Liquid AI LFM2.5-2.6B 是 Liquid 精簡 LFM2.5 系列中的後訓練文字模型，為裝置端代理與實用流程設計。其確切模型卡列出 2.69B 參數與 30 層：22 個雙門控短卷積區塊，以及八個分組查詢注意力區塊。混合設計以高效率文字處理為目標。模型接收文字並傳回文字，包括經推理的答案，或使用已定義函式的請求。
開發商建議將其用於代理工作負載、工具使用、資料擷取、檢索增強生成與長上下文流程。此版本的訓練流程結合監督式微調、專門教師模型、多領域同策略蒸餾，以及代理環境中的強化學習。這說明其重點為遵循任務指示、使用工具觀察，並推進多個步驟。提供實際資料與精確目標，不要依賴廣泛的已學知識填補缺口。
擷取任務應先定義欄位與來源規則，再提供資料。實用請求可以是：「閱讀這些服務更新，擷取每筆記錄的識別碼、明載狀態與下一項必要行動，並保留支持各欄位的句子。欄位缺少時傳回 null。」指定值應原樣複製、正規化或推論。這使輸出可供檢查，避免看似合理的詮釋暗中取代來源實際資訊。
RAG 任務應提供具有穩定標籤的相關段落，並要求答案以這些段落為依據。例如：「只使用這些安裝指示，說明哪些步驟適用於指定環境，並列出仍未知的先決條件。」將文件版本與條件隨文字保留。要求模型指出缺漏或衝突事實，而非編造完整程序。這更符合開發商對來源依據任務的建議，而非要求精簡模型充當包羅萬象的專業知識庫。
LFM2.5-2.6B 是純推理模型：其聊天範本以思考標記開啟助理答案，並在最終答案前進行推理。開發商模型卡建議生成使用 temperature 0.1、top-k 50 與重複懲罰 1.1。這些是此具名模型配置方案的設定。最終成果應與推理文字分開，實際請求中應為兩者預留空間。不要假設其他 LFM 指示版本的控制項或直接回答模式也適用於此模型。
模型使用類似 ChatML 的對話格式，包含 system、user、assistant 與 tool 角色。文件中的函式流程有四個階段：定義工具、讓模型要求函式、在周邊應用程式執行函式，再回傳實際結果，讓模型回答。原生呼叫是以工具呼叫標記包覆的 Python 風格清單；開發商也說明可透過系統指示要求 JSON 呼叫格式。應使用適當剖析器，依提供的定義檢查函式名稱與引數，並將結果與產生它的呼叫一併保留。
精簡代理流程應只開放目前任務相關函式，提供簡短說明與明確引數型別。工具定義本身也占用上下文。實用順序可先查詢指定記錄的狀態，再將傳回狀態與規則比較，最後說明是否需要後續處理。將記錄識別碼作為證據提供，並要求最終答案連結傳回觀察。模型提議並解讀操作；應用程式提供實際執行與結果。
開發商目前模型卡標示模型上下文為 131,072 token，發行說明也描述專門的上下文擴展階段。應在所用配置的視窗內工作，保留來源邊界、相關歷史與續寫空間。處理多份文件時，要求追蹤特定比較或相依關係。原生檢查點、GGUF、ONNX 與 MLX 成果服務不同部署需求；推測解碼草稿則是另一個配套成果。某一配置的資源或速度數字，不會自動代表每種模型格式與工作視窗。
Liquid 明確不建議 LFM2.5-2.6B 用於代理式程式設計或大量依賴知識的任務。應讓它聚焦於具體流程，搭配提供的證據、擷取規則與工具觀察。預訓練 Base 檢查點也是另供客製化的成果；此後訓練版本才是代理模型。檢查最終結果時，對照來源核對擷取值、確認引述段落支持答案，並區分要求的工具呼叫與具有記錄結果的實際操作。若未解資訊會影響結論，應保留它，不要讓流暢文字將其掩蓋。
", "aboutText": "Liquid AI LFM2.5-2.6B 是 Liquid 精簡 LFM2.5 系列中的後訓練文字模型，為裝置端代理與實用流程設計。其確切模型卡列出 2.69B 參數與 30 層：22 個雙門控短卷積區塊，以及八個分組查詢注意力區塊。混合設計以高效率文字處理為目標。模型接收文字並傳回文字，包括經推理的答案，或使用已定義函式的請求。\n\n開發商建議將其用於代理工作負載、工具使用、資料擷取、檢索增強生成與長上下文流程。此版本的訓練流程結合監督式微調、專門教師模型、多領域同策略蒸餾，以及代理環境中的強化學習。這說明其重點為遵循任務指示、使用工具觀察，並推進多個步驟。提供實際資料與精確目標，不要依賴廣泛的已學知識填補缺口。\n\n擷取任務應先定義欄位與來源規則，再提供資料。實用請求可以是：「閱讀這些服務更新，擷取每筆記錄的識別碼、明載狀態與下一項必要行動，並保留支持各欄位的句子。欄位缺少時傳回 null。」指定值應原樣複製、正規化或推論。這使輸出可供檢查，避免看似合理的詮釋暗中取代來源實際資訊。\n\nRAG 任務應提供具有穩定標籤的相關段落，並要求答案以這些段落為依據。例如：「只使用這些安裝指示，說明哪些步驟適用於指定環境，並列出仍未知的先決條件。」將文件版本與條件隨文字保留。要求模型指出缺漏或衝突事實，而非編造完整程序。這更符合開發商對來源依據任務的建議，而非要求精簡模型充當包羅萬象的專業知識庫。\n\nLFM2.5-2.6B 是純推理模型：其聊天範本以思考標記開啟助理答案，並在最終答案前進行推理。開發商模型卡建議生成使用 temperature 0.1、top-k 50 與重複懲罰 1.1。這些是此具名模型配置方案的設定。最終成果應與推理文字分開，實際請求中應為兩者預留空間。不要假設其他 LFM 指示版本的控制項或直接回答模式也適用於此模型。