Source: https://ailoot.ai/models/th/liquid-lfm-2-5-2-6b/ Canonical: https://ailoot.ai/models/th/liquid-lfm-2-5-2-6b/ Language: th # LiquidAI: LFM2.5-2.6B [Markdown](https://ailoot.ai/models/th/liquid-lfm-2-5-2-6b/index.md) · [JSON](https://ailoot.ai/models/th/liquid-lfm-2-5-2-6b/facts.json) ## [LiquidAI: LFM2.5-2.6B](https://ailoot.ai/models/th/liquid-lfm-2-5-2-6b/) `liquid/lfm-2.5-2.6b` Liquidข้อความขาเข้า US$0.0007 / 1Kขาออก US$0.001 / 1K โมเดลข้อความขนาดกะทัดรัดของ Liquid AI สำหรับดึงข้อมูล ตอบคำถามจากเอกสาร และงานต่อเนื่องที่ใช้บริบทขนาดใหญ่ ### โมเดลขนาดกะทัดรัดที่เตรียมสำหรับงานเอเจนต์ LFM2.5-2.6B เป็นโมเดลข้อความของ Liquid AI สำหรับงานที่ให้ความสำคัญกับการทำตามคำสั่ง การประมวลผลเอกสาร และการทำหลายขั้นตามลำดับ ในตระกูล LFM2.5 รุ่นนี้ได้รับการเตรียมแยกสำหรับกรณีเอเจนต์ โดยผู้พัฒนาฝึกกับการโต้ตอบเครื่องมือและสภาพแวดล้อมการทำงานทั่วไปของเอเจนต์ การฝึกนี้เกี่ยวกับพฤติกรรมโมเดล ส่วนการกระทำจริงในแอปพลิเคชันกำหนดโดยการเชื่อมต่อ LFM2.5-2.6B ใช้สถาปัตยกรรมลูกผสม LFM2 มี 2.69 พันล้านพารามิเตอร์ ผสมบล็อกคอนโวลูชันระยะสั้นกับกลไกความสนใจแบบกลุ่ม Liquid AI พัฒนาตระกูลนี้โดยคำนึงถึงการทำงานบนอุปกรณ์ แต่ใน Ailoot ใช้ผ่านส่วนติดต่อข้อความ: ผู้ใช้ส่งข้อความและรับคำตอบเป็นข้อความ ### มีประโยชน์กับงานใด โมเดลเหมาะกับการดึงข้อมูลจากข้อความ ถามตอบจากข้อมูลที่ส่งให้ และประมวลผลคำสั่งยาว เช่น ส่งการติดต่อกับลูกค้า ขอให้รวบรวมข้อกำหนดเป็นรายการเดียว จากนั้นหาความขัดแย้งและร่างจดหมายขอรายละเอียดเพิ่ม สำหรับการตอบจากฐานความรู้ ควรแนบส่วนที่ค้นพบและกำหนดกฎให้ยึดข้อมูลเหล่านั้น คงชื่อเดิม และระบุเมื่อไม่มีข้อเท็จจริงที่ต้องการ เอกสาร Liquid AI ระบุแนวทางการทำงานด้านการดึงข้อมูล RAG และบริบทยาว ผู้พัฒนาจำกัดขอบเขตการใช้งานแยกไว้อย่างชัดเจน: การเขียนโปรแกรมแบบเอเจนต์และงานที่ต้องใช้ความรู้ข้อเท็จจริงปริมาณมากโดยไม่มีแหล่งข้อมูลให้ ไม่ใช่งานที่แนะนำสำหรับรุ่นนี้ เมื่อใช้ศัพท์เฉพาะอุตสาหกรรม ควรแนบคำจำกัดความและเอกสารต้นทางในคำขอ ### บริบทและภาษา ใน Ailoot โมเดลนี้ระบุบริบทไว้ที่ 128,000 โทเคน ซึ่งรวมข้อมูลของงานและประวัติสนทนา ต้องวางแผนขนาดคำตอบร่วมกับข้อมูลเหล่านี้ หน้ารุ่นของผู้พัฒนาระบุ 16 ภาษา รวมถึงรัสเซีย อังกฤษ จีน เยอรมัน และสเปน จึงใช้ในงานเอกสารและการติดต่อหลายภาษาได้ โดยระบุภาษาและรูปแบบผลลัพธ์ที่ต้องการไว้ในคำสั่ง ### ใช้งานได้ผ่าน Ailoot API ขาเข้า `text` ขาออก `text` บริบท ไม่ได้ระบุในแค็ตตาล็อก ความยาวคำตอบสูงสุด