Wir verwenden Cookies. Cookies und Browserspeicher halten Sie angemeldet und merken sich Ihre Einstellungen. Mit Ihrer Zustimmung messen wir außerdem, wie die Website genutzt wird. Sie können jederzeit . Siehe unsere Cookie-Richtlinie.
liquid/lfm-3-1.7b:freeLäuft über Ihr Guthaben zu den oben genannten Preisen. Neue Konten starten mit kostenloser Nutzung.
Einstellungen
LiquidAI: LFM3-1.7B (free) ist ein Textmodell von LiquidAI, das auf api14 durch die Modell-ID liquid/lfm-3-1.7b:free identifiziert wird. Es ist ein kompaktes Modell mit 1,7 Milliarden Parametern, das von seinem Anbieter als kleines Textmodell positioniert wird, das für Agents, Tool Calling und strukturierte Ausgaben nachtrainiert wurde. Es ist in beide Richtungen ein reines Textmodell: Es akzeptiert Text-Prompts und gibt Textantworten zurück.
Das Modell hat ein Kontextfenster von 262.144 Tokens, was für ein Modell dieser Größe groß ist und es ermöglicht, lange Dokumente, ausgedehnte Gespräche oder umfangreiche Tool-Ausgaben in einer einzigen Anfrage zu verarbeiten. Seine maximale Ausgabe beträgt 8.192 Tokens. Laut dem Anbieter denkt das Modell nach, bevor es antwortet, sodass Antworten einen Reasoning-Schritt vor der endgültigen Ausgabe enthalten können. Da es für agentisches Verhalten nachtrainiert wurde, sind Tool Calling und strukturierte Ausgaben von Anfang an zentrale Bestandteile seines Designs und keine nachträglichen Ergänzungen.
Diese Fähigkeiten deuten auf eine recht spezifische Gruppe von Anwendungen hin. Der lange Kontext eignet sich zum Zusammenfassen oder Extrahieren von Informationen aus umfangreichen Dokumenten, zum Prüfen großer Codedateien und zum Aufrechterhalten lang laufender Gespräche, bei denen frühere Turns sichtbar bleiben müssen. Tool Calling macht es zu einem Kandidaten für Agent-Workflows, bei denen das Modell entscheidet, welche Funktion mit welchen Argumenten aufgerufen wird. Strukturierte Ausgaben helfen, wenn die Antwort einem Schema entsprechen muss, zum Beispiel beim Befüllen von Feldern für einen nachgelagerten Dienst oder beim Erzeugen maschinenlesbarer Datensätze. Das Reasoning-Verhalten ist nützlich für mehrstufige Fragen, bei denen ein Zwischenschritt die endgültige Antwort verbessert.
Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID liquid/lfm-3-1.7b:free auf, sodass vorhandene OpenAI-Client-Bibliotheken und Anfrageformen funktionieren, wenn nur die Basis-URL und der Modellname geändert werden. Das Modell unterstützt eine breite Palette von Anfrageparametern: temperature, top_p, top_k, min_p, frequency_penalty, presence_penalty, repetition_penalty, seed, stop, max_tokens, max_completion_tokens, logprobs, top_logprobs, response_format, structured_outputs, tools, tool_choice, reasoning und include_reasoning. Sampling-Steuerungen wie temperature und top_p decken die gewöhnliche Generierung ab, während tools und tool_choice Function Calling steuern und structured_outputs oder response_format die Form der Antwort einschränken. Die Parameter reasoning und include_reasoning beziehen sich auf den Reasoning-Schritt des Modells, und seed unterstützt reproduzierbares Sampling.
Die wichtigste Einschränkung, die man im Auge behalten sollte, ist die Obergrenze der Ausgabe: Antworten sind auf 8.192 Tokens begrenzt, obwohl das Kontextfenster viel größer ist, sodass Aufgaben, die sehr lange einzelne Antworten erfordern, möglicherweise eine Aufteilung der Arbeit auf mehrere Aufrufe benötigen. Das Modell ist außerdem ein reines Textmodell, kann also keine Bilder oder Audiodaten als Eingabe verarbeiten. Für Workloads, bei denen ein kleines, effizientes Textmodell mit Tool Calling und strukturierten Ausgaben ausreicht, ist es eine vernünftige Wahl; wenn die Aufgabe von anderen Eingabemodalitäten oder einem viel größeren Ausgabebudget abhängt, wird ein anderes Modell besser dienen.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "liquid/lfm-3-1.7b:free",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
frequency_penaltyinclude_reasoninglogprobsmax_completion_tokensmax_tokensmin_ppresence_penaltyreasoningrepetition_penaltyresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_ktop_logprobstop_pIn dieser Community gibt es noch keine Themen. Eröffnen Sie das erste zu LiquidAI: LFM3-1.7B (free).