Felo API PlatformFelo API Platform
Zurück zu den Modellen
LiquidAImessages

LFM3-1.7B (free) API

LFM3-1.7B ist ein offenes Sprachmodell von Liquid AI für lokale Agenten, Tool-Aufrufe und strukturierte Ausgaben mit 256K Kontext.

LFM3-1.7B ist ein textbasiertes Open-Weight-Sprachmodell von Liquid AI mit etwa 1,73 Milliarden Parametern und 24 Schichten. Es nutzt eine neue tri-hybride Architektur aus 13 gated Short-Convolution-Schichten, 5 Sliding-Window-Attention-Schichten und 6 globalen Attention-Schichten. Das Modell unterstützt 16 Sprachen, Tool-Aufrufe und strukturierte Ausgaben und wurde für lokale Agenten sowie domänenspezifische Anwendungen entwickelt. Es läuft auf Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX und ONNX Runtime und ist in den Quantisierungsformaten BF16, FP8, NVFP4, GGUF, MLX und ONNX verfügbar.

Besonders geeignet ist LFM3-1.7B für lokale Agenten, Tool-Aufrufe, strukturierte JSON-Extraktion, die Beantwortung von Fragen aus abgerufenen Dokumenten sowie die Tool-Auswahl in einer Telefon-App mit 108 Tools. Auch zum Erlernen neuer Sprachen und für domänenspezifisches Fine-Tuning lässt es sich einsetzen. In 4-Bit-quantisierter Form benötigt es etwa 1 GB Speicher; bei 128K-Token-Kontext rund 1,6 GB Cache. Im Vergleich zu LFM2.5-2.6B übertrifft es dieses Modell mit 35 % weniger Parametern und läuft bei 8K-Token-Kontext etwa 25 % schneller.

Für wissensintensive Aufgaben wird Retrieval oder Retrieval-Augmented Generation empfohlen. Für agentisches Coding oder komplexes mehrstufiges Reasoning ist das Modell nicht empfohlen. Die LFM Open License v1.0 erlaubt keine kommerzielle Nutzung durch Organisationen mit einem Jahresumsatz von 10 Millionen US-Dollar oder mehr. Die Speicherangaben beziehen sich auf den Footprint der Textmodellgewichte, nicht auf den Spitzenprozessspeicher.

Aktualisiert:

MODELL-ID

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

Highlights

  • Tri-hybride Architektur mit 24 Schichten
  • 256K Tokens Kontext
  • Unterstützt 16 Sprachen
  • Tool-Aufrufe und strukturierte Ausgaben
  • Läuft lokal auf acht Laufzeitumgebungen
  • Etwa 1 GB Speicher in 4-Bit-Quantisierung

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$0

Benchmarks

  • LiveClaw

    Punkte; LFM2.5-2.6B erreichte 14.70

    45.60
  • WebArena-Verified

    Punkte; LFM2.5-2.6B erreichte 3.02; Qwen3.5-9B erreichte 28.94

    38.42
  • BFCL V4

    Punkte; Tool-Nutzung

    71.39
  • ToolSandbox

    Punkte

    80.36
  • LiveCodeBench v6

    Punkte

    73.46
  • SWE-bench Verified

    Punkte

    43.40
  • IFEval

    Punkte

    96.66
  • GPQA Diamond

    Punkte

    63.37

Werte wie vom Modellanbieter veröffentlicht.

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:free

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:free",
  "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:free",
  "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-3-1.7b:freeÖffentliche 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 (free)?

LFM3-1.7B ist ein textbasiertes Open-Weight-Sprachmodell von Liquid AI mit etwa 1,73 Milliarden Parametern und 24 Schichten. Es nutzt eine neue tri-hybride Architektur aus 13 gated Short-Convolution-Schichten, 5 Sliding-Window-Attention-Schichten und 6 globalen Attention-Schichten. Das Modell unterstützt 16 Sprachen, Tool-Aufrufe und strukturierte Ausgaben und wurde für lokale Agenten sowie domänenspezifische Anwendungen entwickelt. Es läuft auf Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX und ONNX Runtime und ist in den Quantisierungsformaten BF16, FP8, NVFP4, GGUF, MLX und ONNX verfügbar. Besonders geeignet ist LFM3-1.7B für lokale Agenten, Tool-Aufrufe, strukturierte JSON-Extraktion, die Beantwortung von Fragen aus abgerufenen Dokumenten sowie die Tool-Auswahl in einer Telefon-App mit 108 Tools. Auch zum Erlernen neuer Sprachen und für domänenspezifisches Fine-Tuning lässt es sich einsetzen. In 4-Bit-quantisierter Form benötigt es etwa 1 GB Speicher; bei 128K-Token-Kontext rund 1,6 GB Cache. Im Vergleich zu LFM2.5-2.6B übertrifft es dieses Modell mit 35 % weniger Parametern und läuft bei 8K-Token-Kontext etwa 25 % schneller. Für wissensintensive Aufgaben wird Retrieval oder Retrieval-Augmented Generation empfohlen. Für agentisches Coding oder komplexes mehrstufiges Reasoning ist das Modell nicht empfohlen. Die LFM Open License v1.0 erlaubt keine kommerzielle Nutzung durch Organisationen mit einem Jahresumsatz von 10 Millionen US-Dollar oder mehr. Die Speicherangaben beziehen sich auf den Footprint der Textmodellgewichte, nicht auf den Spitzenprozessspeicher.

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 ausschließlich Text als Eingabe und gibt Text aus. Es unterstützt Tool-Aufrufe und strukturierte Ausgaben.

Wie lang ist der Kontext von LFM3-1.7B?

Der Kontext umfasst 256K Tokens, wobei Eingabe und Ausgabe gemeinsam gezählt werden.

Für welche Aufgaben ist LFM3-1.7B geeignet?

Es eignet sich für lokale Agenten, Tool-Aufrufe, strukturierte JSON-Extraktion, Antworten aus abgerufenen Dokumenten und die Tool-Auswahl in einer Telefon-App mit 108 Tools. Für wissensintensive Aufgaben wird Retrieval oder Retrieval-Augmented Generation empfohlen.

Worin unterscheidet sich LFM3-1.7B von LFM2.5-2.6B?

LFM3-1.7B übertrifft LFM2.5-2.6B mit 35 % weniger Parametern und läuft bei 8K-Token-Kontext etwa 25 % schneller. Bei 128K-Token-Kontext benötigt es etwa 1,6 GB Cache, verglichen mit 4,3 GB für Qwen3.5-4B.

Auf welchen Laufzeitumgebungen lässt sich LFM3-1.7B betreiben?

Das Modell läuft auf Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX und ONNX Runtime. Es ist in den Quantisierungsformaten BF16, FP8, NVFP4, GGUF, MLX und ONNX verfügbar.

Verwandte Modelle