\n\n模型使用類似 ChatML 的對話格式，包含 system、user、assistant 與 tool 角色。文件中的函式流程有四個階段：定義工具、讓模型要求函式、在周邊應用程式執行函式，再回傳實際結果，讓模型回答。原生呼叫是以工具呼叫標記包覆的 Python 風格清單；開發商也說明可透過系統指示要求 JSON 呼叫格式。應使用適當剖析器，依提供的定義檢查函式名稱與引數，並將結果與產生它的呼叫一併保留。\n\n精簡代理流程應只開放目前任務相關函式，提供簡短說明與明確引數型別。工具定義本身也占用上下文。實用順序可先查詢指定記錄的狀態，再將傳回狀態與規則比較，最後說明是否需要後續處理。將記錄識別碼作為證據提供，並要求最終答案連結傳回觀察。模型提議並解讀操作；應用程式提供實際執行與結果。\n\n開發商目前模型卡標示模型上下文為 131,072 token，發行說明也描述專門的上下文擴展階段。應在所用配置的視窗內工作，保留來源邊界、相關歷史與續寫空間。處理多份文件時，要求追蹤特定比較或相依關係。原生檢查點、GGUF、ONNX 與 MLX 成果服務不同部署需求；推測解碼草稿則是另一個配套成果。某一配置的資源或速度數字，不會自動代表每種模型格式與工作視窗。\n\nLiquid 明確不建議 LFM2.5-2.6B 用於代理式程式設計或大量依賴知識的任務。應讓它聚焦於具體流程，搭配提供的證據、擷取規則與工具觀察。預訓練 Base 檢查點也是另供客製化的成果；此後訓練版本才是代理模型。檢查最終結果時，對照來源核對擷取值、確認引述段落支持答案，並區分要求的工具呼叫與具有記錄結果的實際操作。若未解資訊會影響結論，應保留它，不要讓流暢文字將其掩蓋。", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a5384aa88d355b2e58a0f89a284b6845ac84a96c5c11a6413a18148db361f31b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "zh-hant-tw", "methods": [ { "html": "liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B 是精簡文字推理模型，適合代理、工具使用、資料擷取與 RAG。其混合設計具有 2.69B 參數。它會先推理再作答，最適合搭配具體來源資料與清楚定義的工具；開發商不建議將它用於代理式程式設計與大量依賴知識的任務。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Liquid AI LFM2.5-2.6B 是 Liquid 精簡 LFM2.5 系列中的後訓練文字模型，為裝置端代理與實用流程設計。其確切模型卡列出 2.69B 參數與 30 層：22 個雙門控短卷積區塊，以及八個分組查詢注意力區塊。混合設計以高效率文字處理為目標。模型接收文字並傳回文字，包括經推理的答案，或使用已定義函式的請求。
開發商建議將其用於代理工作負載、工具使用、資料擷取、檢索增強生成與長上下文流程。此版本的訓練流程結合監督式微調、專門教師模型、多領域同策略蒸餾，以及代理環境中的強化學習。這說明其重點為遵循任務指示、使用工具觀察，並推進多個步驟。提供實際資料與精確目標，不要依賴廣泛的已學知識填補缺口。
擷取任務應先定義欄位與來源規則，再提供資料。實用請求可以是：「閱讀這些服務更新，擷取每筆記錄的識別碼、明載狀態與下一項必要行動，並保留支持各欄位的句子。欄位缺少時傳回 null。」指定值應原樣複製、正規化或推論。這使輸出可供檢查，避免看似合理的詮釋暗中取代來源實際資訊。
RAG 任務應提供具有穩定標籤的相關段落，並要求答案以這些段落為依據。例如：「只使用這些安裝指示，說明哪些步驟適用於指定環境，並列出仍未知的先決條件。」將文件版本與條件隨文字保留。要求模型指出缺漏或衝突事實，而非編造完整程序。這更符合開發商對來源依據任務的建議，而非要求精簡模型充當包羅萬象的專業知識庫。
LFM2.5-2.6B 是純推理模型：其聊天範本以思考標記開啟助理答案，並在最終答案前進行推理。開發商模型卡建議生成使用 temperature 0.1、top-k 50 與重複懲罰 1.1。這些是此具名模型配置方案的設定。最終成果應與推理文字分開，實際請求中應為兩者預留空間。不要假設其他 LFM 指示版本的控制項或直接回答模式也適用於此模型。
模型使用類似 ChatML 的對話格式，包含 system、user、assistant 與 tool 角色。文件中的函式流程有四個階段：定義工具、讓模型要求函式、在周邊應用程式執行函式，再回傳實際結果，讓模型回答。原生呼叫是以工具呼叫標記包覆的 Python 風格清單；開發商也說明可透過系統指示要求 JSON 呼叫格式。應使用適當剖析器，依提供的定義檢查函式名稱與引數，並將結果與產生它的呼叫一併保留。
精簡代理流程應只開放目前任務相關函式，提供簡短說明與明確引數型別。工具定義本身也占用上下文。實用順序可先查詢指定記錄的狀態，再將傳回狀態與規則比較，最後說明是否需要後續處理。將記錄識別碼作為證據提供，並要求最終答案連結傳回觀察。模型提議並解讀操作；應用程式提供實際執行與結果。
