LFM3-1.7B (free) API
LFM3-1.7B یک مدل زبانی متنباز از Liquid AI با۱.۷۳ میلیارد پارامتر است که برای عاملهای محلی و کاربردهای تخصصی طراحی شده و از۱۶ زبان و فراخوانی ابزار پشتیبانی میکند.
LFM3-1.7B یک مدل زبانی متنمحور با وزنهای باز از Liquid AI است که در اکتبر ۲۰۲۶ منتشر شد. این مدل حدود ۱.۷۳ میلیارد پارامتر و ۲۴ لایه دارد و از معماری سهگانه ترکیبی شامل ۱۳ لایه کانولوشن کوتاه دروازهای، ۵ لایه توجه پنجره لغزان و ۶ لایه توجه سراسری بهره میبرد. پنجره زمینه آن ۲۵۶ هزار توکن (ورودی و خروجی مجموعاً) است و از ۱۶ زبان از جمله انگلیسی، عربی، چینی، فرانسوی، آلمانی، ایتالیایی، ژاپنی، کرهای، پرتغالی، اسپانیایی، ویتنامی، تایلندی، اندونزیایی، هندی، روسی و لهستانی پشتیبانی میکند.
این مدل بهطور ویژه برای عاملهای محلی و برنامههای دامنهمحور پسآموزش دیده و برای هارنسهای عامل مانند Hermes Agent، Pi و Hermes Agent بهینه شده است. قابلیت فراخوانی ابزار و خروجیهای ساختاریافته را دارد و میتوان آن را روی بسترهایی مانند Transformers، vLLM، SGLang، llama.cpp، Ollama، LM Studio، MLX و ONNX Runtime اجرا کرد. قالبهای کمدقت BF16، FP8، NVFP4، GGUF، MLX و ONNX نیز در دسترس هستند. در حالت ۴ بیتی حدود ۱ گیگابایت حافظه مصرف میکند و در زمینه ۱۲۸ هزار توکنی حدود ۱.۶ گیگابایت کش نیاز دارد.
LFM3-1.7B برای وظایفی مانند استخراج ساختاریافته JSON، پاسخدهی از اسناد بازیابیشده، انتخاب ابزار در برنامههای تلفن همراه با ۱۰۸ ابزار و یادگیری زبانهای جدید مناسب است. این مدل برای کدنویسی عاملی یا استدلال پیچیده چندمرحلهای توصیه نمیشود و برای وظایف دانشمحور، استفاده از بازیابی یا تولید افزوده با بازیابی پیشنهاد میگردد.
بهروزرسانی:
MODEL ID
lfm-3-1.7b:free- زمینه
- 262.144K
- حداکثر خروجی
- 8.192K
- API پیشنهادی
- messages
- ورودی
- text
- خروجی
- text
نکات برجسته
- مدل متنباز۱.۷۳ میلیارد پارامتری
- معماری سهگانه ترکیبی با ۲۴ لایه
- پنجره زمینه ۲۵۶ هزار توکن
- پشتیبانی از ۱۶ زبان
- فراخوانی ابزار و خروجی ساختاریافته
- طراحیشده برای عاملهای محلی
ارائهدهندگان
قیمت API را بین ارائهدهندگان مقایسه کنید. یک ارائهدهنده را انتخاب کنید تا همه هزینهها و شرایط را ببینید.
| دسترسپذیری | |||
|---|---|---|---|
| $0 | $0 |
آمار تاریخی بررسی زنده وضعیت نیست. نبود داده به معنی قطعی نیست.
بنچمارکها
- 45.60
LiveClaw
امتیاز؛ LFM2.5-2.6B امتیاز ۱۴.۷۰ کسب کرده است
- 38.42
WebArena-Verified
امتیاز؛ LFM2.5-2.6B امتیاز ۳.۰۲ و Qwen3.5-9B امتیاز ۲۸.۹۴ کسب کردهاند
- 71.39
BFCL V4
امتیاز؛ استفاده از ابزار
- 80.36
ToolSandbox
امتیاز
- 73.46
LiveCodeBench v6
امتیاز
- 43.40
SWE-bench Verified
امتیاز
- 96.66
IFEval
امتیاز
- 63.37
GPQA Diamond
امتیاز
امتیازها همانگونه که ارائهدهنده مدل منتشر کرده است.
