Source: https://ailoot.ai/models/ru/liquid-lfm-2-5-2-6b/ Canonical: https://ailoot.ai/models/ru/liquid-lfm-2-5-2-6b/ Language: ru # LiquidAI: LFM2.5-2.6B [Markdown](https://ailoot.ai/models/ru/liquid-lfm-2-5-2-6b/index.md) · [JSON](https://ailoot.ai/models/ru/liquid-lfm-2-5-2-6b/facts.json) ## [LiquidAI: LFM2.5-2.6B](https://ailoot.ai/models/ru/liquid-lfm-2-5-2-6b/) `liquid/lfm-2.5-2.6b` LiquidТекстВход 0,0007 $ / 1KВыход 0,001 $ / 1K Компактная текстовая модель Liquid AI для извлечения данных, ответов по документам и последовательных задач с большим контекстом. ### Компактная модель с агентной подготовкой LFM2.5-2.6B — текстовая модель Liquid AI, созданная для задач, в которых важны следование инструкции, обработка документов и последовательное выполнение нескольких шагов. В семействе LFM2.5 эта версия получила отдельную подготовку для агентных сценариев: разработчик обучал её на взаимодействии с инструментами и типичными рабочими средами агентов. Такое обучение относится к поведению модели; конкретные действия в приложении задаёт интеграция. В основе LFM2.5-2.6B — гибридная архитектура LFM2 с 2,69 млрд параметров. Она сочетает блоки короткой свёртки и группового внимания. Liquid AI разрабатывает это семейство с расчётом на работу на устройствах, однако в Ailoot модель используется через текстовый интерфейс: пользователь передаёт сообщения и получает текстовый ответ. ### Где она полезна Модель подходит для извлечения сведений из текста, вопросов по переданным материалам и обработки длинных инструкций. Например, можно передать переписку с заказчиком, попросить собрать требования в единый список, затем выделить противоречия и подготовить уточняющее письмо. Для ответа по базе знаний полезно приложить найденные фрагменты и задать правило: опираться на них, сохранять названия и отмечать отсутствие нужного факта. В документации Liquid AI среди рабочих направлений указаны извлечение данных, RAG и сценарии с длинным контекстом. Разработчик отдельно ограничивает область применения: агентное программирование и задания, требующие большого объёма фактических знаний без предоставленных источников, не относятся к рекомендуемым задачам этой версии. При работе с отраслевыми терминами лучше включать в запрос определения и исходные документы. ### Контекст и языки В Ailoot для этой модели указан контекст 128 000 токенов. В него входят материалы задачи и история диалога; размер ответа следует планировать вместе с ними. Карточка разработчика перечисляет 16 языков, включая русский, английский, китайский, немецкий и испанский. Это позволяет использовать модель в многоязычной обработке документов и переписки, сохраняя в инструкции желаемый язык и формат результата. ### Доступно в Ailoot API Входные данные `text` Результат `text` Контекст В каталоге не указано Макс. ответ В каталоге не указано Вход 0,0007 $ */ 1K* Выход 0,001 $ */ 1K* Чтение кэша 0,00008 $ */ 1K* Входные данные `text` Результат `text` Контекст В каталоге не указано Макс. ответ В каталоге не указано Вход 0,0007 $ */ 1K* Выход 0,001 $ */ 1K* Чтение кэша 0,00008 $ */ 1K* Входные данные `text` Результат `text` Контекст В каталоге не указано Макс. ответ В каталоге не указано Вход 0,0007 $ */ 1K* Выход 0,001 $ */ 1K* Чтение кэша 0,00008 $ */ 1K* Входные данные `text` Результат `text` Контекст В каталоге не указано Макс. ответ В каталоге не указано Вход 0,0007 $ */ 1K* Выход 0,001 $ */ 1K* Чтение кэша 0,00008 $ */ 1K* `liquid/lfm-2.5-2.6b` · JSON ``` {"about":"### Компактная модель с агентной подготовкой\n\nLFM2.5-2.6B — текстовая модель Liquid AI, созданная для задач, в которых важны следование инструкции, обработка документов и последовательное выполнение нескольких шагов. В семействе LFM2.5 эта версия получила отдельную подготовку для агентных сценариев: разработчик обучал её на взаимодействии с инструментами и типичными рабочими средами агентов. Такое обучение относится к поведению модели; конкретные действия в приложении задаёт интеграция.