 기반 구조화된 출력을 지원합니다. 선택한 범주, 설명, 근거 참조, 다음 행동처럼 애플리케이션이 사용하는 항목을 중심으로 작은 결과 구조를 정의하세요. 모델의 추론 과정과 다음 구성 요소가 저장하거나 표시해야 하는 필드를 분리하세요.
LiquidAI는 공개된 샘플링 권장 사항으로 temperature 0.1, top_k 50, repetition_penalty 1.05를 제시하며, 저장된 카탈로그도 같은 기본값을 반복합니다. 이는 특정 워크플로를 평가할 때 반복 가능한 시작점을 제공합니다. 대표 작업을 비교할 때 선택한 설정을 일관되게 유지하세요.
공개된 서비스 레코드는 128,000토큰 컨텍스트 윈도와 8,192토큰 완성 한도를 제시합니다. 최종 결과물이 해당 출력 허용량 안에 들어가도록 간결한 답변 명세를 준비하세요. 관련 근거를 함께 유지하고 요청한 결과물을 위한 충분한 출력 공간을 남기세요.
제조사는 영어, 러시아어, 중국어, 스페인어, 아랍어, 기타 언어를 포함한 다국어 범위를 제시합니다. 다국어 작업에 모델을 사용할 때 원본 용어와 보존해야 할 이름을 유지하세요. 고정된 어휘를 사용하는 작업에서는 명시적인 용어집과 언어별로 같은 출력 규칙을 사용하는 것이 도움이 됩니다.
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B는 도구 중심 에이전트를 위한 LiquidAI의 텍스트 추론 모델이며, 전체 매개변수는 240억 개, 활성 매개변수는 24.5억 개입니다. 답변 전에 추론하고 도구 호출과 스키마 기반 출력을 지원하며, 128,000토큰 컨텍스트와 8,192토큰 완성 한도로 공개되어 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
LFM2.5-24B-A2B는 텍스트 기반 추론과 도구를 사용하는 에이전트를 위한 LiquidAI의 전문가 혼합 모델입니다. 전체 매개변수는 240억 개이며 토큰 하나에 활성화되는 매개변수는 24.5억 개입니다. 추론은 모든 답변의 일부이므로 작업에서 목표, 사용할 근거, 애플리케이션에 필요한 결과를 정의하는 것이 좋습니다.
이 모델은 언어 모델이 다음 단계를 선택하고, 그 결과로 나온 관찰 자료를 읽고, 결과물을 향해 계속 진행하는 워크플로에 적합합니다. 애플리케이션이 확인할 수 있는 표현으로 목표를 명시하세요. 관련 레코드 찾기, 두 설정 비교, 변경 제안 준비, 구조화된 평가 작성 등이 가능합니다.
목적이 명확한 도구를 제공하고 반환된 관찰 자료를 작업 컨텍스트에 유지하세요. 모델은 인터페이스가 해당 기능을 제공할 때 도구를 선택하는 것을 포함해 도구 호출 지원을 공개합니다. 실행은 도구를 제어하는 애플리케이션이 담당합니다. 특히 이후 단계가 검색이나 조회 결과에 의존할 때, 반환된 관찰 자료와 모델이 작성한 지시를 구분하세요.
공급자는 상세한 외부 지식에 의존하는 작업에 정보 검색 또는 웹 검색을 권장합니다. 받지 않은 사실을 모델이 만들어내도록 요청하기보다 근거 확보 단계를 워크플로에 포함하세요. 검색된 구절을 식별하고 답변이 결론을 해당 구절과 연결하도록 요청하세요.
지원 워크플로에서는 관련 정책을 찾아 제공된 사례에 어떻게 적용되는지 설명하는 작업이 될 수 있습니다. 기술 작업에서는 변경을 제안하기 전에 문서와 설정을 비교하는 작업이 될 수 있습니다. 모든 조회를 반복하지 않고도 최종 응답을 확인할 수 있도록 중요한 검색 내용을 컨텍스트에 유지하세요.
공개된 모델은 스키마 기반 구조화된 출력을 지원합니다. 선택한 범주, 설명, 근거 참조, 다음 행동처럼 애플리케이션이 사용하는 항목을 중심으로 작은 결과 구조를 정의하세요. 모델의 추론 과정과 다음 구성 요소가 저장하거나 표시해야 하는 필드를 분리하세요.
LiquidAI는 공개된 샘플링 권장 사항으로 temperature 0.1, top_k 50, repetition_penalty 1.05를 제시하며, 저장된 카탈로그도 같은 기본값을 반복합니다. 이는 특정 워크플로를 평가할 때 반복 가능한 시작점을 제공합니다. 대표 작업을 비교할 때 선택한 설정을 일관되게 유지하세요.
공개된 서비스 레코드는 128,000토큰 컨텍스트 윈도와 8,192토큰 완성 한도를 제시합니다. 최종 결과물이 해당 출력 허용량 안에 들어가도록 간결한 답변 명세를 준비하세요. 관련 근거를 함께 유지하고 요청한 결과물을 위한 충분한 출력 공간을 남기세요.
