{ "aboutHtml": "

針對代理情境訓練的精簡模型

LFM2.5-2.6B 是 Liquid AI 的文字模型，針對重視遵循指示、文件處理與連續多步驟執行的工作設計。在 LFM2.5 家族中，此版本另接受代理情境訓練：開發商讓它學習與工具及常見代理工作環境互動。這種訓練影響模型行為，應用程式中實際可執行的動作則由整合方式決定。

LFM2.5-2.6B 以 LFM2 混合架構為基礎，含 26.9 億參數，結合短卷積區塊與分組注意力。Liquid AI 發展這個家族時著眼於裝置端運作，但在 Ailoot，模型透過文字介面使用：使用者傳入訊息，再取得文字答案。

適用情境

模型適合從文字擷取資訊、回答已提供資料的問題，以及處理長篇指示。例如，提供與客戶的往來訊息，先要求整理統一需求清單，再找出矛盾並準備澄清信。若需根據知識庫回答，可附上已找到的片段，並規定只能依據這些內容、保留名稱，以及註明所需事實缺漏的情況。

Liquid AI 文件列出的工作方向包括資料擷取、RAG 與長上下文情境。開發商也明確限定適用範圍：代理式程式設計，以及未提供來源卻要求大量事實知識的任務，不是此版本的建議用途。處理產業術語時，宜在請求中加入定義與原始文件。

上下文與語言

Ailoot 為此模型標示 128,000 個 token 的上下文，包含任務資料與對話歷史；答案大小應與這些內容一併規劃。開發商模型卡列出 16 種語言，包括俄語、英語、中文、德語與西班牙語。因此可將模型用於多語文件與往來訊息處理，並在指示中保留所需語言及結果格式。

