Liquid AI LFM2.5-2.6B is het verder getrainde tekstmodel in de compacte LFM2.5-familie van Liquid, ontworpen voor agents op het apparaat en praktische werkwijzen. De exacte modelkaart vermeldt 2,69 miljard parameters en 30 lagen: 22 dubbelgestuurde blokken met korte convolutie en acht grouped-query-attention-blokken. Het hybride ontwerp richt zich op efficiënte tekstverwerking. Het model accepteert tekst en geeft tekst terug, waaronder een beredeneerd antwoord of een verzoek om een gedefinieerde functie te gebruiken.
De fabrikant beveelt het aan voor agenttaken, hulpmiddelgebruik, gegevensextractie, retrieval-augmented generation en werkwijzen met lange context. De trainingspijplijn van de release combineert gesuperviseerde fine-tuning, gespecialiseerde leraarmodellen, on-policy-distillatie over meerdere domeinen en versterkend leren binnen agentomgevingen. Dit helpt de focus te verklaren op taakinstructies opvolgen, hulpmiddelwaarnemingen gebruiken en meerdere stappen doorlopen. Geef het de daadwerkelijke materialen en een nauwkeurig doel, in plaats van op brede aangeleerde kennis te vertrouwen om gaten op te vullen.
Definieer voor extractie de velden en bronregels voordat u het materiaal aanlevert. Een praktisch verzoek is: “Lees deze service-updates, haal uit elk record de identificatie, vermelde status en volgende vereiste actie en behoud de zin die elk veld ondersteunt. Geef null terug wanneer een veld ontbreekt.” Specificeer of een waarde exact moet worden gekopieerd, genormaliseerd of afgeleid. Dit maakt de uitvoer controleerbaar en voorkomt dat een plausibele interpretatie stilzwijgend informatie vervangt die daadwerkelijk in de bron staat.
Lever voor RAG relevante passages met stabiele labels aan en vraag om een antwoord dat op die passages is gebaseerd. Een voorbeeld is: “Leg uitsluitend op basis van deze installatie-instructies uit welke stappen van toepassing zijn op de genoemde omgeving en vermeld de vereisten die nog onbekend zijn.” Bewaar documentversies en voorwaarden bij de tekst. Vraag het model een ontbrekend of tegenstrijdig feit te benoemen in plaats van een volledige procedure te bedenken. Dit past beter bij de aanbeveling van de maker voor brononderbouwde taken dan het compacte model als een uitputtende opslagplaats van specialistische kennis te gebruiken.
LFM2.5-2.6B is een puur redeneermodel: de chatsjabloon begint het assistentantwoord met een denkmarkering en het model redeneert vóór het eindantwoord. De modelkaart van de fabrikant beveelt temperature 0.1, top-k 50 en repetition penalty 1.1 aan voor generatie. Dat zijn instellingen voor het recept van het benoemde model. Houd het eindresultaat gescheiden van de redeneertekst en laat in een werkverzoek ruimte voor beide. Instellingen of direct-antwoordmodi van andere LFM-instructie-edities mogen niet voor dit model worden aangenomen.
Het model gebruikt een ChatML-achtig gespreksformaat met de rollen system, user, assistant en tool. De gedocumenteerde functiewerkwijze heeft vier fasen: definieer de hulpmiddelen, laat het model een functie aanvragen, voer die functie uit in de omringende toepassing en geef het daadwerkelijke resultaat terug zodat het model kan antwoorden. Ingebouwde aanroepen zijn lijsten in Python-stijl tussen markeringen voor hulpmiddelaanroepen; de maker beschrijft ook het aanvragen van JSON-aanroepformaat via de systeeminstructie. Gebruik de juiste parser, toets functienaam en argumenten aan de aangeleverde definities en bewaar het resultaat bij de aanroep die het heeft geproduceerd.
Stel voor een compacte agentwerkwijze alleen de functies beschikbaar die relevant zijn voor de huidige taak, met beknopte beschrijvingen en expliciete argumenttypes. Hulpmiddeldefinities nemen zelf context in beslag. Een nuttige reeks kan de status van een aangeleverd record opzoeken, de teruggegeven status met een regel vergelijken en uitleggen of opvolging nodig is. Lever de recordidentificatie aan als bewijs en vraag om een eindantwoord dat is gekoppeld aan de teruggegeven waarneming. Het model stelt de bewerking voor en interpreteert die; de toepassing levert de daadwerkelijke uitvoering en het resultaat.
