Usiamo i cookie. Cookie e memoria del browser ti mantengono connesso e ricordano le tue preferenze. Con il tuo consenso misuriamo anche come viene usato il sito. Puoi in qualsiasi momento. Consulta la nostra cookie policy.
liquid/lfm-3-1.7bUsa il tuo saldo ai prezzi indicati sopra. I nuovi account partono con utilizzo gratuito.
Impostazioni
LiquidAI: LFM3-1.7B è un modello testuale di LiquidAI. È un modello compatto con 1,7 miliardi di parametri, posizionato dal suo fornitore come un'opzione piccola ma capace per il lavoro di generazione di testo. È stato rilasciato dal fornitore il 6 novembre 2026. Il modello è post-addestrato per agenti, chiamata di strumenti e output strutturati, e ragiona prima di rispondere.
Il modello accetta testo come input e restituisce testo come output, quindi si adatta a pipeline solo testuali. La sua finestra di contesto è di 262.144 token, abbastanza ampia da contenere documenti lunghi, conversazioni estese o file di codice di dimensioni considerevoli in una singola richiesta. L'output massimo è di 8.192 token, quindi le risposte sono limitate anche quando l'input è molto lungo. Poiché ragiona prima di rispondere, può elaborare un problema passo dopo passo prima di produrre la sua risposta finale.
Queste capacità indicano alcuni usi pratici. Il contesto lungo si adatta a compiti che richiedono molti documenti o una lunga cronologia visibile contemporaneamente, come riassumere un file di grandi dimensioni, rispondere a domande su una lunga trascrizione o lavorare su un intero codebase. La chiamata di strumenti e gli output strutturati lo rendono adatto a flussi di lavoro agentici in cui il modello deve decidere quale funzione chiamare e restituire dati in una forma fissa. Il passaggio di ragionamento aiuta nei compiti che traggono vantaggio da un pensiero intermedio, come l'analisi multi-step o la pianificazione. Le sue dimensioni ridotte lo rendono anche un candidato quando si preferisce un modello compatto a uno più grande.
Si chiama il modello tramite l'API compatibile con OpenAI di api14 usando l'id del modello "liquid/lfm-3-1.7b". Poiché l'API segue il formato OpenAI, è possibile puntare un client OpenAI esistente su api14 e passare quell'id nel campo model. Il modello supporta un ampio insieme di parametri di richiesta: frequency_penalty, presence_penalty, repetition_penalty, temperature, top_p, top_k e min_p per il controllo del campionamento; max_tokens e max_completion_tokens per la lunghezza dell'output; stop per le sequenze di arresto; seed per un campionamento riproducibile; logprobs e top_logprobs per le probabilità a livello di token; response_format e structured_outputs per risposte strutturate; tools e tool_choice per la chiamata di funzioni; reasoning e include_reasoning per il comportamento di ragionamento; e frequency_penalty insieme agli altri parametri di penalità già elencati.
Un aspetto da valutare è la gestione dei dati. I prompt e gli output possono essere conservati e utilizzati, quindi se il tuo carico di lavoro coinvolge contenuti sensibili o regolamentati, quella policy conta nel decidere se questo modello è appropriato. Anche il limite di output di 8.192 token è da notare per i compiti che richiedono risposte singole molto lunghe. Per la generazione di testo semplice, la lettura a contesto lungo e l'uso di strumenti in stile agente, il modello copre l'essenziale tramite un'interfaccia standard compatibile con OpenAI.
Questa community non ha ancora discussioni. Apri la prima su LiquidAI: LFM3-1.7B.
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",
"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_p