LFM3-1.7B API
LFM3-1.7B یک مدل زبانی کوچک و متنمحور از Liquid AI با ۱٫۷۳ میلیارد پارامتر، پنجره زمینه ۲۵۶ هزار توکن و پشتیبانی داخلی از فراخوانی ساختاریافته ابزار است که برای اجرا روی گوشی و لپتاپ و عاملهای محلی طراحی شده است.
LFM3-1.7B مدل زبانی متنبهمتن از Liquid AI است که در ۲۷ اکتبر ۲۰۲۶ منتشر شد. این مدل ۱٫۷۳ میلیارد پارامتر دارد و با معماری سهترکیبی خود ۲۴ لایه را از ۱۳ کانولوشن کوتاه دروازهای، ۵ لایه توجه پنجره لغزان و ۶ لایه توجه سراسری میسازد. واژگان آن ۱۲۸٬۰۰۰ توکن و پوششدهنده ۱۶ زبان است و روی ۲۲ تریلیون توکن آموزش دیده است. پنجره زمینه ۲۵۶ هزار توکنی آن هم ورودی و هم خروجی را دربر میگیرد و برای مدلی در این اندازه غیرمعمول بزرگ است. در نسخه ۴ بیتی، حافظه اشغالی حدود ۱ گیگابایت است و اجرای محلی روی گوشی و لپتاپ بدون GPU اختصاصی ممکن میشود.
این مدل برای فراخوانی ساختاریافته ابزار و کار در چارچوبهای عاملی مانند Hermes Agent، Pi و OpenClaw پسآموزش دیده است و سازوکار جستوجوی تعویقی ابزار را برای فهرستهای بزرگ ابزار ارائه میکند. استدلال بهطور پیشفرض فعال است و با تنظیم enable_thinking روی False میتوان پاسخ مستقیم گرفت. در ارزیابیهای عاملی، بهازای هر وظیفه ۵۸٪ توکن کمتر مصرف کرده و در کمتر از ۱٪ تلاشها گیر کرده، در حالی که مدل رقیب ۱۵٪ بوده است. همچنین از مدل پیشین LFM2.5 با ۲٫۶ میلیارد پارامتر بهتر عمل میکند و ۳۵٪ پارامتر کمتر دارد.
LFM3-1.7B برای عاملهای محلی، فراخوانی ابزار با خروجی ساختاریافته، تنظیم دقیق سریع روی یک GPU، پرسشوپاسخ مبتنی بر بازیابی همراه با جستوجو، طبقهبندی درخواست مشتری و استخراج اطلاعات اسناد مناسب است. با این حال برای کدنویسی عاملی یا استدلال چندمرحلهای پیچیده توصیه نمیشود و دانش جهانی آن به اندازه سیستمهای بزرگتر نیست، بنابراین برای پرسشهای دانشمحور باید با بازیابی یا جستوجو جفت شود. مدل در شش قالب GGUF، MLX، ONNX، BF16، FP8 و NVFP4 عرضه میشود و پارامترهای تولید پیشنهادی آن temperature 0.1، top_k 50 و repetition_penalty 1.1 است.
بهروزرسانی:
MODEL ID
lfm-3-1.7b- زمینه
- 262.144K
- حداکثر خروجی
- 8.192K
- API پیشنهادی
- messages
- ورودی
- text
- خروجی
- text
نکات برجسته
- ۱٫۷۳ میلیارد پارامتر با حدود ۱ گیگابایت حافظه در ۴ بیت
- پنجره زمینه ۲۵۶ هزار توکنی برای ورودی و خروجی
- فراخوانی ساختاریافته ابزار و جستوجوی تعویقی ابزار
- اجرای محلی روی گوشی و لپتاپ بدون GPU اختصاصی
- معماری سهترکیبی با ۲۴ لایه و واژگان ۱۲۸ هزار توکنی
- عرضه در قالبهای GGUF، MLX، ONNX، BF16، FP8 و NVFP4
ارائهدهندگان
قیمت API را بین ارائهدهندگان مقایسه کنید. یک ارائهدهنده را انتخاب کنید تا همه هزینهها و شرایط را ببینید.
| دسترسپذیری | ||||
|---|---|---|---|---|
| $0.08 | $0.2 | $0.02 |
آمار تاریخی بررسی زنده وضعیت نیست. نبود داده به معنی قطعی نیست.
