Felo API PlatformFelo API Platform
Zurück zu den Modellen
LiquidAImessages

LFM3-1.7B API

LFM3-1.7B ist ein kompaktes Sprachmodell von Liquid AI mit 256K-Kontext, strukturiertem Tool-Calling und lokaler Ausführung auf Smartphones und Laptops.

LFM3-1.7B ist ein Textmodell von Liquid AI mit 1,73 Milliarden Parametern, das in4-Bit-Quantisierung etwa 1 GB Speicher belegt und ohne dedizierte GPU lokal auf Smartphones und Laptops läuft. Die tri-hybride Architektur umfasst 24 Schichten: 13 gated short convolutions, 5 Sliding-Window-Attention-Schichten und 6 globale Attention-Schichten. Das Vokabular von 128.000 Tokens deckt 16 Sprachen ab; trainiert wurde auf 22 Billionen Tokens, was einem Verhältnis von etwa 12.717 Tokens pro Parameter entspricht. Das Modell ist in sechs Formaten erhältlich, darunter GGUF, MLX, ONNX, BF16, FP8 und NVFP4.

Das Modell eignet sich für lokale Agenten, Tool-Calling mit strukturierten Ausgaben, domänenspezifisches Fine-Tuning sowie retrieval-gestützte Frage-Antwort-Szenarien. Auch das Klassifizieren von Kundenanfragen, das Extrahieren von Dokumentinformationen und das Routing von Fällen mit strukturierten Ausgaben gehören zu den vorgesehenen Aufgaben. Spezialisierte Assistenten lassen sich auf unternehmenseigenen Dokumenten und Formaten fine-tunen; dank der geringen Größe ist Fine-Tuning schnell auf einer einzelnen GPU möglich. Reasoning ist standardmäßig aktiv und kann über enable_thinking auf False gesetzt werden, um direkte Antworten zu erhalten.

Ausdrücklich nicht empfohlen ist LFM3-1.7B für agentisches Coding oder komplexes mehrstufiges Reasoning; autonome Software-Engineering-Agenten und lange logische Deduktionsketten sind ausgeschlossen. Das Weltwissen bleibt hinter größeren Systemen zurück, daher sollte das Modell bei wissensintensiven Fragen mit Retrieval oder Suche kombiniert werden. Die agentischen Evaluationsergebnisse beruhen auf lediglich 65 Aufgaben und sollten unabhängig reproduziert werden. Das Modell steht unter der eigenen LFM Open License v1.0; Unternehmen mit einem Jahresumsatz über 10 Millionen Dollar benötigen eine separate kommerzielle Lizenz, gemeinnützige Organisationen sind für nicht-kommerzielle oder Forschungszwecke von der kommerziellen Lizenz befreit.

Aktualisiert:

MODELL-ID

lfm-3-1.7b
Kontext
262.144K
Max. Ausgabe
8.192K
Empfohlene API
messages
Eingabe
text
Ausgabe
text

Highlights

  • 256K-Token-Kontext bei 1,73 Milliarden Parametern
  • Läuft lokal ohne dedizierte GPU
  • Strukturiertes Tool-Calling integriert
  • Sechs Formate inklusive GGUF, MLX und ONNX
  • Vokabular mit 128.000 Tokens für 16 Sprachen
  • Fine-Tuning schnell auf einer GPU

Anbieter

1 Anbieter

Vergleichen Sie die API-Preise verschiedener Anbieter. Wählen Sie einen Anbieter aus, um alle Kosten und Bedingungen zu sehen.

Anbieter · Preisdetails
Verfügbarkeit
$0.08$0.2$0.02

Was man für $10 bekommt

Eingabe
125 Mio. Token
Ausgabe
50 Mio. Token

Geschätzt anhand der aktuellen Eingabe- und Ausgabepreise, vor Rabatten.

Schlussfolgern

Immer aktiviert
Ja

Schnellstart

Direkt einsetzbarer Code, um dieses Modell über die kompatiblen APIs der Felo API Platform aufzurufen. Testen Sie Prompts im Playground, bevor Sie Code schreiben.

1

API-Schlüssel hinterlegen

Erstellen Sie einen Schlüssel in Ihrem Konto bei der Felo API Platform und legen Sie ihn als Umgebungsvariable ab.

export FELO_API_KEY="YOUR_API_KEY"
2

Erste Anfrage senden

Verwenden Sie diese Modell-ID mit dem Endpoint der Felo API Platform. Optionale Anfrage-Header wie X-Request-Id helfen bei der Fehlersuche.

lfm-3-1.7b

Dieses Modell kann schlussfolgern. Wenn das gewählte Protokoll und die Modellroute Reasoning-Steuerungen bereitstellen, behalten Sie die zurückgegebenen Reasoning-Metadaten bei, wenn Sie das Gespräch fortsetzen.

const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
  method: 'POST',
  headers: {
    Authorization: `Bearer ${process.env.FELO_API_KEY}`,
    'Content-Type': 'application/json',
  },
  body: JSON.stringify({
  "model": "lfm-3-1.7b",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());

Drittanbieter-SDKs verwenden

Setzen Sie in kompatiblen SDKs baseURL auf https://openapi.felo.ai/api/v1. Für Clients im Claude-Stil verwenden Sie die Anthropic-kompatible Basis-URL. https://openapi.felo.ai/api.

3

Streaming aktivieren

Fügen Sie stream: true hinzu, um Antworten als Server-Sent Events zu erhalten.

curl -N https://openapi.felo.ai/api/v1/messages \
  -H "Authorization: Bearer $FELO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "lfm-3-1.7b",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ],
  "stream": true
}'

Endpoint

Die Felo API Platform stellt kompatible Oberflächen für Modellaufrufe bereit. Wählen Sie die Oberfläche, die Ihre App oder Ihr Agent-Client bereits unterstützt.

