{
  "aboutHtml": "<h3>โมเดลขนาดกะทัดรัดที่เตรียมสำหรับงานเอเจนต์</h3><p>LFM2.5-2.6B เป็นโมเดลข้อความของ Liquid AI สำหรับงานที่ให้ความสำคัญกับการทำตามคำสั่ง การประมวลผลเอกสาร และการทำหลายขั้นตามลำดับ ในตระกูล LFM2.5 รุ่นนี้ได้รับการเตรียมแยกสำหรับกรณีเอเจนต์ โดยผู้พัฒนาฝึกกับการโต้ตอบเครื่องมือและสภาพแวดล้อมการทำงานทั่วไปของเอเจนต์ การฝึกนี้เกี่ยวกับพฤติกรรมโมเดล ส่วนการกระทำจริงในแอปพลิเคชันกำหนดโดยการเชื่อมต่อ</p><p>LFM2.5-2.6B ใช้สถาปัตยกรรมลูกผสม LFM2 มี 2.69 พันล้านพารามิเตอร์ ผสมบล็อกคอนโวลูชันระยะสั้นกับกลไกความสนใจแบบกลุ่ม Liquid AI พัฒนาตระกูลนี้โดยคำนึงถึงการทำงานบนอุปกรณ์ แต่ใน Ailoot ใช้ผ่านส่วนติดต่อข้อความ: ผู้ใช้ส่งข้อความและรับคำตอบเป็นข้อความ</p><h3>มีประโยชน์กับงานใด</h3><p>โมเดลเหมาะกับการดึงข้อมูลจากข้อความ ถามตอบจากข้อมูลที่ส่งให้ และประมวลผลคำสั่งยาว เช่น ส่งการติดต่อกับลูกค้า ขอให้รวบรวมข้อกำหนดเป็นรายการเดียว จากนั้นหาความขัดแย้งและร่างจดหมายขอรายละเอียดเพิ่ม สำหรับการตอบจากฐานความรู้ ควรแนบส่วนที่ค้นพบและกำหนดกฎให้ยึดข้อมูลเหล่านั้น คงชื่อเดิม และระบุเมื่อไม่มีข้อเท็จจริงที่ต้องการ</p><p>เอกสาร Liquid AI ระบุแนวทางการทำงานด้านการดึงข้อมูล RAG และบริบทยาว ผู้พัฒนาจำกัดขอบเขตการใช้งานแยกไว้อย่างชัดเจน: การเขียนโปรแกรมแบบเอเจนต์และงานที่ต้องใช้ความรู้ข้อเท็จจริงปริมาณมากโดยไม่มีแหล่งข้อมูลให้ ไม่ใช่งานที่แนะนำสำหรับรุ่นนี้ เมื่อใช้ศัพท์เฉพาะอุตสาหกรรม ควรแนบคำจำกัดความและเอกสารต้นทางในคำขอ</p><h3>บริบทและภาษา</h3><p>ใน Ailoot โมเดลนี้ระบุบริบทไว้ที่ 128,000 โทเคน ซึ่งรวมข้อมูลของงานและประวัติสนทนา ต้องวางแผนขนาดคำตอบร่วมกับข้อมูลเหล่านี้ หน้ารุ่นของผู้พัฒนาระบุ 16 ภาษา รวมถึงรัสเซีย อังกฤษ จีน เยอรมัน และสเปน จึงใช้ในงานเอกสารและการติดต่อหลายภาษาได้ โดยระบุภาษาและรูปแบบผลลัพธ์ที่ต้องการไว้ในคำสั่ง</p>",
  "aboutText": "### โมเดลขนาดกะทัดรัดที่เตรียมสำหรับงานเอเจนต์\n\nLFM2.5-2.6B เป็นโมเดลข้อความของ Liquid AI สำหรับงานที่ให้ความสำคัญกับการทำตามคำสั่ง การประมวลผลเอกสาร และการทำหลายขั้นตามลำดับ ในตระกูล LFM2.5 รุ่นนี้ได้รับการเตรียมแยกสำหรับกรณีเอเจนต์ โดยผู้พัฒนาฝึกกับการโต้ตอบเครื่องมือและสภาพแวดล้อมการทำงานทั่วไปของเอเจนต์ การฝึกนี้เกี่ยวกับพฤติกรรมโมเดล ส่วนการกระทำจริงในแอปพลิเคชันกำหนดโดยการเชื่อมต่อ\n\nLFM2.5-2.6B ใช้สถาปัตยกรรมลูกผสม LFM2 มี 2.69 พันล้านพารามิเตอร์ ผสมบล็อกคอนโวลูชันระยะสั้นกับกลไกความสนใจแบบกลุ่ม Liquid AI พัฒนาตระกูลนี้โดยคำนึงถึงการทำงานบนอุปกรณ์ แต่ใน Ailoot ใช้ผ่านส่วนติดต่อข้อความ: ผู้ใช้ส่งข้อความและรับคำตอบเป็นข้อความ\n\n### มีประโยชน์กับงานใด\n\nโมเดลเหมาะกับการดึงข้อมูลจากข้อความ ถามตอบจากข้อมูลที่ส่งให้ และประมวลผลคำสั่งยาว เช่น ส่งการติดต่อกับลูกค้า ขอให้รวบรวมข้อกำหนดเป็นรายการเดียว จากนั้นหาความขัดแย้งและร่างจดหมายขอรายละเอียดเพิ่ม สำหรับการตอบจากฐานความรู้ ควรแนบส่วนที่ค้นพบและกำหนดกฎให้ยึดข้อมูลเหล่านั้น คงชื่อเดิม และระบุเมื่อไม่มีข้อเท็จจริงที่ต้องการ\n\nเอกสาร Liquid AI ระบุแนวทางการทำงานด้านการดึงข้อมูล RAG และบริบทยาว ผู้พัฒนาจำกัดขอบเขตการใช้งานแยกไว้อย่างชัดเจน: การเขียนโปรแกรมแบบเอเจนต์และงานที่ต้องใช้ความรู้ข้อเท็จจริงปริมาณมากโดยไม่มีแหล่งข้อมูลให้ ไม่ใช่งานที่แนะนำสำหรับรุ่นนี้ เมื่อใช้ศัพท์เฉพาะอุตสาหกรรม ควรแนบคำจำกัดความและเอกสารต้นทางในคำขอ\n\n### บริบทและภาษา\n\nใน Ailoot โมเดลนี้ระบุบริบทไว้ที่ 128,000 โทเคน ซึ่งรวมข้อมูลของงานและประวัติสนทนา ต้องวางแผนขนาดคำตอบร่วมกับข้อมูลเหล่านี้ หน้ารุ่นของผู้พัฒนาระบุ 16 ภาษา รวมถึงรัสเซีย อังกฤษ จีน เยอรมัน และสเปน จึงใช้ในงานเอกสารและการติดต่อหลายภาษาได้ โดยระบุภาษาและรูปแบบผลลัพธ์ที่ต้องการไว้ในคำสั่ง",
  "locale": "th",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Anthropic Messages</b><code>POST /v1/messages</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>ขาเข้า</dt><dd><code>text</code></dd></div><div><dt>ขาออก</dt><dd><code>text</code></dd></div><div><dt>บริบท</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div><div><dt>ความยาวคำตอบสูงสุด</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div></dl><dl><div><dt>ขาเข้า</dt><dd>US$0.0007 <em>/ 1K</em></dd></div><div><dt>ขาออก</dt><dd>US$0.001 <em>/ 1K</em></dd></div><div><dt>การอ่านแคช</dt><dd>US$0.00008 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "liquid/lfm-2.5-2.6b",
        "fmt": "messages",
        "http": "POST",
        "path": "/v1/messages",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|messages|/v1/messages|liquid%2Flfm-2.5-2.6b",
      "ordinal": 0,
      "rawMethod": {
        "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": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Responses</b><code>POST /v1/responses</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>ขาเข้า</dt><dd><code>text</code></dd></div><div><dt>ขาออก</dt><dd><code>text</code></dd></div><div><dt>บริบท</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div><div><dt>ความยาวคำตอบสูงสุด</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div></dl><dl><div><dt>ขาเข้า</dt><dd>US$0.0007 <em>/ 1K</em></dd></div><div><dt>ขาออก</dt><dd>US$0.001 <em>/ 1K</em></dd></div><div><dt>การอ่านแคช</dt><dd>US$0.00008 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "liquid/lfm-2.5-2.6b",
        "fmt": "responses",
        "http": "POST",
        "path": "/v1/responses",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|responses|/v1/responses|liquid%2Flfm-2.5-2.6b",
      "ordinal": 1,
      "rawMethod": {
