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.
", "aboutText": "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.\n\nO 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.\n\nPara 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.\n\nPara 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.\n\nLFM2.5-2.6B 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.\n\nO 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.\n\nPara 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.\n\nA 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.\n\nA 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e06e64b2e998a640931774b2b458fb3f0bb290a971805d30886ce76b78d0fb13", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B é um modelo compacto de raciocínio textual para agentes, utilização de ferramentas, extração de dados e RAG. A sua conceção híbrida tem 2,69 mil milhões de parâmetros. Raciocina antes de responder e funciona melhor com material de origem concreto e ferramentas claramente definidas; o fabricante desaconselha tarefas de programação por agentes e tarefas muito dependentes de conhecimento.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites liquid/lfm-2.5-2.6b:free | Predefinição— |
Campomessages | Tipoarray | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites false | Predefiniçãofalse |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Máximo: 8192 | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Máximo: 8192 | Predefinição— |
Campon | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Máximo: 128 | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Camposeed | Tipointeger | RequisitoOpcional | Valores e limites | Predefinição— |
Campostop | Tipo | RequisitoOpcional | Valores e limites | Predefinição— |
Campofrequency_penalty | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campopresence_penalty | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campouser | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetrooptional | Contratostream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parâmetromaterial_types | Contratotext |
Parâmetroconditions | ContratoUse 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. |
Ciclo de vida: synchronous_json
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
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
Use os caminhos dos métodos indicados acima.
liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B é um modelo compacto de raciocínio textual para agentes, utilização de ferramentas, extração de dados e RAG. A sua conceção híbrida tem 2,69 mil milhões de parâmetros. Raciocina antes de responder e funciona melhor com material de origem concreto e ferramentas claramente definidas; o fabricante desaconselha tarefas de programação por agentes e tarefas muito dependentes de conhecimento.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites liquid/lfm-2.5-2.6b:free | Predefinição— |
Campomessages | Tipoarray | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites false | Predefiniçãofalse |
Camposystem | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites Mínimo: 1 Máximo: 8192 | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campotop_k | Tipointeger | RequisitoOpcional | Valores e limites | Predefinição— |
Campostop_sequences | Tipoarray | RequisitoOpcional | Valores e limites | Predefinição— |
Campometadata | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional | Contratostream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parâmetromaterial_types | Contratotext |
Parâmetroconditions | ContratoUse 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. |
Ciclo de vida: synchronous_json
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
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
Use os caminhos dos métodos indicados acima.