با $10 چه میتوان خرید
- ورودی
- ۱۲۵ میلیون توکن
- خروجی
- ۵۰ میلیون توکن
برآورد بر اساس قیمتهای فعلی ورودی و خروجی، پیش از تخفیف.
استدلال
- همیشه فعال
- بله
شروع سریع
کد آماده برای فراخوانی این مدل با APIهای سازگار با Felo API Platform. وقتی میخواهید پرامپتها را پیش از نوشتن کد آزمایش کنید، از Playground شروع کنید.
کلید API خود را بگیرید
از حساب Felo API Platform خود کلیدی بسازید و آن را بهعنوان متغیر محیطی تنظیم کنید.
export FELO_API_KEY="YOUR_API_KEY"اولین درخواست خود را بفرستید
این شناسه مدل را با endpoint Felo API Platform به کار ببرید. سرآیندهای اختیاری درخواست مانند X-Request-Id میتوانند در عیبیابی کمک کنند.
lfm-3-1.7bاین مدل توان استدلال دارد. اگر پروتکل و مسیر مدل انتخابشده کنترلهای استدلال ارائه میدهند، هنگام ادامه گفتگو فراداده استدلال بازگشتی را نگه دارید.
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());استفاده از SDKهای شخص ثالث
از SDKهای سازگار با تنظیم baseURL روی این نشانی استفاده کنید: https://openapi.felo.ai/api/v1. برای کلاینتهای به سبک Claude از نشانی پایه سازگار با Anthropic استفاده کنید. https://openapi.felo.ai/api.
جریان را فعال کنید
برای دریافت پاسخها بهصورت رویدادهای ارسالی از سرور، stream: true را اضافه کنید.
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
Felo API Platform سطوح سازگار برای فراخوانی مدل ارائه میکند. سطحی را انتخاب کنید که برنامه یا کلاینت عامل شما از قبل پشتیبانی میکند.
Messages
پیامهای سازگار با Anthropic برای کلاینتهای به سبک Claude.
POST
https://openapi.felo.ai/api/v1/messagesپارامترها
modelstringlfm-3-1.7bشناسه عمومی مدل برای فراخوانی.max_tokensinteger—حداکثر token تولیدی.messagesarray—پیامهای گفتگو برای Chat Completions.seed———stop———min_p———toolsarray—تعریفهای فراخوانی ابزار بر پایه طرحواره سازگار.top_k———top_p———logprobs———reasoning———temperaturenumber—در صورت پشتیبانی، تنوع پاسخ را کنترل میکند.tool_choicestring or object—کنترل میکند آیا ابزاری باید فراخوانی شود.top_logprobs———response_formatobject—در صورت پشتیبانی، خروجی ساختاریافته درخواست میکند.presence_penalty———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———max_completion_tokens———پرسشهای متداول
معرفی مدل: LFM3-1.7B?