De huidige modelkaart van de fabrikant specificeert een modelcontext van 131.072 tokens en de release beschrijft een speciale fase voor contextuitbreiding. Werk binnen het venster van de gebruikte configuratie, met behoud van brongrenzen, relevante geschiedenis en ruimte voor het vervolg. Vraag bij meerdere documenten om een specifieke vergelijking of te volgen afhankelijkheid. Het oorspronkelijke checkpoint en de GGUF-, ONNX- en MLX-bestanden dienen verschillende implementatiebehoeften en een conceptmodel voor speculatief decoderen is een afzonderlijk begeleidend bestand. Cijfers over middelengebruik of snelheid uit één configuratie beschrijven niet automatisch elk modelformaat en werkvenster.
Liquid beveelt LFM2.5-2.6B expliciet niet aan voor programmeerwerk door agents of kennisintensieve taken. Houd het gericht op concrete werkwijzen met aangeleverd bewijs, extractieregels en hulpmiddelwaarnemingen. Het voorgetrainde Base-checkpoint is ook een afzonderlijk bestand dat bedoeld is voor maatwerk, terwijl deze verder getrainde editie het agentmodel is. Controleer voor het eindresultaat geëxtraheerde waarden aan de hand van hun bron, ga na of een geciteerde passage het antwoord ondersteunt en onderscheid een aangevraagde hulpmiddelaanroep van een bewerking met een vastgelegd resultaat. Behoud ontbrekende informatie waar die de conclusie beïnvloedt, in plaats van die door vloeiende tekst te laten verhullen.
", "aboutText": "Liquid AI LFM2.5-2.6B is het verder getrainde tekstmodel in de compacte LFM2.5-familie van Liquid, ontworpen voor agents op het apparaat en praktische werkwijzen. De exacte modelkaart vermeldt 2,69 miljard parameters en 30 lagen: 22 dubbelgestuurde blokken met korte convolutie en acht grouped-query-attention-blokken. Het hybride ontwerp richt zich op efficiënte tekstverwerking. Het model accepteert tekst en geeft tekst terug, waaronder een beredeneerd antwoord of een verzoek om een gedefinieerde functie te gebruiken.\n\nDe fabrikant beveelt het aan voor agenttaken, hulpmiddelgebruik, gegevensextractie, retrieval-augmented generation en werkwijzen met lange context. De trainingspijplijn van de release combineert gesuperviseerde fine-tuning, gespecialiseerde leraarmodellen, on-policy-distillatie over meerdere domeinen en versterkend leren binnen agentomgevingen. Dit helpt de focus te verklaren op taakinstructies opvolgen, hulpmiddelwaarnemingen gebruiken en meerdere stappen doorlopen. Geef het de daadwerkelijke materialen en een nauwkeurig doel, in plaats van op brede aangeleerde kennis te vertrouwen om gaten op te vullen.\n\nDefinieer voor extractie de velden en bronregels voordat u het materiaal aanlevert. Een praktisch verzoek is: “Lees deze service-updates, haal uit elk record de identificatie, vermelde status en volgende vereiste actie en behoud de zin die elk veld ondersteunt. Geef null terug wanneer een veld ontbreekt.” Specificeer of een waarde exact moet worden gekopieerd, genormaliseerd of afgeleid. Dit maakt de uitvoer controleerbaar en voorkomt dat een plausibele interpretatie stilzwijgend informatie vervangt die daadwerkelijk in de bron staat.\n\nLever voor RAG relevante passages met stabiele labels aan en vraag om een antwoord dat op die passages is gebaseerd. Een voorbeeld is: “Leg uitsluitend op basis van deze installatie-instructies uit welke stappen van toepassing zijn op de genoemde omgeving en vermeld de vereisten die nog onbekend zijn.” Bewaar documentversies en voorwaarden bij de tekst. Vraag het model een ontbrekend of tegenstrijdig feit te benoemen in plaats van een volledige procedure te bedenken. Dit past beter bij de aanbeveling van de maker voor brononderbouwde taken dan het compacte model als een uitputtende opslagplaats van specialistische kennis te gebruiken.\n\nLFM2.5-2.6B is een puur redeneermodel: de chatsjabloon begint het assistentantwoord met een denkmarkering en het model redeneert vóór het eindantwoord. De modelkaart van de fabrikant beveelt temperature 0.1, top-k 50 en repetition penalty 1.1 aan voor generatie. Dat zijn instellingen voor het recept van het benoemde model. Houd het eindresultaat gescheiden van de redeneertekst en laat in een werkverzoek ruimte voor beide. Instellingen of direct-antwoordmodi van andere LFM-instructie-edities mogen niet voor dit model worden aangenomen.