Używamy plików cookie. Pliki cookie i pamięć przeglądarki pozwalają utrzymać logowanie i zapamiętać Twoje preferencje. Za Twoją zgodą mierzymy też, jak korzystasz ze strony. W każdej chwili możesz . Zobacz naszą politykę cookie.
liquid/lfm-3-1.7bKorzysta z Twojego salda według powyższych cen. Nowe konta zaczynają z darmowym użyciem.
Ustawienia
LiquidAI: LFM3-1.7B to model tekstowy od LiquidAI. Jest to kompaktowy model z 1,7 miliarda parametrów, pozycjonowany przez dostawcę jako mała, ale wydajna opcja do zadań generowania tekstu. Został wydany przez dostawcę 6 listopada 2026. Model jest dostrajany po treningu pod kątem agentów, wywoływania narzędzi i ustrukturyzowanych wyników, a przed udzieleniem odpowiedzi przeprowadza rozumowanie.
Model przyjmuje tekst jako dane wejściowe i zwraca tekst jako dane wyjściowe, więc pasuje do potoków wyłącznie tekstowych. Jego okno kontekstu wynosi 262 144 tokeny, co jest wystarczająco duże, aby pomieścić długie dokumenty, rozbudowane rozmowy lub spore pliki kodu w jednym żądaniu. Maksymalna długość wyniku to 8 192 tokeny, więc odpowiedzi są ograniczone nawet przy bardzo długim wejściu. Ponieważ model rozumuje przed odpowiedzią, może przeanalizować problem krok po kroku, zanim wygeneruje ostateczną odpowiedź.
Te możliwości wskazują na kilka praktycznych zastosowań. Długi kontekst pasuje do zadań wymagających jednoczesnego uwzględnienia wielu dokumentów lub długiej historii, takich jak streszczanie dużego pliku, odpowiadanie na pytania na podstawie długiego transkryptu czy praca z całym repozytorium kodu. Wywoływanie narzędzi i ustrukturyzowane wyniki czynią go rozsądnym wyborem do przepływów pracy agentów, w których model musi zdecydować, którą funkcję wywołać, i zwrócić dane w ustalonym formacie. Etap rozumowania pomaga w zadaniach, które korzystają z pośredniego myślenia, takich jak wieloetapowa analiza lub planowanie. Jego niewielki rozmiar sprawia również, że jest kandydatem tam, gdzie preferowany jest kompaktowy model zamiast większego.
Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu "liquid/lfm-3-1.7b". Ponieważ API jest zgodne z formatem OpenAI, możesz skierować istniejącego klienta OpenAI na api14 i przekazać ten identyfikator w polu model. Model obsługuje szeroki zestaw parametrów żądania: frequency_penalty, presence_penalty, repetition_penalty, temperature, top_p, top_k i min_p do kontroli próbkowania; max_tokens i max_completion_tokens do długości wyniku; stop dla sekwencji zatrzymania; seed dla powtarzalnego próbkowania; logprobs i top_logprobs dla prawdopodobieństw na poziomie tokenów; response_format i structured_outputs dla ustrukturyzowanych odpowiedzi; tools i tool_choice dla wywoływania funkcji; reasoning i include_reasoning dla zachowania rozumowania; oraz frequency_penalty obok pozostałych wymienionych kar.
Jedną rzeczą, którą warto rozważyć, jest przetwarzanie danych. Podpowiedzi i wyniki mogą być przechowywane i wykorzystywane, więc jeśli Twoje obciążenie obejmuje treści wrażliwe lub regulowane, ta polityka ma znaczenie przy podejmowaniu decyzji, czy ten model jest odpowiedni. Limit wyniku wynoszący 8 192 tokeny również warto odnotować w przypadku zadań wymagających bardzo długich pojedynczych odpowiedzi. Do prostego generowania tekstu, czytania z długim kontekstem i użycia narzędzi w stylu agenta model pokrywa podstawy przez standardowy interfejs zgodny z OpenAI.
Ta społeczność nie ma jeszcze wątków. Załóż pierwszy wątek o 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