開發商目前模型卡標示模型上下文為 131,072 token，發行說明也描述專門的上下文擴展階段。應在所用配置的視窗內工作，保留來源邊界、相關歷史與續寫空間。處理多份文件時，要求追蹤特定比較或相依關係。原生檢查點、GGUF、ONNX 與 MLX 成果服務不同部署需求；推測解碼草稿則是另一個配套成果。某一配置的資源或速度數字，不會自動代表每種模型格式與工作視窗。
Liquid 明確不建議 LFM2.5-2.6B 用於代理式程式設計或大量依賴知識的任務。應讓它聚焦於具體流程，搭配提供的證據、擷取規則與工具觀察。預訓練 Base 檢查點也是另供客製化的成果；此後訓練版本才是代理模型。檢查最終結果時，對照來源核對擷取值、確認引述段落支持答案，並區分要求的工具呼叫與具有記錄結果的實際操作。若未解資訊會影響結論，應保留它，不要讓流暢文字將其掩蓋。
POST /v1/chat/completionstexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 liquid/lfm-2.5-2.6b:free | 預設值— |
欄位messages | 類型array | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 false | 預設值false |
欄位max_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 最大值: 8,192 | 預設值— |
欄位max_completion_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 最大值: 8,192 | 預設值— |
欄位n | 類型integer | 要求選填 | 值與限制 最小值: 1 最大值: 128 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 | 預設值— |
欄位top_p | 類型number | 要求選填 | 值與限制 | 預設值— |
欄位seed | 類型integer | 要求選填 | 值與限制 | 預設值— |
欄位stop | 類型 | 要求選填 | 值與限制 | 預設值— |
欄位frequency_penalty | 類型number | 要求選填 | 值與限制 | 預設值— |
欄位presence_penalty | 類型number | 要求選填 | 值與限制 | 預設值— |
欄位user | 類型string | 要求選填 | 值與限制 | 預設值— |
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages |
參數optional | 規格stream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
參數material_types | 規格text |
參數conditions | 規格Use 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. |
生命週期： synchronous_json
費率資訊不會增加請求選項。支援的參數列於所選方法中。
| 設定 | 費率表 | 費用 |
|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token $0 / 1K Token 輸出 · 輸出 Token $0 / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${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
請保留所有完整傳回的回應、檔案與內容區塊。
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
請使用上方列出的 API 方法路徑。
liquid/lfm-2.5-2.6b:freeLiquid AI LFM2.5-2.6B 是精簡文字推理模型，適合代理、工具使用、資料擷取與 RAG。其混合設計具有 2.69B 參數。它會先推理再作答，最適合搭配具體來源資料與清楚定義的工具；開發商不建議將它用於代理式程式設計與大量依賴知識的任務。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Liquid AI LFM2.5-2.6B 是 Liquid 精簡 LFM2.5 系列中的後訓練文字模型，為裝置端代理與實用流程設計。其確切模型卡列出 2.69B 參數與 30 層：22 個雙門控短卷積區塊，以及八個分組查詢注意力區塊。混合設計以高效率文字處理為目標。模型接收文字並傳回文字，包括經推理的答案，或使用已定義函式的請求。
開發商建議將其用於代理工作負載、工具使用、資料擷取、檢索增強生成與長上下文流程。此版本的訓練流程結合監督式微調、專門教師模型、多領域同策略蒸餾，以及代理環境中的強化學習。這說明其重點為遵循任務指示、使用工具觀察，並推進多個步驟。提供實際資料與精確目標，不要依賴廣泛的已學知識填補缺口。
擷取任務應先定義欄位與來源規則，再提供資料。實用請求可以是：「閱讀這些服務更新，擷取每筆記錄的識別碼、明載狀態與下一項必要行動，並保留支持各欄位的句子。欄位缺少時傳回 null。」指定值應原樣複製、正規化或推論。這使輸出可供檢查，避免看似合理的詮釋暗中取代來源實際資訊。