\n\nHet model gebruikt een ChatML-achtig gespreksformaat met de rollen system, user, assistant en tool. De gedocumenteerde functiewerkwijze heeft vier fasen: definieer de hulpmiddelen, laat het model een functie aanvragen, voer die functie uit in de omringende toepassing en geef het daadwerkelijke resultaat terug zodat het model kan antwoorden. Ingebouwde aanroepen zijn lijsten in Python-stijl tussen markeringen voor hulpmiddelaanroepen; de maker beschrijft ook het aanvragen van JSON-aanroepformaat via de systeeminstructie. Gebruik de juiste parser, toets functienaam en argumenten aan de aangeleverde definities en bewaar het resultaat bij de aanroep die het heeft geproduceerd.\n\nStel voor een compacte agentwerkwijze alleen de functies beschikbaar die relevant zijn voor de huidige taak, met beknopte beschrijvingen en expliciete argumenttypes. Hulpmiddeldefinities nemen zelf context in beslag. Een nuttige reeks kan de status van een aangeleverd record opzoeken, de teruggegeven status met een regel vergelijken en uitleggen of opvolging nodig is. Lever de recordidentificatie aan als bewijs en vraag om een eindantwoord dat is gekoppeld aan de teruggegeven waarneming. Het model stelt de bewerking voor en interpreteert die; de toepassing levert de daadwerkelijke uitvoering en het resultaat.\n\nDe huidige modelkaart van de fabrikant specificeert een modelcontext van 131.072 tokens en de release beschrijft een speciale fase voor contextuitbreiding. Werk binnen het venster van de gebruikte configuratie, met behoud van brongrenzen, relevante geschiedenis en ruimte voor het vervolg. Vraag bij meerdere documenten om een specifieke vergelijking of te volgen afhankelijkheid. Het oorspronkelijke checkpoint en de GGUF-, ONNX- en MLX-bestanden dienen verschillende implementatiebehoeften en een conceptmodel voor speculatief decoderen is een afzonderlijk begeleidend bestand. Cijfers over middelengebruik of snelheid uit één configuratie beschrijven niet automatisch elk modelformaat en werkvenster.\n\nLiquid beveelt LFM2.5-2.6B expliciet niet aan voor programmeerwerk door agents of kennisintensieve taken. Houd het gericht op concrete werkwijzen met aangeleverd bewijs, extractieregels en hulpmiddelwaarnemingen. Het voorgetrainde Base-checkpoint is ook een afzonderlijk bestand dat bedoeld is voor maatwerk, terwijl deze verder getrainde editie het agentmodel is. Controleer voor het eindresultaat geëxtraheerde waarden aan de hand van hun bron, ga na of een geciteerde passage het antwoord ondersteunt en onderscheid een aangevraagde hulpmiddelaanroep van een bewerking met een vastgelegd resultaat. Behoud ontbrekende informatie waar die de conclusie beïnvloedt, in plaats van die door vloeiende tekst te laten verhullen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2f929b8123c65d22f8d2553a25e34f1220dc0509d785734a3c4b64a410e92032", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B is een compact tekstredeneermodel voor agents, hulpmiddelgebruik, gegevensextractie en RAG. Het hybride ontwerp heeft 2,69 miljard parameters. Het redeneert voordat het antwoordt en werkt het best met concreet bronmateriaal en duidelijk gedefinieerde hulpmiddelen; de maker raadt programmeerwerk door agents en kennisintensieve taken af.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Liquid AI LFM2.5-2.6B is het verder getrainde tekstmodel in de compacte LFM2.5-familie van Liquid, ontworpen voor agents op het apparaat en praktische werkwijzen. De exacte modelkaart vermeldt 2,69 miljard parameters en 30 lagen: 22 dubbelgestuurde blokken met korte convolutie en acht grouped-query-attention-blokken. Het hybride ontwerp richt zich op efficiënte tekstverwerking. Het model accepteert tekst en geeft tekst terug, waaronder een beredeneerd antwoord of een verzoek om een gedefinieerde functie te gebruiken.
