Source: https://ailoot.ai/models/nb/liquid-lfm-2-5-2-6b/ Canonical: https://ailoot.ai/models/nb/liquid-lfm-2-5-2-6b/ Language: nb # LiquidAI: LFM2.5-2.6B [Markdown](https://ailoot.ai/models/nb/liquid-lfm-2-5-2-6b/index.md) · [JSON](https://ailoot.ai/models/nb/liquid-lfm-2-5-2-6b/facts.json) ## [LiquidAI: LFM2.5-2.6B](https://ailoot.ai/models/nb/liquid-lfm-2-5-2-6b/) `liquid/lfm-2.5-2.6b` LiquidTekstInndata 0,0007 USD / 1KUtdata 0,001 USD / 1K Kompakt tekstmodell fra Liquid AI for datauttrekk, dokumentbaserte svar og sammenhengende oppgaver med lang kontekst. ### Kompakt modell med agenttrening LFM2.5-2.6B er en tekstmodell fra Liquid AI laget for oppgaver der instruksjonsfølging, dokumentbehandling og flere påfølgende trinn er viktige. Innen LFM2.5-familien har denne versjonen fått særskilt trening for agentbaserte arbeidsmåter: Utvikleren har trent den på samhandling med verktøy og typiske agentmiljøer. Denne treningen gjelder modellens oppførsel; integrasjonen bestemmer hvilke konkrete handlinger som kan utføres i applikasjonen. LFM2.5-2.6B bygger på den hybride LFM2-arkitekturen med 2,69 milliarder parametere. Den kombinerer blokker for korte konvolusjoner og gruppert oppmerksomhet. Liquid AI utvikler familien med tanke på kjøring på enheter, men i Ailoot brukes modellen gjennom et tekstgrensesnitt: Brukeren sender meldinger og mottar et tekstsvar. ### Hvor modellen er nyttig Modellen egner seg til å trekke opplysninger ut av tekst, svare på spørsmål om innsendt materiale og behandle lange instruksjoner. Du kan for eksempel sende inn kundekorrespondanse, be om å samle kravene i én liste, deretter finne motsetninger og utarbeide et avklaringsbrev. For svar fra en kunnskapsbase er det nyttig å legge ved fragmentene som er funnet, og angi en regel: Bygg på disse, behold navnene og marker når et nødvendig faktum mangler. Liquid AIs dokumentasjon oppgir datauttrekk, RAG og langkontekstoppgaver som bruksområder. Utvikleren avgrenser også bruken uttrykkelig: Agentbasert programmering og oppgaver som krever omfattende faktakunnskap uten oppgitte kilder, er ikke anbefalte bruksområder for denne versjonen. Ved fagterminologi bør definisjoner og originaldokumenter tas med i forespørselen. ### Kontekst og språk I Ailoot er det oppgitt en kontekst på 128 000 tokener for denne modellen. Den omfatter oppgavematerialet og samtalehistorikken; svarlengden må planlegges sammen med disse. Utviklerens modellkort oppgir 16 språk, blant annet russisk, engelsk, kinesisk, tysk og spansk. Dette gjør modellen anvendelig i flerspråklig dokument- og korrespondansebehandling, med ønsket språk og resultatformat angitt i instruksjonen. ### Tilgjengelig via Ailoot API Inndatatyper `text` Utdatatyper `text` Kontekst Ikke angitt i katalogen Maks. svar Ikke angitt i katalogen Inndata 0,0007 USD */ 1K* Utdata 0,001 USD */ 1K* Lesing fra hurtigbuffer 0,00008 USD */ 1K* Inndatatyper `text` Utdatatyper `text` Kontekst Ikke angitt i katalogen Maks. svar Ikke angitt i katalogen Inndata 0,0007 USD */ 1K* Utdata 0,001 USD */ 1K* Lesing fra hurtigbuffer 0,00008 USD */ 1K* Inndatatyper `text` Utdatatyper `text` Kontekst Ikke angitt i katalogen Maks. svar Ikke angitt i katalogen Inndata 0,0007 USD */ 1K* Utdata 0,001 USD */ 1K* Lesing fra hurtigbuffer 0,00008 USD */ 1K* Inndatatyper `text` Utdatatyper `text` Kontekst Ikke angitt i katalogen Maks. svar Ikke angitt i katalogen Inndata 0,0007 USD */ 1K* Utdata 0,001 USD */ 1K* Lesing fra hurtigbuffer 0,00008 USD */ 1K* `liquid/lfm-2.5-2.6b` · JSON ``` {"about":"### Kompakt modell med agenttrening\n\nLFM2.5-2.6B er en tekstmodell fra Liquid AI laget for oppgaver der instruksjonsfølging, dokumentbehandling og flere påfølgende trinn er viktige. Innen LFM2.5-familien har denne versjonen fått særskilt trening for agentbaserte arbeidsmåter: Utvikleren har trent den på samhandling med verktøy og typiske agentmiljøer. Denne treningen gjelder modellens oppførsel; integrasjonen bestemmer hvilke konkrete handlinger som kan utføres i applikasjonen.