We gebruiken cookies. Cookies en browseropslag houden je ingelogd en onthouden je voorkeuren. Met je toestemming meten we ook hoe de site wordt gebruikt. Je kunt je wanneer je wilt. Zie ons cookiebeleid.
liquid/lfm-3-1.7bDraait op je saldo tegen de prijzen hierboven. Nieuwe accounts beginnen met gratis gebruik.
Instellingen
LiquidAI: LFM3-1.7B is een tekstmodel van LiquidAI. Het is een compact model met 1,7 miljard parameters, door zijn provider gepositioneerd als een kleine maar capabele optie voor tekstgeneratiewerk. Het werd door de provider uitgebracht op 6 november 2026. Het model is post-trained voor agents, tool calling en gestructureerde outputs, en het redeneert voordat het antwoordt.
Het model accepteert tekst als invoer en retourneert tekst als uitvoer, dus het past bij tekst-only pipelines. Het contextvenster is 262.144 tokens, wat groot genoeg is om lange documenten, uitgebreide gesprekken of omvangrijke codebestanden in een enkele aanvraag te bevatten. De maximale uitvoer is 8.192 tokens, dus antwoorden zijn begrensd, zelfs wanneer de invoer zeer lang is. Omdat het redeneert voordat het antwoordt, kan het een probleem stap voor stap doorwerken voordat het zijn definitieve antwoord produceert.
Die capaciteiten wijzen op een paar praktische toepassingen. De lange context past bij taken waarbij veel documenten of een lange geschiedenis tegelijk in beeld moeten zijn, zoals het samenvatten van een groot bestand, het beantwoorden van vragen over een lang transcript of het werken over een hele codebase. Tool calling en gestructureerde outputs maken het een redelijke keuze voor agent-workflows waarbij het model moet beslissen welke functie het aanroept en gegevens in een vaste vorm moet retourneren. De redeneerstap helpt bij taken die baat hebben bij tussenliggend denken, zoals meerstapsanalyse of planning. De kleine omvang maakt het ook een kandidaat waar een compact model de voorkeur heeft boven een groter model.
Je roept het model aan via de OpenAI-compatibele API van api14 met het model-id "liquid/lfm-3-1.7b". Omdat de API de OpenAI-indeling volgt, kun je een bestaande OpenAI-client op api14 richten en dat id in het model-veld doorgeven. Het model ondersteunt een brede set aanvraagparameters: frequency_penalty, presence_penalty, repetition_penalty, temperature, top_p, top_k en min_p voor samplingcontrole; max_tokens en max_completion_tokens voor uitvoerlengte; stop voor stopsequenties; seed voor reproduceerbare sampling; logprobs en top_logprobs voor token-level waarschijnlijkheden; response_format en structured_outputs voor gestructureerde antwoorden; tools en tool_choice voor function calling; reasoning en include_reasoning voor het redeneergedrag; en frequency_penalty naast de andere straffen die al zijn genoemd.
Een ding om af te wegen is gegevensverwerking. Prompts en uitvoer kunnen worden bewaard en gebruikt, dus als je workload gevoelige of gereguleerde inhoud bevat, is dat beleid van belang bij het beslissen of dit model geschikt is. De uitvoerlimiet van 8.192 tokens is ook het vermelden waard voor taken die zeer lange enkele antwoorden nodig hebben. Voor eenvoudige tekstgeneratie, het lezen met lange context en agent-achtig toolgebruik dekt het model de essentials via een standaard OpenAI-compatibele interface.
Deze community heeft nog geen topics. Open het eerste topic over 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