De fabrikant beveelt het aan voor agenttaken, hulpmiddelgebruik, gegevensextractie, retrieval-augmented generation en werkwijzen met lange context. De trainingspijplijn van de release combineert gesuperviseerde fine-tuning, gespecialiseerde leraarmodellen, on-policy-distillatie over meerdere domeinen en versterkend leren binnen agentomgevingen. Dit helpt de focus te verklaren op taakinstructies opvolgen, hulpmiddelwaarnemingen gebruiken en meerdere stappen doorlopen. Geef het de daadwerkelijke materialen en een nauwkeurig doel, in plaats van op brede aangeleerde kennis te vertrouwen om gaten op te vullen.
Definieer voor extractie de velden en bronregels voordat u het materiaal aanlevert. Een praktisch verzoek is: “Lees deze service-updates, haal uit elk record de identificatie, vermelde status en volgende vereiste actie en behoud de zin die elk veld ondersteunt. Geef null terug wanneer een veld ontbreekt.” Specificeer of een waarde exact moet worden gekopieerd, genormaliseerd of afgeleid. Dit maakt de uitvoer controleerbaar en voorkomt dat een plausibele interpretatie stilzwijgend informatie vervangt die daadwerkelijk in de bron staat.
Lever voor RAG relevante passages met stabiele labels aan en vraag om een antwoord dat op die passages is gebaseerd. Een voorbeeld is: “Leg uitsluitend op basis van deze installatie-instructies uit welke stappen van toepassing zijn op de genoemde omgeving en vermeld de vereisten die nog onbekend zijn.” Bewaar documentversies en voorwaarden bij de tekst. Vraag het model een ontbrekend of tegenstrijdig feit te benoemen in plaats van een volledige procedure te bedenken. Dit past beter bij de aanbeveling van de maker voor brononderbouwde taken dan het compacte model als een uitputtende opslagplaats van specialistische kennis te gebruiken.
LFM2.5-2.6B is een puur redeneermodel: de chatsjabloon begint het assistentantwoord met een denkmarkering en het model redeneert vóór het eindantwoord. De modelkaart van de fabrikant beveelt temperature 0.1, top-k 50 en repetition penalty 1.1 aan voor generatie. Dat zijn instellingen voor het recept van het benoemde model. Houd het eindresultaat gescheiden van de redeneertekst en laat in een werkverzoek ruimte voor beide. Instellingen of direct-antwoordmodi van andere LFM-instructie-edities mogen niet voor dit model worden aangenomen.
Het model gebruikt een ChatML-achtig gespreksformaat met de rollen system, user, assistant en tool. De gedocumenteerde functiewerkwijze heeft vier fasen: definieer de hulpmiddelen, laat het model een functie aanvragen, voer die functie uit in de omringende toepassing en geef het daadwerkelijke resultaat terug zodat het model kan antwoorden. Ingebouwde aanroepen zijn lijsten in Python-stijl tussen markeringen voor hulpmiddelaanroepen; de maker beschrijft ook het aanvragen van JSON-aanroepformaat via de systeeminstructie. Gebruik de juiste parser, toets functienaam en argumenten aan de aangeleverde definities en bewaar het resultaat bij de aanroep die het heeft geproduceerd.
Stel voor een compacte agentwerkwijze alleen de functies beschikbaar die relevant zijn voor de huidige taak, met beknopte beschrijvingen en expliciete argumenttypes. Hulpmiddeldefinities nemen zelf context in beslag. Een nuttige reeks kan de status van een aangeleverd record opzoeken, de teruggegeven status met een regel vergelijken en uitleggen of opvolging nodig is. Lever de recordidentificatie aan als bewijs en vraag om een eindantwoord dat is gekoppeld aan de teruggegeven waarneming. Het model stelt de bewerking voor en interpreteert die; de toepassing levert de daadwerkelijke uitvoering en het resultaat.
De huidige modelkaart van de fabrikant specificeert een modelcontext van 131.072 tokens en de release beschrijft een speciale fase voor contextuitbreiding. Werk binnen het venster van de gebruikte configuratie, met behoud van brongrenzen, relevante geschiedenis en ruimte voor het vervolg. Vraag bij meerdere documenten om een specifieke vergelijking of te volgen afhankelijkheid. Het oorspronkelijke checkpoint en de GGUF-, ONNX- en MLX-bestanden dienen verschillende implementatiebehoeften en een conceptmodel voor speculatief decoderen is een afzonderlijk begeleidend bestand. Cijfers over middelengebruik of snelheid uit één configuratie beschrijven niet automatisch elk modelformaat en werkvenster.