\n\nLFM2.5-2.6B bygger på den hybride LFM2-arkitekturen med 2,69 milliarder parametere. Den kombinerer blokker for korte konvolusjoner og gruppert oppmerksomhet. Liquid AI utvikler familien med tanke på kjøring på enheter, men i Ailoot brukes modellen gjennom et tekstgrensesnitt: Brukeren sender meldinger og mottar et tekstsvar.\n\n### Hvor modellen er nyttig\n\nModellen egner seg til å trekke opplysninger ut av tekst, svare på spørsmål om innsendt materiale og behandle lange instruksjoner. Du kan for eksempel sende inn kundekorrespondanse, be om å samle kravene i én liste, deretter finne motsetninger og utarbeide et avklaringsbrev. For svar fra en kunnskapsbase er det nyttig å legge ved fragmentene som er funnet, og angi en regel: Bygg på disse, behold navnene og marker når et nødvendig faktum mangler.\n\nLiquid AIs dokumentasjon oppgir datauttrekk, RAG og langkontekstoppgaver som bruksområder. Utvikleren avgrenser også bruken uttrykkelig: Agentbasert programmering og oppgaver som krever omfattende faktakunnskap uten oppgitte kilder, er ikke anbefalte bruksområder for denne versjonen. Ved fagterminologi bør definisjoner og originaldokumenter tas med i forespørselen.\n\n### Kontekst og språk\n\nI Ailoot er det oppgitt en kontekst på 128 000 tokener for denne modellen. Den omfatter oppgavematerialet og samtalehistorikken; svarlengden må planlegges sammen med disse. Utviklerens modellkort oppgir 16 språk, blant annet russisk, engelsk, kinesisk, tysk og spansk. Dette gjør modellen anvendelig i flerspråklig dokument- og korrespondansebehandling, med ønsket språk og resultatformat angitt i instruksjonen.","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":"Kompakt tekstmodell fra Liquid AI for datauttrekk, dokumentbaserte svar og sammenhengende oppgaver med lang kontekst."} ``` ## Spørsmål Hvordan velger jeg en modell til oppgaven min? Avklar først hvilke inndata og utdata du trenger: tekst, bilder, lyd eller video. Sammenlign deretter kompatible API-metoder, den eksakte modell-ID-en eller modellen aliaset peker til nå, pris og faktureringsenhet. GET /v1/models er gratis og viser modellene som er tilgjengelige for nøkkelen din. Støtter hver modell alle API-metoder og medietyper? Bruk API-metodene og typene inndata/utdata som er oppført på modellkortet. Støtte for tekst, bilder, lyd eller video avhenger av den valgte modellen og metoden; se det aktuelle eksemplet på en forespørsel før du sender dataene dine. Hva er forskjellen på en modell-ID og et alias? En eksakt modell-ID identifiserer en bestemt modell. Et alias peker til en modell, og målmodellen kan endres. Sjekk i katalogen hvilken modell aliaset peker til nå; bruk den eksakte ID-en når integrasjonen din krever en bestemt modell. Hvordan sammenligner jeg priser før jeg sender en forespørsel? Se modellkortet for pris og faktureringsenhet for den valgte API-metoden. Sammenlign samme enhet og samme type inndata/utdata; forespørselshistorikken viser faktisk bruk og belastet beløp. Hva gir abonnementet? Rabatt på tokenkjøp for jevnlig bruk. Velg etter forespørselsvolum; vilkår og abonnementspris vises ved bestilling. Hvordan bruker jeg kampanjekode opptil 50% rabatt? Oppgi koden ved tokenkjøp. Beløpet beregnes etter kampanjevilkårene; rabattstørrelsen vises før betaling. ## Ailoot · Selskapet og dets prosjektportefølje Ailoot bygger på etablert driftserfaring, en stor kundebase, stabil tjeneste og løpende KPI-kontroll. Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder. Ailoot bruker denne driftserfaringen til API-tilgang til AI-funksjoner i kundenes produkter, agenter, applikasjoner og automatiseringer.