", "aboutText": "### 針對代理情境訓練的精簡模型\n\nLFM2.5-2.6B 是 Liquid AI 的文字模型，針對重視遵循指示、文件處理與連續多步驟執行的工作設計。在 LFM2.5 家族中，此版本另接受代理情境訓練：開發商讓它學習與工具及常見代理工作環境互動。這種訓練影響模型行為，應用程式中實際可執行的動作則由整合方式決定。\n\nLFM2.5-2.6B 以 LFM2 混合架構為基礎，含 26.9 億參數，結合短卷積區塊與分組注意力。Liquid AI 發展這個家族時著眼於裝置端運作，但在 Ailoot，模型透過文字介面使用：使用者傳入訊息，再取得文字答案。\n\n### 適用情境\n\n模型適合從文字擷取資訊、回答已提供資料的問題，以及處理長篇指示。例如，提供與客戶的往來訊息，先要求整理統一需求清單，再找出矛盾並準備澄清信。若需根據知識庫回答，可附上已找到的片段，並規定只能依據這些內容、保留名稱，以及註明所需事實缺漏的情況。\n\nLiquid AI 文件列出的工作方向包括資料擷取、RAG 與長上下文情境。開發商也明確限定適用範圍：代理式程式設計，以及未提供來源卻要求大量事實知識的任務，不是此版本的建議用途。處理產業術語時，宜在請求中加入定義與原始文件。\n\n### 上下文與語言\n\nAiloot 為此模型標示 128,000 個 token 的上下文，包含任務資料與對話歷史；答案大小應與這些內容一併規劃。開發商模型卡列出 16 種語言，包括俄語、英語、中文、德語與西班牙語。因此可將模型用於多語文件與往來訊息處理，並在指示中保留所需語言及結果格式。", "locale": "zh-hant-tw", "methods": [ { "html": "
Ultra Anthropic MessagesPOST /v1/messages
輸入
text
輸出
text
上下文
型錄未列明
最大回應
型錄未列明
輸入
US$0.0007 / 1K
輸出
US$0.001 / 1K
讀取快取
US$0.00008 / 1K
", "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": "
Ultra OpenAI ResponsesPOST /v1/responses
輸入
text
輸出
text
上下文
型錄未列明
最大回應
型錄未列明
輸入
US$0.0007 / 1K
輸出
US$0.001 / 1K
讀取快取
US$0.00008 / 1K
", "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": "
Ultra OpenAI ChatPOST /v1/chat/completions
輸入
text
輸出
text
上下文
型錄未列明
最大回應
型錄未列明
輸入
US$0.0007 / 1K
輸出
US$0.001 / 1K
讀取快取
US$0.00008 / 1K
", "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": "
Ultra Gemini generateContentPOST /v1beta/models/liquid/lfm-2.5-2.6b:generateContent
輸入
text
輸出
text
上下文
型錄未列明
最大回應
型錄未列明
輸入
US$0.0007 / 1K
輸出
US$0.001 / 1K
讀取快取
US$0.00008 / 1K
", "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/zh-hant-tw/liquid-lfm-2-5-2-6b/", "description": "Liquid AI 的精簡文字模型，用於資料擷取、根據文件回答問題，以及使用大型上下文的連續工作。", "locale": "zh-hant-tw", "md_url": "https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-2-6b/index.md", "title": "LiquidAI: LFM2.5-2.6B", "url": "https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-2-6b/" }, "rawModel": { "about": "### 針對代理情境訓練的精簡模型\n\nLFM2.5-2.6B 是 Liquid AI 的文字模型，針對重視遵循指示、文件處理與連續多步驟執行的工作設計。在 LFM2.5 家族中，此版本另接受代理情境訓練：開發商讓它學習與工具及常見代理工作環境互動。這種訓練影響模型行為，應用程式中實際可執行的動作則由整合方式決定。\n\nLFM2.5-2.6B 以 LFM2 混合架構為基礎，含 26.9 億參數，結合短卷積區塊與分組注意力。Liquid AI 發展這個家族時著眼於裝置端運作，但在 Ailoot，模型透過文字介面使用：使用者傳入訊息，再取得文字答案。\n\n### 適用情境\n\n模型適合從文字擷取資訊、回答已提供資料的問題，以及處理長篇指示。例如，提供與客戶的往來訊息，先要求整理統一需求清單，再找出矛盾並準備澄清信。若需根據知識庫回答，可附上已找到的片段，並規定只能依據這些內容、保留名稱，以及註明所需事實缺漏的情況。\n\nLiquid AI 文件列出的工作方向包括資料擷取、RAG 與長上下文情境。開發商也明確限定適用範圍：代理式程式設計，以及未提供來源卻要求大量事實知識的任務，不是此版本的建議用途。處理產業術語時，宜在請求中加入定義與原始文件。\n\n### 上下文與語言\n\nAiloot 為此模型標示 128,000 個 token 的上下文，包含任務資料與對話歷史；答案大小應與這些內容一併規劃。開發商模型卡列出 16 種語言，包括俄語、英語、中文、德語與西班牙語。因此可將模型用於多語文件與往來訊息處理，並在指示中保留所需語言及結果格式。", "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": "Liquid AI 的精簡文字模型，用於資料擷取、根據文件回答問題，以及使用大型上下文的連續工作。" }, "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": "Liquid AI 的精簡文字模型，用於資料擷取、根據文件回答問題，以及使用大型上下文的連續工作。", "source": { "audit_sha256": "637675551cee215f52b048397a92ea67cd9a0345f89f3367c910ed3c6c969c74", "bridge_map_sha256": "637675551cee215f52b048397a92ea67cd9a0345f89f3367c910ed3c6c969c74", "projection_audit": { "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e", "raw_model_json_sha256": "5a538c49e2d92eef7abdf220840de25674aaf6fc7609756c41ed883bfb15aa6c", "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5" }, "projection_kind": "catalogue-refresh-native-dto-v1", "raw_model_json_sha256": "5a538c49e2d92eef7abdf220840de25674aaf6fc7609756c41ed883bfb15aa6c", "renderer_sha256": "ff9782d9ac535c4c4d8dcf64caf6d1647fda3a5c20c28fe9033f27d2c7d287f5" }, "sourceRevision": "1d67a2d1359149dd724689ac4b826a2f944daf237301b436081223a26fdaf536" }