제조사는 영어, 러시아어, 중국어, 스페인어, 아랍어, 기타 언어를 포함한 다국어 범위를 제시합니다. 다국어 작업에 모델을 사용할 때 원본 용어와 보존해야 할 이름을 유지하세요. 고정된 어휘를 사용하는 작업에서는 명시적인 용어집과 언어별로 같은 출력 규칙을 사용하는 것이 도움이 됩니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 liquid/lfm-2.5-24b-a2b | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 텍스트 대화 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream |
매개변수control_scope | 명세텍스트 대화. stream은 불리언이며 기본값은 false입니다. |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
메서드 별칭: /chat/completions
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0001 / 1K 토큰 출력 · 출력 토큰 $0.0014 / 1K 토큰 입력 · 캐시 읽기 $0.00005 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0001 / 1K 토큰 출력 · 출력 토큰 $0.0014 / 1K 토큰 입력 · 캐시 읽기 $0.00005 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B는 도구 중심 에이전트를 위한 LiquidAI의 텍스트 추론 모델이며, 전체 매개변수는 240억 개, 활성 매개변수는 24.5억 개입니다. 답변 전에 추론하고 도구 호출과 스키마 기반 출력을 지원하며, 128,000토큰 컨텍스트와 8,192토큰 완성 한도로 공개되어 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
LFM2.5-24B-A2B는 텍스트 기반 추론과 도구를 사용하는 에이전트를 위한 LiquidAI의 전문가 혼합 모델입니다. 전체 매개변수는 240억 개이며 토큰 하나에 활성화되는 매개변수는 24.5억 개입니다. 추론은 모든 답변의 일부이므로 작업에서 목표, 사용할 근거, 애플리케이션에 필요한 결과를 정의하는 것이 좋습니다.
이 모델은 언어 모델이 다음 단계를 선택하고, 그 결과로 나온 관찰 자료를 읽고, 결과물을 향해 계속 진행하는 워크플로에 적합합니다. 애플리케이션이 확인할 수 있는 표현으로 목표를 명시하세요. 관련 레코드 찾기, 두 설정 비교, 변경 제안 준비, 구조화된 평가 작성 등이 가능합니다.
목적이 명확한 도구를 제공하고 반환된 관찰 자료를 작업 컨텍스트에 유지하세요. 모델은 인터페이스가 해당 기능을 제공할 때 도구를 선택하는 것을 포함해 도구 호출 지원을 공개합니다. 실행은 도구를 제어하는 애플리케이션이 담당합니다. 특히 이후 단계가 검색이나 조회 결과에 의존할 때, 반환된 관찰 자료와 모델이 작성한 지시를 구분하세요.
공급자는 상세한 외부 지식에 의존하는 작업에 정보 검색 또는 웹 검색을 권장합니다. 받지 않은 사실을 모델이 만들어내도록 요청하기보다 근거 확보 단계를 워크플로에 포함하세요. 검색된 구절을 식별하고 답변이 결론을 해당 구절과 연결하도록 요청하세요.
지원 워크플로에서는 관련 정책을 찾아 제공된 사례에 어떻게 적용되는지 설명하는 작업이 될 수 있습니다. 기술 작업에서는 변경을 제안하기 전에 문서와 설정을 비교하는 작업이 될 수 있습니다. 모든 조회를 반복하지 않고도 최종 응답을 확인할 수 있도록 중요한 검색 내용을 컨텍스트에 유지하세요.
공개된 모델은 스키마 기반 구조화된 출력을 지원합니다. 선택한 범주, 설명, 근거 참조, 다음 행동처럼 애플리케이션이 사용하는 항목을 중심으로 작은 결과 구조를 정의하세요. 모델의 추론 과정과 다음 구성 요소가 저장하거나 표시해야 하는 필드를 분리하세요.
LiquidAI는 공개된 샘플링 권장 사항으로 temperature 0.1, top_k 50, repetition_penalty 1.05를 제시하며, 저장된 카탈로그도 같은 기본값을 반복합니다. 이는 특정 워크플로를 평가할 때 반복 가능한 시작점을 제공합니다. 대표 작업을 비교할 때 선택한 설정을 일관되게 유지하세요.
공개된 서비스 레코드는 128,000토큰 컨텍스트 윈도와 8,192토큰 완성 한도를 제시합니다. 최종 결과물이 해당 출력 허용량 안에 들어가도록 간결한 답변 명세를 준비하세요. 관련 근거를 함께 유지하고 요청한 결과물을 위한 충분한 출력 공간을 남기세요.
제조사는 영어, 러시아어, 중국어, 스페인어, 아랍어, 기타 언어를 포함한 다국어 범위를 제시합니다. 다국어 작업에 모델을 사용할 때 원본 용어와 보존해야 할 이름을 유지하세요. 고정된 어휘를 사용하는 작업에서는 명시적인 용어집과 언어별로 같은 출력 규칙을 사용하는 것이 도움이 됩니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 liquid/lfm-2.5-24b-a2b | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0001 / 1K 토큰 출력 · 출력 토큰 $0.0014 / 1K 토큰 입력 · 캐시 읽기 $0.00005 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0001 / 1K 토큰 출력 · 출력 토큰 $0.0014 / 1K 토큰 입력 · 캐시 읽기 $0.00005 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "liquid/lfm-2.5-24b-a2b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra liquid/lfm-2.5-24b-a2b
/chat/completions