Liquid beveelt LFM2.5-2.6B expliciet niet aan voor programmeerwerk door agents of kennisintensieve taken. Houd het gericht op concrete werkwijzen met aangeleverd bewijs, extractieregels en hulpmiddelwaarnemingen. Het voorgetrainde Base-checkpoint is ook een afzonderlijk bestand dat bedoeld is voor maatwerk, terwijl deze verder getrainde editie het agentmodel is. Controleer voor het eindresultaat geëxtraheerde waarden aan de hand van hun bron, ga na of een geciteerde passage het antwoord ondersteunt en onderscheid een aangevraagde hulpmiddelaanroep van een bewerking met een vastgelegd resultaat. Behoud ontbrekende informatie waar die de conclusie beïnvloedt, in plaats van die door vloeiende tekst te laten verhullen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten liquid/lfm-2.5-2.6b:free | Standaard— |
Veldmessages | Typearray | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten false | Standaardfalse |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Maximum: 8.192 | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Maximum: 8.192 | Standaard— |
Veldn | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Maximum: 128 | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldseed | Typeinteger | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldstop | Type | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldfrequency_penalty | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldpresence_penalty | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Velduser | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parameteroptional | Contractstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Contracttext |
Parameterconditions | ContractUse 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. |
Levenscyclus: synchronous_json
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
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
Gebruik de hierboven getoonde methodepaden.
liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B is een compact tekstredeneermodel voor agents, hulpmiddelgebruik, gegevensextractie en RAG. Het hybride ontwerp heeft 2,69 miljard parameters. Het redeneert voordat het antwoordt en werkt het best met concreet bronmateriaal en duidelijk gedefinieerde hulpmiddelen; de maker raadt programmeerwerk door agents en kennisintensieve taken af.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Liquid AI LFM2.5-2.6B is het verder getrainde tekstmodel in de compacte LFM2.5-familie van Liquid, ontworpen voor agents op het apparaat en praktische werkwijzen. De exacte modelkaart vermeldt 2,69 miljard parameters en 30 lagen: 22 dubbelgestuurde blokken met korte convolutie en acht grouped-query-attention-blokken. Het hybride ontwerp richt zich op efficiënte tekstverwerking. Het model accepteert tekst en geeft tekst terug, waaronder een beredeneerd antwoord of een verzoek om een gedefinieerde functie te gebruiken.
De fabrikant beveelt het aan voor agenttaken, hulpmiddelgebruik, gegevensextractie, retrieval-augmented generation en werkwijzen met lange context. De trainingspijplijn van de release combineert gesuperviseerde fine-tuning, gespecialiseerde leraarmodellen, on-policy-distillatie over meerdere domeinen en versterkend leren binnen agentomgevingen. Dit helpt de focus te verklaren op taakinstructies opvolgen, hulpmiddelwaarnemingen gebruiken en meerdere stappen doorlopen. Geef het de daadwerkelijke materialen en een nauwkeurig doel, in plaats van op brede aangeleerde kennis te vertrouwen om gaten op te vullen.
Definieer voor extractie de velden en bronregels voordat u het materiaal aanlevert. Een praktisch verzoek is: “Lees deze service-updates, haal uit elk record de identificatie, vermelde status en volgende vereiste actie en behoud de zin die elk veld ondersteunt. Geef null terug wanneer een veld ontbreekt.” Specificeer of een waarde exact moet worden gekopieerd, genormaliseerd of afgeleid. Dit maakt de uitvoer controleerbaar en voorkomt dat een plausibele interpretatie stilzwijgend informatie vervangt die daadwerkelijk in de bron staat.
Lever voor RAG relevante passages met stabiele labels aan en vraag om een antwoord dat op die passages is gebaseerd. Een voorbeeld is: “Leg uitsluitend op basis van deze installatie-instructies uit welke stappen van toepassing zijn op de genoemde omgeving en vermeld de vereisten die nog onbekend zijn.” Bewaar documentversies en voorwaarden bij de tekst. Vraag het model een ontbrekend of tegenstrijdig feit te benoemen in plaats van een volledige procedure te bedenken. Dit past beter bij de aanbeveling van de maker voor brononderbouwde taken dan het compacte model als een uitputtende opslagplaats van specialistische kennis te gebruiken.