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-3-1.7b:freeاین 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:free",
"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:free",
"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-3-1.7b:freeشناسه 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 (free)?
LFM3-1.7B یک مدل زبانی متنمحور با وزنهای باز از Liquid AI است که در اکتبر ۲۰۲۶ منتشر شد. این مدل حدود ۱.۷۳ میلیارد پارامتر و ۲۴ لایه دارد و از معماری سهگانه ترکیبی شامل ۱۳ لایه کانولوشن کوتاه دروازهای، ۵ لایه توجه پنجره لغزان و ۶ لایه توجه سراسری بهره میبرد. پنجره زمینه آن ۲۵۶ هزار توکن (ورودی و خروجی مجموعاً) است و از ۱۶ زبان از جمله انگلیسی، عربی، چینی، فرانسوی، آلمانی، ایتالیایی، ژاپنی، کرهای، پرتغالی، اسپانیایی، ویتنامی، تایلندی، اندونزیایی، هندی، روسی و لهستانی پشتیبانی میکند. این مدل بهطور ویژه برای عاملهای محلی و برنامههای دامنهمحور پسآموزش دیده و برای هارنسهای عامل مانند Hermes Agent، Pi و Hermes Agent بهینه شده است. قابلیت فراخوانی ابزار و خروجیهای ساختاریافته را دارد و میتوان آن را روی بسترهایی مانند Transformers، vLLM، SGLang، llama.cpp، Ollama، LM Studio، MLX و ONNX Runtime اجرا کرد. قالبهای کمدقت BF16، FP8، NVFP4، GGUF، MLX و ONNX نیز در دسترس هستند. در حالت ۴ بیتی حدود ۱ گیگابایت حافظه مصرف میکند و در زمینه ۱۲۸ هزار توکنی حدود ۱.۶ گیگابایت کش نیاز دارد. LFM3-1.7B برای وظایفی مانند استخراج ساختاریافته JSON، پاسخدهی از اسناد بازیابیشده، انتخاب ابزار در برنامههای تلفن همراه با ۱۰۸ ابزار و یادگیری زبانهای جدید مناسب است. این مدل برای کدنویسی عاملی یا استدلال پیچیده چندمرحلهای توصیه نمیشود و برای وظایف دانشمحور، استفاده از بازیابی یا تولید افزوده با بازیابی پیشنهاد میگردد.
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 از چه ورودیهایی پشتیبانی میکند؟
این مدل فقط ورودی متن را میپذیرد و خروجی متنی تولید میکند.
طول زمینه و محدودیت خروجی این مدل چقدر است؟
پنجره زمینه ۲۵۶ هزار توکن است که ورودی و خروجی را با هم شامل میشود. محدودیت خروجی جداگانهای در مشخصات ذکر نشده است.
LFM3-1.7B برای چه وظایفی مناسب است؟
برای عاملهای محلی، فراخوانی ابزار، خروجیهای ساختاریافته، استخراج JSON، پاسخدهی از اسناد بازیابیشده و یادگیری زبانهای جدید طراحی شده است.
تفاوت LFM3-1.7B با LFM2.5-2.6B چیست؟
LFM3-1.7B با ۳۵٪ پارامتر کمتر از LFM2.5-2.6B عمل میکند و در زمینه ۸ هزار توکنی حدود ۲۵٪ سریعتر اجرا میشود. همچنین در بنچمارک LiveClaw امتیاز ۴۵.۶۰ در مقابل ۱۴.۷۰ و در WebArena-Verified امتیاز ۳۸.۴۲ در مقابل ۳.۰۲ کسب کرده است.
آیا LFM3-1.7B برای کدنویسی عاملی مناسب است؟
خیر، برای کدنویسی عاملی یا استدلال پیچیده چندمرحلهای توصیه نمیشود. برای وظایف حساس به دانش نیز استفاده از بازیابی یا RAG توصیه شده است.
چه فرمتهای کمینهسازی برای LFM3-1.7B موجود است؟
نسخههای کوانتیزهشده در قالبهای BF16، FP16، ONNX، GGUF و MLX ارائه شدهاند.