LiquidAI: LFM2.5-2.6B

{"about":"### Kompaktowy model przygotowany do pracy agentowej\n\nLFM2.5-2.6B to model tekstowy Liquid AI stworzony do zadań, w których ważne są przestrzeganie instrukcji, przetwarzanie dokumentów i sekwencyjne wykonywanie kilku kroków. W rodzinie LFM2.5 ta wersja przeszła osobne przygotowanie do scenariuszy agentowych: twórca uczył ją interakcji z narzędziami i typowymi środowiskami pracy agentów. Takie uczenie dotyczy zachowania modelu; konkretne działania w aplikacji wyznacza integracja.\n\nPodstawą LFM2.5-2.6B jest hybrydowa architektura LFM2 z 2,69 mld parametrów. Łączy bloki krótkiej konwolucji i uwagi grupowej. Liquid AI rozwija tę rodzinę z myślą o pracy na urządzeniach, jednak w Ailoot model jest używany przez interfejs tekstowy: użytkownik przekazuje wiadomości i otrzymuje odpowiedź tekstową.\n\n### Gdzie jest przydatny\n\nModel nadaje się do wyodrębniania informacji z tekstu, pytań o dostarczone materiały i przetwarzania długich instrukcji. Można na przykład przekazać korespondencję z klientem, poprosić o zebranie wymagań w jedną listę, następnie wskazać sprzeczności i przygotować wiadomość z pytaniami doprecyzowującymi. Przy odpowiedzi z bazy wiedzy warto dołączyć znalezione fragmenty i ustalić regułę: opierać się na nich, zachowywać nazwy i zaznaczać brak potrzebnego faktu.\n\nDokumentacja Liquid AI wymienia wśród zastosowań wyodrębnianie danych, RAG i scenariusze z długim kontekstem. Twórca osobno ogranicza zakres zastosowania: programowanie agentowe i zadania wymagające rozległej wiedzy faktograficznej bez dostarczonych źródeł nie należą do zalecanych zadań tej wersji. Przy terminologii branżowej lepiej dołączyć do zapytania definicje i dokumenty źródłowe.\n\n### Kontekst i języki\n\nW Ailoot dla tego modelu podano kontekst 128 000 tokenów. Obejmuje on materiały zadania i historię rozmowy; rozmiar odpowiedzi należy planować łącznie z nimi. Karta twórcy wymienia 16 języków, w tym rosyjski, angielski, chiński, niemiecki i hiszpański. Pozwala to używać modelu w wielojęzycznym przetwarzaniu dokumentów i korespondencji, określając w instrukcji oczekiwany język i format wyniku.","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":"Kompaktowy model tekstowy Liquid AI do wyodrębniania danych, odpowiedzi na podstawie dokumentów i zadań etapowych z dużym kontekstem."}