LFM2.5-2.6B is een puur redeneermodel: de chatsjabloon begint het assistentantwoord met een denkmarkering en het model redeneert vóór het eindantwoord. De modelkaart van de fabrikant beveelt temperature 0.1, top-k 50 en repetition penalty 1.1 aan voor generatie. Dat zijn instellingen voor het recept van het benoemde model. Houd het eindresultaat gescheiden van de redeneertekst en laat in een werkverzoek ruimte voor beide. Instellingen of direct-antwoordmodi van andere LFM-instructie-edities mogen niet voor dit model worden aangenomen.
Het model gebruikt een ChatML-achtig gespreksformaat met de rollen system, user, assistant en tool. De gedocumenteerde functiewerkwijze heeft vier fasen: definieer de hulpmiddelen, laat het model een functie aanvragen, voer die functie uit in de omringende toepassing en geef het daadwerkelijke resultaat terug zodat het model kan antwoorden. Ingebouwde aanroepen zijn lijsten in Python-stijl tussen markeringen voor hulpmiddelaanroepen; de maker beschrijft ook het aanvragen van JSON-aanroepformaat via de systeeminstructie. Gebruik de juiste parser, toets functienaam en argumenten aan de aangeleverde definities en bewaar het resultaat bij de aanroep die het heeft geproduceerd.
Stel voor een compacte agentwerkwijze alleen de functies beschikbaar die relevant zijn voor de huidige taak, met beknopte beschrijvingen en expliciete argumenttypes. Hulpmiddeldefinities nemen zelf context in beslag. Een nuttige reeks kan de status van een aangeleverd record opzoeken, de teruggegeven status met een regel vergelijken en uitleggen of opvolging nodig is. Lever de recordidentificatie aan als bewijs en vraag om een eindantwoord dat is gekoppeld aan de teruggegeven waarneming. Het model stelt de bewerking voor en interpreteert die; de toepassing levert de daadwerkelijke uitvoering en het resultaat.
De huidige modelkaart van de fabrikant specificeert een modelcontext van 131.072 tokens en de release beschrijft een speciale fase voor contextuitbreiding. Werk binnen het venster van de gebruikte configuratie, met behoud van brongrenzen, relevante geschiedenis en ruimte voor het vervolg. Vraag bij meerdere documenten om een specifieke vergelijking of te volgen afhankelijkheid. Het oorspronkelijke checkpoint en de GGUF-, ONNX- en MLX-bestanden dienen verschillende implementatiebehoeften en een conceptmodel voor speculatief decoderen is een afzonderlijk begeleidend bestand. Cijfers over middelengebruik of snelheid uit één configuratie beschrijven niet automatisch elk modelformaat en werkvenster.
Liquid beveelt LFM2.5-2.6B expliciet niet aan voor programmeerwerk door agents of kennisintensieve taken. Houd het gericht op concrete werkwijzen met aangeleverd bewijs, extractieregels en hulpmiddelwaarnemingen. Het voorgetrainde Base-checkpoint is ook een afzonderlijk bestand dat bedoeld is voor maatwerk, terwijl deze verder getrainde editie het agentmodel is. Controleer voor het eindresultaat geëxtraheerde waarden aan de hand van hun bron, ga na of een geciteerde passage het antwoord ondersteunt en onderscheid een aangevraagde hulpmiddelaanroep van een bewerking met een vastgelegd resultaat. Behoud ontbrekende informatie waar die de conclusie beïnvloedt, in plaats van die door vloeiende tekst te laten verhullen.
POST /v1/messagestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten liquid/lfm-2.5-2.6b:free | Standaard— |
Veldmessages | Typearray | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten false | Standaardfalse |
Veldsystem | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten Minimum: 1 Maximum: 8.192 | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtop_k | Typeinteger | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldstop_sequences | Typearray | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmetadata | Typeobject | VereisteOptioneel | Waarden en limieten | Standaard— |
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional | Contractstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Contracttext |
Parameterconditions | ContractUse 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. |
Levenscyclus: synchronous_json
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
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
Gebruik de hierboven getoonde methodepaden.