SurfaceMethodURL

Messages

Anthropic-kompatible Nachrichten für Clients im Claude-Stil.

POST

https://openapi.felo.ai/api/v1/messages

Parameter

NameTypStandardBeschreibung
modelstringlfm-3-1.7bÖffentliche Modell-ID, die aufgerufen wird.
max_tokensinteger—Maximale Anzahl generierter Tokens.
messagesarray—Gesprächsnachrichten für Chat Completions.
seed———
stop———
min_p———
toolsarray—Tool-Calling-Definitionen nach kompatiblem Schema.
top_k———
top_p———
logprobs———
reasoning———
temperaturenumber—Steuert die Vielfalt der Antworten, wenn unterstützt.
tool_choicestring or object—Steuert, ob ein Tool aufgerufen werden soll.
top_logprobs———
response_formatobject—Fordert strukturierte Ausgabe an, wenn unterstützt.
presence_penalty———
frequency_penalty———
include_reasoning———
repetition_penalty———
structured_outputs———
max_completion_tokens———

Häufige Fragen

Was ist LFM3-1.7B?

LFM3-1.7B ist ein Textmodell von Liquid AI mit 1,73 Milliarden Parametern, das in4-Bit-Quantisierung etwa 1 GB Speicher belegt und ohne dedizierte GPU lokal auf Smartphones und Laptops läuft. Die tri-hybride Architektur umfasst 24 Schichten: 13 gated short convolutions, 5 Sliding-Window-Attention-Schichten und 6 globale Attention-Schichten. Das Vokabular von 128.000 Tokens deckt 16 Sprachen ab; trainiert wurde auf 22 Billionen Tokens, was einem Verhältnis von etwa 12.717 Tokens pro Parameter entspricht. Das Modell ist in sechs Formaten erhältlich, darunter GGUF, MLX, ONNX, BF16, FP8 und NVFP4. Das Modell eignet sich für lokale Agenten, Tool-Calling mit strukturierten Ausgaben, domänenspezifisches Fine-Tuning sowie retrieval-gestützte Frage-Antwort-Szenarien. Auch das Klassifizieren von Kundenanfragen, das Extrahieren von Dokumentinformationen und das Routing von Fällen mit strukturierten Ausgaben gehören zu den vorgesehenen Aufgaben. Spezialisierte Assistenten lassen sich auf unternehmenseigenen Dokumenten und Formaten fine-tunen; dank der geringen Größe ist Fine-Tuning schnell auf einer einzelnen GPU möglich. Reasoning ist standardmäßig aktiv und kann über enable_thinking auf False gesetzt werden, um direkte Antworten zu erhalten. Ausdrücklich nicht empfohlen ist LFM3-1.7B für agentisches Coding oder komplexes mehrstufiges Reasoning; autonome Software-Engineering-Agenten und lange logische Deduktionsketten sind ausgeschlossen. Das Weltwissen bleibt hinter größeren Systemen zurück, daher sollte das Modell bei wissensintensiven Fragen mit Retrieval oder Suche kombiniert werden. Die agentischen Evaluationsergebnisse beruhen auf lediglich 65 Aufgaben und sollten unabhängig reproduziert werden. Das Modell steht unter der eigenen LFM Open License v1.0; Unternehmen mit einem Jahresumsatz über 10 Millionen Dollar benötigen eine separate kommerzielle Lizenz, gemeinnützige Organisationen sind für nicht-kommerzielle oder Forschungszwecke von der kommerziellen Lizenz befreit.

Wie wird die Nutzung abgerechnet?

Ihre Rechnung hängt vom genutzten Anbieter, seinen Preisen und Ihrer Nutzung ab. Längere Eingaben oder andere Bedingungen können andere Preise haben.

Welche Eingaben und Ausgaben unterstützt LFM3-1.7B?

Das Modell verarbeitet Texteingaben und erzeugt Textausgaben. Strukturiertes Tool-Calling wird integriert unterstützt.

Wie groß ist das Kontextfenster?

Das Kontextfenster umfasst 256K Tokens und gilt gemeinsam für Eingabe und Ausgabe.

Für welche Aufgaben ist das Modell geeignet?

Es eignet sich für lokale Agenten, Tool-Calling mit strukturierten Ausgaben, domänenspezifisches Fine-Tuning sowie retrieval-gestützte Fragebeantwortung. Auch Klassifizierung, Dokumentextraktion und Fall-Routing mit strukturierten Ausgaben sind vorgesehen.

Wie unterscheidet sich LFM3-1.7B von früheren Modellen der Reihe?

LFM3-1.7B übertrifft das frühere LFM2.5-Modell mit 2,6 Milliarden Parametern, obwohl es 35% weniger Parameter nutzt. Es gehört zur LFM3-Familie, die auch Base-, Vision-, Audio-, Omni- und Decision-Varianten umfasst.

Läuft das Modell lokal ohne GPU?

Ja, LFM3-1.7B läuft lokal auf Smartphones und Laptops ohne dedizierte GPU. Bei 4-Bit-Quantisierung belegt es etwa 1 GB Speicher.

Ist Reasoning standardmäßig aktiv?

Reasoning ist standardmäßig aktiviert. Mit enable_thinking auf False lassen sich direkte Antworten erzeugen; Reasoning aus früheren Turns wird entfernt, sofern preserve_thinking nicht auf True gesetzt ist.

Verwandte Modelle