LiquidAI: LFM2.5-2.6B

LiquidAI : LFM2.5-2.6B est un modèle de texte de Liquid AI. Il appartient à la famille LFM2.5, et le 2.6B dans le nom fait référence à sa classe de taille au sein de cette gamme. Liquid AI le positionne comme un modèle de raisonnement compact, ce qui signifie que le comportement de raisonnement fait partie de ce pour quoi le modèle a été conçu plutôt que d'être ajouté après coup. Il se situe dans la catégorie texte, il fonctionne donc avec du langage plutôt qu'avec des images, de l'audio ou d'autres médias.

Côté entrée, le modèle accepte uniquement du texte, et il produit uniquement du texte. Sa fenêtre de contexte est de 128 000 tokens, ce qui est suffisamment grand pour contenir des documents substantiels, de longs historiques de conversation ou des charges utiles de récupération multi-documents dans une seule requête. La sortie maximale est de 8 192 tokens, les réponses sont donc bien bornées en dessous de la capacité d'entrée. Le raisonnement est une partie de premier ordre de l'interface : les paramètres pris en charge incluent reasoning et include_reasoning, qui vous permettent de contrôler et d'exposer la sortie de raisonnement du modèle. Il prend également en charge les sorties structurées et response_format, vous pouvez donc contraindre la génération à un schéma plutôt qu'à du texte libre.

Ces capacités indiquent un ensemble d'usages assez spécifique. Liquid AI cite les workflows d'agents, l'extraction de données, le RAG et le traitement de contextes longs comme l'usage prévu. L'extraction de données et les sorties structurées vont naturellement ensemble : vous fournissez un document et demandez des champs en retour dans une forme définie. Le RAG bénéficie du contexte de 128 000 tokens, puisque les passages récupérés peuvent être intégrés sans élagage agressif. Les workflows d'agents sont pris en charge via les paramètres tools et tool_choice, qui permettent au modèle d'appeler des fonctions que vous définissez. Le traitement de contextes longs couvre la synthèse, la réponse à des questions sur de grandes entrées, et des tâches similaires où le document entier doit être visible en une seule fois.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "liquid/lfm-2.5-2.6b". Comme l'interface suit le format OpenAI, les bibliothèques clientes OpenAI existantes fonctionnent avec un changement d'URL de base et d'identifiant de modèle. Les paramètres de requête pris en charge sont frequency_penalty, include_reasoning, logprobs, max_completion_tokens, max_tokens, min_p, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs et top_p. Cela couvre les contrôles d'échantillonnage, les pénalités, les séquences d'arrêt, l'initialisation pour la reproductibilité, les limites de tokens, l'appel d'outils, la sortie structurée et l'inspection des probabilités logarithmiques.

Une limitation mérite d'être signalée d'emblée. Liquid AI déconseille d'utiliser ce modèle pour le codage agentique, donc si votre charge de travail est de la génération de code ou un agent de codage, un autre modèle conviendra probablement mieux. Le plafond de sortie de 8 192 tokens compte également pour les tâches qui nécessitent des réponses uniques très longues. Pour les tâches textuelles dans les domaines listés ci-dessus, cependant, la combinaison d'une grande fenêtre de contexte, du support du raisonnement, de l'appel d'outils et des sorties structurées en fait un candidat raisonnable à évaluer.