ไม่ได้ระบุในแค็ตตาล็อก ขาเข้า US$0.0007 */ 1K* ขาออก US$0.001 */ 1K* การอ่านแคช US$0.00008 */ 1K* ขาเข้า `text` ขาออก `text` บริบท ไม่ได้ระบุในแค็ตตาล็อก ความยาวคำตอบสูงสุด ไม่ได้ระบุในแค็ตตาล็อก ขาเข้า US$0.0007 */ 1K* ขาออก US$0.001 */ 1K* การอ่านแคช US$0.00008 */ 1K* ขาเข้า `text` ขาออก `text` บริบท ไม่ได้ระบุในแค็ตตาล็อก ความยาวคำตอบสูงสุด ไม่ได้ระบุในแค็ตตาล็อก ขาเข้า US$0.0007 */ 1K* ขาออก US$0.001 */ 1K* การอ่านแคช US$0.00008 */ 1K* ขาเข้า `text` ขาออก `text` บริบท ไม่ได้ระบุในแค็ตตาล็อก ความยาวคำตอบสูงสุด ไม่ได้ระบุในแค็ตตาล็อก ขาเข้า US$0.0007 */ 1K* ขาออก US$0.001 */ 1K* การอ่านแคช US$0.00008 */ 1K* `liquid/lfm-2.5-2.6b` · JSON ``` {"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"} ``` ## คำถาม จะเลือกโมเดลสำหรับงานของฉันได้อย่างไร? เริ่มจากระบุอินพุตและเอาต์พุตที่ต้องการ ได้แก่ ข้อความ รูปภาพ เสียง หรือวิดีโอ จากนั้นเปรียบเทียบวิธี API ที่เข้ากันได้ ID โมเดลที่แน่นอนหรือโมเดลที่นามแฝงชี้ไปในปัจจุบัน ราคาและหน่วยคิดค่าบริการ โดย GET /v1/models ใช้งานฟรีและแสดงโมเดลที่คีย์ของคุณเข้าถึงได้ ทุกโมเดลรองรับวิธี API และประเภทสื่อทั้งหมดหรือไม่? ใช้วิธี API และประเภทอินพุตและเอาต์พุตที่ระบุในหน้าข้อมูลโมเดล การรองรับข้อความ รูปภาพ เสียง หรือวิดีโอขึ้นอยู่กับโมเดลและวิธีที่เลือก ตรวจสอบตัวอย่างคำขอที่เกี่ยวข้องก่อนส่งข้อมูล ID โมเดลต่างจากนามแฝงอย่างไร? ID ที่แน่นอนระบุโมเดลเฉพาะ นามแฝงชี้ไปยังโมเดลหนึ่งและโมเดลปลายทางอาจเปลี่ยนได้ ตรวจสอบโมเดลที่นามแฝงชี้ไปในปัจจุบันในแค็ตตาล็อก และใช้ ID ที่แน่นอนเมื่อการเชื่อมต่อต้องใช้โมเดลเฉพาะ จะเปรียบเทียบราคาก่อนส่งคำขอได้อย่างไร? ตรวจสอบราคาและหน่วยคิดค่าบริการของวิธี API ที่เลือกในหน้าข้อมูลโมเดล เปรียบเทียบด้วยหน่วยและประเภทอินพุตและเอาต์พุตเดียวกัน ประวัติคำขอจะแสดงการใช้งานจริงและยอดเงินที่หัก สมาชิกให้อะไร? ส่วนลดซื้อโทเคนสำหรับงานประจำ เลือกแพ็กเกจตามปริมาณคำขอ เงื่อนไขและราคาสมาชิกแสดงตอนสมัคร ใช้โค้ดส่วนลดสูงสุด 50% อย่างไร? ใส่โค้ดเมื่อซื้อโทเคน ยอดรวมคำนวณตามโปรโมชั่น และเห็นส่วนลดก่อนจ่าย ## Ailoot · บริษัทและพอร์ตโฟลิโอโครงการของบริษัท Ailoot อาศัยประสบการณ์การดำเนินงานที่สั่งสม ฐานลูกค้าขนาดใหญ่ บริการที่เสถียร และการติดตาม KPI อย่างต่อเนื่อง บริษัทและพอร์ตโฟลิโอโครงการของบริษัท: ลูกค้าหลายล้านราย; ยอดขายระดับหลายพันล้านต่อเดือน. Ailoot นำประสบการณ์การดำเนินงานนี้มาใช้เพื่อให้เข้าถึงฟังก์ชัน AI ผ่าน API ในผลิตภัณฑ์ของลูกค้า เอเจนต์ แอปพลิเคชัน และระบบอัตโนมัติ