        "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": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Chat</b><code>POST /v1/chat/completions</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>ขาเข้า</dt><dd><code>text</code></dd></div><div><dt>ขาออก</dt><dd><code>text</code></dd></div><div><dt>บริบท</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div><div><dt>ความยาวคำตอบสูงสุด</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div></dl><dl><div><dt>ขาเข้า</dt><dd>US$0.0007 <em>/ 1K</em></dd></div><div><dt>ขาออก</dt><dd>US$0.001 <em>/ 1K</em></dd></div><div><dt>การอ่านแคช</dt><dd>US$0.00008 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "liquid/lfm-2.5-2.6b",
        "fmt": "chat",
        "http": "POST",
        "path": "/v1/chat/completions",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|chat|/v1/chat/completions|liquid%2Flfm-2.5-2.6b",
      "ordinal": 2,
      "rawMethod": {
        "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": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Gemini generateContent</b><code>POST /v1beta/models/liquid/lfm-2.5-2.6b:generateContent</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>ขาเข้า</dt><dd><code>text</code></dd></div><div><dt>ขาออก</dt><dd><code>text</code></dd></div><div><dt>บริบท</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div><div><dt>ความยาวคำตอบสูงสุด</dt><dd>ไม่ได้ระบุในแค็ตตาล็อก</dd></div></dl><dl><div><dt>ขาเข้า</dt><dd>US$0.0007 <em>/ 1K</em></dd></div><div><dt>ขาออก</dt><dd>US$0.001 <em>/ 1K</em></dd></div><div><dt>การอ่านแคช</dt><dd>US$0.00008 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "liquid/lfm-2.5-2.6b",
        "fmt": "gemini",
        "http": "POST",
        "path": "/v1beta/models/liquid/lfm-2.5-2.6b:generateContent",
        "request_model_id": "liquid/lfm-2.5-2.6b",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|gemini|/v1beta/models/liquid/lfm-2.5-2.6b:generateContent|liquid%2Flfm-2.5-2.6b",
      "ordinal": 3,
      "rawMethod": {
        "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_id": "liquid/lfm-2.5-2.6b",
  "page": {
    "canonical": "https://ailoot.ai/models/th/liquid-lfm-2-5-2-6b/",
    "description": "โมเดลข้อความขนาดกะทัดรัดของ Liquid AI สำหรับดึงข้อมูล ตอบคำถามจากเอกสาร และงานต่อเนื่องที่ใช้บริบทขนาดใหญ่",
    "locale": "th",
    "md_url": "https://ailoot.ai/models/th/liquid-lfm-2-5-2-6b/index.md",
    "title": "LiquidAI: LFM2.5-2.6B",
    "url": "https://ailoot.ai/models/th/liquid-lfm-2-5-2-6b/"
  },
  "rawModel": {
