LiquidAI: LFM2.5-2.6B (free)

LiquidAI : LFM2.5-2.6B (gratuit) est un modèle de raisonnement compact de Liquid AI. Il appartient à la catégorie texte et est distribué sur api14 sous l'identifiant de modèle liquid/lfm-2.5-2.6b:free. Liquid AI le positionne comme un petit modèle conçu pour des tâches à forte intensité de raisonnement plutôt que pour la taille brute, et le décrit comme adapté aux workflows d'agents, à l'extraction de données, à la génération augmentée par récupération et au traitement de contextes longs.

Le modèle prend du texte en entrée et renvoie du texte en sortie, avec une fenêtre de contexte de 65 536 tokens et une sortie maximale de 8 192 tokens. Ses paramètres pris en charge incluent temperature, top_p, top_k, min_p, frequency_penalty, presence_penalty, repetition_penalty, seed, stop, logprobs, top_logprobs, max_tokens et max_completion_tokens. Il accepte également reasoning et include_reasoning, ainsi que response_format et structured_outputs pour la génération contrainte, et tools et tool_choice pour l'appel de fonctions. La combinaison d'une fenêtre de contexte de 64K et d'un plafond de sortie de 8K le rend pratique pour des entrées longues mais dont la réponse elle-même reste bornée.

Ces capacités renvoient à un ensemble d'usages assez spécifique. Les workflows d'agents sont un choix naturel car le modèle prend en charge l'appel d'outils et les sorties structurées, ce qui lui permet de sélectionner des outils, de renvoyer des arguments selon un schéma et d'itérer sur des étapes. L'extraction de données fonctionne de la même manière : fournissez un document ou un ensemble d'enregistrements et demandez du JSON ou une autre forme structurée via response_format ou structured_outputs. Pour le RAG, le contexte long permet d'assembler les passages récupérés aux côtés de la question sans troncature agressive. Le traitement de contextes longs couvre plus généralement le résumé, la classification et la réponse aux questions sur de grandes entrées, tandis que le paramètre reasoning permet de faire apparaître un raisonnement intermédiaire lorsque vous le souhaitez, et la famille logprobs prend en charge la notation et les vérifications de confiance. Liquid AI déconseille de l'utiliser pour le codage agentique, donc réservez les agents de codage à un autre modèle.

Comme api14 expose une API compatible OpenAI, vous appelez ce modèle avec l'identifiant liquid/lfm-2.5-2.6b:free en utilisant la même forme de requête que celle que vous utilisez déjà pour les modèles OpenAI. Pointez votre client vers l'URL de base d'api14, définissez le champ model sur liquid/lfm-2.5-2.6b:free et envoyez vos messages. Les contrôles d'échantillonnage (temperature, top_p, top_k, min_p, les trois pénalités, seed), les limites de sortie (max_tokens, max_completion_tokens), les séquences d'arrêt, les options de sortie structurée (response_format, structured_outputs), l'appel d'outils (tools, tool_choice), les contrôles de raisonnement (reasoning, include_reasoning) et les options de log-probabilité (logprobs, top_logprobs) sont tous disponibles comme paramètres de requête. Le modèle est gratuit sur api14, vous pouvez donc l'évaluer sans engagement payant, bien que l'offre gratuite puisse comporter ses propres conditions de disponibilité ou de débit.

Deux limites méritent d'être gardées à l'esprit lors de votre choix. La sortie maximale de 8 192 tokens borne ce que le modèle peut produire en une seule réponse, donc un travail nécessitant des sorties uniques très longues, comme la génération d'un fichier volumineux entier, exigera un découpage ou un modèle avec un plafond de sortie plus élevé. Et l'entrée et la sortie uniquement textuelles signifient qu'il n'y a ici aucun traitement d'image ou d'audio ; si votre tâche implique d'autres modalités, un autre modèle conviendra mieux.