Source: https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-2-6b/ Canonical: https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-2-6b/ Language: zh-hant-tw # LiquidAI: LFM2.5-2.6B [Markdown](https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-2-6b/index.md) · [JSON](https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-2-6b/facts.json) ## [LiquidAI: LFM2.5-2.6B](https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-2-6b/) `liquid/lfm-2.5-2.6b` Liquid文字輸入 US$0.0007 / 1K輸出 US$0.001 / 1K 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。 ### 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。 ### 可透過 Ailoot API 使用 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* 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* 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* 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* `liquid/lfm-2.5-2.6b` · JSON ``` {"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。"} ``` ## 常見問題 如何為任務選擇模型？ 先確定需要的輸入與輸出：文字、圖片、音訊或影片，再比較相容的 API 方法、確切的模型 ID 或別名目前指向的模型、價格與計費單位。免費的 GET /v1/models 會列出金鑰可存取的模型。 每個模型都支援所有 API 方法與媒體類型嗎？ 請使用模型卡片列出的 API 方法與輸入、輸出類型。文字、圖片、音訊或影片的支援情況取決於所選模型及方法；傳送資料前請查看對應的請求範例。 模型 ID 與別名有何不同？ 確切的 ID 代表特定模型。別名會指向某個模型，而指向的模型可能變更。請在目錄中查看別名目前指向的模型；整合需要特定模型時，請使用確切的 ID。 傳送請求前如何比較價格？ 在模型卡片中查看所選 API 方法的價格與計費單位。請以相同單位及輸入、輸出類型比較；請求紀錄會顯示實際用量與扣款金額。 訂閱提供什麼？ 持續工作可優惠購買 token。按請求量選方案，訂閱條件與費用在申購時顯示。 如何使用最高 50% 折扣碼？ 購買 token 時輸入折扣碼，總額依活動條件重算，付款前即可看到優惠。 ## Ailoot · 公司及其專案組合 Ailoot以累積的營運經驗、廣大的客戶群、穩定的服務及持續的KPI管理為基礎。 公司及其專案組合：數百萬客戶，每月銷售額達數十億。 Ailoot將這些營運經驗用於API存取，讓客戶的產品、代理、應用程式及自動化流程使用AI功能。