    "about": "### โมเดลขนาดกะทัดรัดที่เตรียมสำหรับงานเอเจนต์\n\nLFM2.5-2.6B เป็นโมเดลข้อความของ Liquid AI สำหรับงานที่ให้ความสำคัญกับการทำตามคำสั่ง การประมวลผลเอกสาร และการทำหลายขั้นตามลำดับ ในตระกูล LFM2.5 รุ่นนี้ได้รับการเตรียมแยกสำหรับกรณีเอเจนต์ โดยผู้พัฒนาฝึกกับการโต้ตอบเครื่องมือและสภาพแวดล้อมการทำงานทั่วไปของเอเจนต์ การฝึกนี้เกี่ยวกับพฤติกรรมโมเดล ส่วนการกระทำจริงในแอปพลิเคชันกำหนดโดยการเชื่อมต่อ\n\nLFM2.5-2.6B ใช้สถาปัตยกรรมลูกผสม LFM2 มี 2.69 พันล้านพารามิเตอร์ ผสมบล็อกคอนโวลูชันระยะสั้นกับกลไกความสนใจแบบกลุ่ม Liquid AI พัฒนาตระกูลนี้โดยคำนึงถึงการทำงานบนอุปกรณ์ แต่ใน Ailoot ใช้ผ่านส่วนติดต่อข้อความ: ผู้ใช้ส่งข้อความและรับคำตอบเป็นข้อความ\n\n### มีประโยชน์กับงานใด\n\nโมเดลเหมาะกับการดึงข้อมูลจากข้อความ ถามตอบจากข้อมูลที่ส่งให้ และประมวลผลคำสั่งยาว เช่น ส่งการติดต่อกับลูกค้า ขอให้รวบรวมข้อกำหนดเป็นรายการเดียว จากนั้นหาความขัดแย้งและร่างจดหมายขอรายละเอียดเพิ่ม สำหรับการตอบจากฐานความรู้ ควรแนบส่วนที่ค้นพบและกำหนดกฎให้ยึดข้อมูลเหล่านั้น คงชื่อเดิม และระบุเมื่อไม่มีข้อเท็จจริงที่ต้องการ\n\nเอกสาร Liquid AI ระบุแนวทางการทำงานด้านการดึงข้อมูล RAG และบริบทยาว ผู้พัฒนาจำกัดขอบเขตการใช้งานแยกไว้อย่างชัดเจน: การเขียนโปรแกรมแบบเอเจนต์และงานที่ต้องใช้ความรู้ข้อเท็จจริงปริมาณมากโดยไม่มีแหล่งข้อมูลให้ ไม่ใช่งานที่แนะนำสำหรับรุ่นนี้ เมื่อใช้ศัพท์เฉพาะอุตสาหกรรม ควรแนบคำจำกัดความและเอกสารต้นทางในคำขอ\n\n### บริบทและภาษา\n\nใน Ailoot โมเดลนี้ระบุบริบทไว้ที่ 128,000 โทเคน ซึ่งรวมข้อมูลของงานและประวัติสนทนา ต้องวางแผนขนาดคำตอบร่วมกับข้อมูลเหล่านี้ หน้ารุ่นของผู้พัฒนาระบุ 16 ภาษา รวมถึงรัสเซีย อังกฤษ จีน เยอรมัน และสเปน จึงใช้ในงานเอกสารและการติดต่อหลายภาษาได้ โดยระบุภาษาและรูปแบบผลลัพธ์ที่ต้องการไว้ในคำสั่ง",
    "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": "โมเดลข้อความขนาดกะทัดรัดของ Liquid AI สำหรับดึงข้อมูล ตอบคำถามจากเอกสาร และงานต่อเนื่องที่ใช้บริบทขนาดใหญ่"
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "โมเดลข้อความขนาดกะทัดรัดของ Liquid AI สำหรับดึงข้อมูล ตอบคำถามจากเอกสาร และงานต่อเนื่องที่ใช้บริบทขนาดใหญ่",
  "source": {
    "audit_sha256": "e7e1655b34b476f9d698857faea90b68eb0a8de92412a0803e97084dfb38cc13",
    "bridge_map_sha256": "e7e1655b34b476f9d698857faea90b68eb0a8de92412a0803e97084dfb38cc13",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "ae3a1bb6f8b2205a6ecd0914ff8604c543a75d2c7dde40b1c5b37a81f61337c0",
      "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "ae3a1bb6f8b2205a6ecd0914ff8604c543a75d2c7dde40b1c5b37a81f61337c0",
    "renderer_sha256": "ff00245c84d95e11e326654be0ac0d72aa3db20ee75f241c9f19b61e75666743"
  },
  "sourceRevision": "dac35e5fbd4318cd08292bea869ddf7ed16cdbf4f96759d04101a3bd33b6e3ac"
}