LFM3-1.7B مدل زبانی متنبهمتن از Liquid AI است که در ۲۷ اکتبر ۲۰۲۶ منتشر شد. این مدل ۱٫۷۳ میلیارد پارامتر دارد و با معماری سهترکیبی خود ۲۴ لایه را از ۱۳ کانولوشن کوتاه دروازهای، ۵ لایه توجه پنجره لغزان و ۶ لایه توجه سراسری میسازد. واژگان آن ۱۲۸٬۰۰۰ توکن و پوششدهنده ۱۶ زبان است و روی ۲۲ تریلیون توکن آموزش دیده است. پنجره زمینه ۲۵۶ هزار توکنی آن هم ورودی و هم خروجی را دربر میگیرد و برای مدلی در این اندازه غیرمعمول بزرگ است. در نسخه ۴ بیتی، حافظه اشغالی حدود ۱ گیگابایت است و اجرای محلی روی گوشی و لپتاپ بدون GPU اختصاصی ممکن میشود. این مدل برای فراخوانی ساختاریافته ابزار و کار در چارچوبهای عاملی مانند Hermes Agent، Pi و OpenClaw پسآموزش دیده است و سازوکار جستوجوی تعویقی ابزار را برای فهرستهای بزرگ ابزار ارائه میکند. استدلال بهطور پیشفرض فعال است و با تنظیم enable_thinking روی False میتوان پاسخ مستقیم گرفت. در ارزیابیهای عاملی، بهازای هر وظیفه ۵۸٪ توکن کمتر مصرف کرده و در کمتر از ۱٪ تلاشها گیر کرده، در حالی که مدل رقیب ۱۵٪ بوده است. همچنین از مدل پیشین LFM2.5 با ۲٫۶ میلیارد پارامتر بهتر عمل میکند و ۳۵٪ پارامتر کمتر دارد. LFM3-1.7B برای عاملهای محلی، فراخوانی ابزار با خروجی ساختاریافته، تنظیم دقیق سریع روی یک GPU، پرسشوپاسخ مبتنی بر بازیابی همراه با جستوجو، طبقهبندی درخواست مشتری و استخراج اطلاعات اسناد مناسب است. با این حال برای کدنویسی عاملی یا استدلال چندمرحلهای پیچیده توصیه نمیشود و دانش جهانی آن به اندازه سیستمهای بزرگتر نیست، بنابراین برای پرسشهای دانشمحور باید با بازیابی یا جستوجو جفت شود. مدل در شش قالب GGUF، MLX، ONNX، BF16، FP8 و NVFP4 عرضه میشود و پارامترهای تولید پیشنهادی آن temperature 0.1، top_k 50 و repetition_penalty 1.1 است.
هزینه استفاده چگونه محاسبه میشود؟
صورتحساب شما به ارائهدهندهای که استفاده میکنید، قیمتهای آن و میزان مصرف شما بستگی دارد. ورودیهای طولانیتر یا شرایط دیگر ممکن است قیمت متفاوتی داشته باشند.
LFM3-1.7B چه ورودی و خروجیای پشتیبانی میکند؟
این مدل فقط متن را بهعنوان ورودی میپذیرد و خروجی متنی تولید میکند. حالتهای تصویر و صدا در گونههای دیگر خانواده LFM3 ارائه میشوند.
پنجره زمینه این مدل چقدر است؟
پنجره زمینه ۲۵۶ هزار توکنی آن هم ورودی و هم خروجی را پوشش میدهد. این اندازه برای مدلی با ۱٫۷۳ میلیارد پارامتر غیرمعمول بزرگ است.
آیا LFM3-1.7B برای کدنویسی یا استدلال پیچیده مناسب است؟
خیر، بهصراحت برای کدنویسی عاملی و استدلال چندمرحلهای پیچیده توصیه نشده است. عاملهای مهندسی نرمافزار خودمختار و زنجیرههای طولانی استنتاج منطقی برای این مدل کنار گذاشته شدهاند.
چگونه میتوان استدلال پیشفرض را غیرفعال کرد؟
استدلال بهطور پیشفرض فعال است و با تنظیم enable_thinking روی False میتوان پاسخ مستقیم گرفت. همچنین استدلال نوبتهای پیشین حذف میشود مگر آنکه preserve_thinking روی True باشد.
LFM3-1.7B در مقایسه با مدل پیشین خانواده چه تفاوتی دارد؟
این مدل از LFM2.5 با ۲٫۶ میلیارد پارامتر بهتر عمل میکند و در همان حال ۳۵٪ پارامتر کمتری دارد. در ارزیابیهای عاملی نیز ۵۸٪ توکن کمتر بهازای هر وظیفه مصرف کرده است.
مدل در چه قالبهایی عرضه میشود؟
LFM3-1.7B در شش قالب GGUF، MLX، ONNX، BF16، FP8 و NVFP4 منتشر شده است. نسخه Q4_0 در مخزن GGUF یک چکپوینت تقطیر آگاه از کوانتیزهسازی است.