LiquidAI: LFM2.5-2.6B (free)

Liquid AI LFM2.5-2.6B é o modelo de texto com pós-treino da família compacta LFM2.5 da Liquid, concebido para agentes executados no dispositivo e fluxos de trabalho práticos. A sua ficha exata indica 2,69 mil milhões de parâmetros e 30 camadas: 22 blocos de convolução curta com duas portas de controlo e oito blocos de atenção com consultas agrupadas. A conceção híbrida visa um processamento eficiente de texto. O modelo aceita texto e devolve texto, incluindo uma resposta fundamentada por raciocínio ou um pedido para utilizar uma função definida.

O fabricante recomenda-o para tarefas de agentes, utilização de ferramentas, extração de dados, geração aumentada por recuperação e fluxos de trabalho de contexto longo. O processo de treino da versão combina ajuste fino supervisionado, modelos professores especializados, destilação on-policy em vários domínios e aprendizagem por reforço em ambientes de agentes. Isto ajuda a explicar a sua orientação para seguir instruções de tarefas, utilizar observações de ferramentas e avançar através de vários passos. Forneça os materiais efetivos e um objetivo preciso, em vez de depender de conhecimento amplo aprendido para preencher lacunas.

Para extração, defina os campos e as regras de utilização das fontes antes de fornecer o material. Um pedido prático é: «Leia estas atualizações de serviço, extraia o identificador, o estado indicado e a próxima ação necessária de cada registo e preserve a frase que sustenta cada campo. Devolva null quando um campo estiver em falta.» Especifique se um valor deve ser copiado exatamente, normalizado ou inferido. Isto torna a saída examinável e impede que uma interpretação plausível substitua silenciosamente informações efetivamente presentes na fonte.

Para RAG, forneça passagens relevantes com identificações estáveis e peça uma resposta fundamentada nessas passagens. Um exemplo é: «Utilizando apenas estas instruções de instalação, explique que passos se aplicam ao ambiente indicado e enumere os pré-requisitos que continuam desconhecidos.» Mantenha as versões dos documentos e as condições junto do texto. Peça ao modelo que identifique um facto em falta ou contraditório, em vez de inventar um procedimento completo. Isto adequa-se melhor à recomendação do fabricante para tarefas fundamentadas em fontes do que pedir ao modelo compacto que funcione como um repositório exaustivo de conhecimento especializado.

LFM2.5-2.6B é um modelo exclusivamente de raciocínio: o seu modelo de formatação de conversa inicia a resposta do assistente com um marcador de pensamento e o modelo raciocina antes da resposta final. A ficha do fabricante recomenda temperature 0.1, top-k 50 e penalização de repetição 1.1 para geração. Estas são definições da configuração do modelo identificado. Mantenha o resultado final distinto do texto de raciocínio e deixe espaço para ambos num pedido de trabalho. Não devem ser presumidos para este modelo os controlos ou modos de resposta direta de outras edições LFM de instruções.

O modelo utiliza um formato de conversa semelhante a ChatML com as funções system, user, assistant e tool. O seu fluxo de trabalho documentado com funções tem quatro etapas: definir as ferramentas, deixar o modelo pedir uma função, executar essa função na aplicação envolvente e devolver o resultado efetivo para que o modelo possa responder. As chamadas nativas são listas em estilo Python delimitadas por marcadores de chamadas de ferramentas; o fabricante descreve também como pedir o formato de chamadas JSON através da instrução de sistema. Utilize o analisador adequado, confira o nome e os argumentos da função com as definições fornecidas e preserve o resultado junto da chamada que o produziu.

Para um fluxo de trabalho compacto de agentes, exponha apenas as funções relevantes para a tarefa atual, com descrições concisas e tipos de argumentos explícitos. As próprias definições de ferramentas ocupam contexto. Uma sequência útil pode consultar o estado de um registo fornecido, comparar o estado devolvido com uma regra e explicar se é necessário acompanhamento. Forneça o identificador do registo como evidência e peça uma resposta final ligada à observação devolvida. O modelo propõe e interpreta a operação; a aplicação assegura a sua execução efetiva e o resultado.

A ficha atual do fabricante especifica um contexto de modelo de 131 072 tokens e a versão descreve uma etapa dedicada de extensão de contexto. Trabalhe dentro da janela da configuração utilizada, preservando os limites das fontes, o histórico relevante e espaço para a continuação. Para vários documentos, peça uma comparação específica ou o rastreio de uma dependência. O ponto de controlo nativo e os recursos GGUF, ONNX e MLX servem necessidades de implementação diferentes, e um modelo auxiliar de descodificação especulativa é um recurso complementar separado. Os valores de recursos ou velocidade de uma configuração não descrevem automaticamente todos os formatos de modelo e janelas de trabalho.

A Liquid desaconselha explicitamente LFM2.5-2.6B para programação por agentes ou tarefas muito dependentes de conhecimento. Mantenha-o focado em fluxos de trabalho concretos com evidências fornecidas, regras de extração e observações de ferramentas. O ponto de controlo Base pré-treinado é também um recurso separado destinado a personalização, enquanto esta edição com pós-treino é o modelo para agentes. Para o resultado final, confira os valores extraídos com a respetiva fonte, verifique se uma passagem citada sustenta a resposta e distinga uma chamada de ferramenta solicitada de uma operação com resultado registado. Preserve informações por resolver quando afetarem a conclusão, em vez de permitir que um texto fluente as oculte.