RAG 任務應提供具有穩定標籤的相關段落，並要求答案以這些段落為依據。例如：「只使用這些安裝指示，說明哪些步驟適用於指定環境，並列出仍未知的先決條件。」將文件版本與條件隨文字保留。要求模型指出缺漏或衝突事實，而非編造完整程序。這更符合開發商對來源依據任務的建議，而非要求精簡模型充當包羅萬象的專業知識庫。
LFM2.5-2.6B 是純推理模型：其聊天範本以思考標記開啟助理答案，並在最終答案前進行推理。開發商模型卡建議生成使用 temperature 0.1、top-k 50 與重複懲罰 1.1。這些是此具名模型配置方案的設定。最終成果應與推理文字分開，實際請求中應為兩者預留空間。不要假設其他 LFM 指示版本的控制項或直接回答模式也適用於此模型。
模型使用類似 ChatML 的對話格式，包含 system、user、assistant 與 tool 角色。文件中的函式流程有四個階段：定義工具、讓模型要求函式、在周邊應用程式執行函式，再回傳實際結果，讓模型回答。原生呼叫是以工具呼叫標記包覆的 Python 風格清單；開發商也說明可透過系統指示要求 JSON 呼叫格式。應使用適當剖析器，依提供的定義檢查函式名稱與引數，並將結果與產生它的呼叫一併保留。
精簡代理流程應只開放目前任務相關函式，提供簡短說明與明確引數型別。工具定義本身也占用上下文。實用順序可先查詢指定記錄的狀態，再將傳回狀態與規則比較，最後說明是否需要後續處理。將記錄識別碼作為證據提供，並要求最終答案連結傳回觀察。模型提議並解讀操作；應用程式提供實際執行與結果。
開發商目前模型卡標示模型上下文為 131,072 token，發行說明也描述專門的上下文擴展階段。應在所用配置的視窗內工作，保留來源邊界、相關歷史與續寫空間。處理多份文件時，要求追蹤特定比較或相依關係。原生檢查點、GGUF、ONNX 與 MLX 成果服務不同部署需求；推測解碼草稿則是另一個配套成果。某一配置的資源或速度數字，不會自動代表每種模型格式與工作視窗。
Liquid 明確不建議 LFM2.5-2.6B 用於代理式程式設計或大量依賴知識的任務。應讓它聚焦於具體流程，搭配提供的證據、擷取規則與工具觀察。預訓練 Base 檢查點也是另供客製化的成果；此後訓練版本才是代理模型。檢查最終結果時，對照來源核對擷取值、確認引述段落支持答案，並區分要求的工具呼叫與具有記錄結果的實際操作。若未解資訊會影響結論，應保留它，不要讓流暢文字將其掩蓋。
POST /v1/messagestexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 liquid/lfm-2.5-2.6b:free | 預設值— |
欄位messages | 類型array | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 false | 預設值false |
欄位system | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位max_tokens | 類型integer | 要求必填 | 值與限制 最小值: 1 最大值: 8,192 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 | 預設值— |
欄位top_p | 類型number | 要求選填 | 值與限制 | 預設值— |
欄位top_k | 類型integer | 要求選填 | 值與限制 | 預設值— |
欄位stop_sequences | 類型array | 要求選填 | 值與限制 | 預設值— |
欄位metadata | 類型object | 要求選填 | 值與限制 | 預設值— |
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages, max_tokens |
參數optional | 規格stream, system, temperature, top_p, top_k, stop_sequences, metadata |
參數material_types | 規格text |
參數conditions | 規格Use 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. |
生命週期： synchronous_json
費率資訊不會增加請求選項。支援的參數列於所選方法中。
| 設定 | 費率表 | 費用 |
|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token $0 / 1K Token 輸出 · 輸出 Token $0 / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${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
請保留所有完整傳回的回應、檔案與內容區塊。
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
請使用上方列出的 API 方法路徑。