\n\nВ основе LFM2.5-2.6B — гибридная архитектура LFM2 с 2,69 млрд параметров. Она сочетает блоки короткой свёртки и группового внимания. Liquid AI разрабатывает это семейство с расчётом на работу на устройствах, однако в Ailoot модель используется через текстовый интерфейс: пользователь передаёт сообщения и получает текстовый ответ.\n\n### Где она полезна\n\nМодель подходит для извлечения сведений из текста, вопросов по переданным материалам и обработки длинных инструкций. Например, можно передать переписку с заказчиком, попросить собрать требования в единый список, затем выделить противоречия и подготовить уточняющее письмо. Для ответа по базе знаний полезно приложить найденные фрагменты и задать правило: опираться на них, сохранять названия и отмечать отсутствие нужного факта.\n\nВ документации Liquid AI среди рабочих направлений указаны извлечение данных, RAG и сценарии с длинным контекстом. Разработчик отдельно ограничивает область применения: агентное программирование и задания, требующие большого объёма фактических знаний без предоставленных источников, не относятся к рекомендуемым задачам этой версии. При работе с отраслевыми терминами лучше включать в запрос определения и исходные документы.\n\n### Контекст и языки\n\nВ Ailoot для этой модели указан контекст 128 000 токенов. В него входят материалы задачи и история диалога; размер ответа следует планировать вместе с ними. Карточка разработчика перечисляет 16 языков, включая русский, английский, китайский, немецкий и испанский. Это позволяет использовать модель в многоязычной обработке документов и переписки, сохраняя в инструкции желаемый язык и формат результата.","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":"Компактная текстовая модель Liquid AI для извлечения данных, ответов по документам и последовательных задач с большим контекстом."} ``` ## Вопросы Как выбрать модель для своей задачи? Сначала определите нужные вход и выход: текст, изображение, аудио или видео. Затем сравните совместимые API-методы, точный ID модели или текущую цель alias, цену и единицу расчёта. Бесплатный GET /v1/models показывает модели, доступные вашему ключу. Каждая ли модель поддерживает все API-методы и типы медиа? Используйте API-методы и типы входа и выхода, указанные в карточке модели. Поддержка текста, изображений, аудио или видео зависит от выбранных модели и метода; перед отправкой данных проверьте их пример запроса. Чем точный ID модели отличается от alias? Точный ID обозначает конкретную модель. Alias указывает на модель, и его цель может меняться. Проверьте текущую цель alias в каталоге; используйте точный ID, когда интеграции нужна конкретная модель. Как сравнить цены до отправки запроса? Проверьте в карточке модели цену и единицу расчёта для выбранного API-метода. Сравнивайте одинаковые единицы и типы входа и выхода; история запросов показывает фактическое использование и списанную сумму. Что даёт подписка? Скидку на покупку токенов для регулярной работы. Выберите тариф по своему объёму запросов; условия и стоимость подписки показаны при оформлении. Как применить промокод на скидку до 50%? Введите промокод при покупке токенов. Итоговая сумма пересчитывается по условиям акции; размер скидки виден до оплаты. ## Ailoot · Компания и портфель её проектов Ailoot опирается на накопленный опыт работы, большую клиентскую базу, стабильный сервис и постоянный контроль KPI. Компания и портфель её проектов: миллионы клиентов; продажи на миллиарды ежемесячно. Этот опыт Ailoot использует для API-доступа к нейросетям в продуктах клиентов, агентах, приложениях и автоматизациях.