LFM3-1.7B (free) API
LFM3-1.7B est un modèle de langage open-weight de 1,73 milliard de paramètres conçu par Liquid AI pour les agents locaux et les applications métier, avec un contexte de 256K tokens.
LFM3-1.7B est un modèle de langage texte uniquement développé par Liquid AI, doté d'environ 1,73 milliard de paramètres répartis sur 24 couches et d'un vocabulaire de 128 000 tokens. Il repose sur une architecture tri-hybride inédite combinant 13 couches de convolution courte à portes, 5 couches d'attention à fenêtre glissante et 6 couches d'attention globale. Le modèle prend en charge 16 langues, l'appel d'outils et les sorties structurées, et a été post-entraîné pour des harnais d'agents tels que Hermes Agent, Pi et OpenClaw.
Le modèle est particulièrement adapté aux agents locaux, à l'appel d'outils, à l'extraction JSON structurée, à la sélection d'outils dans une application mobile de 108 outils et aux réponses à partir de documents récupérés. Il peut également être affiné pour des applications métier spécifiques. En revanche, il n'est pas recommandé pour le codage agentique ou le raisonnement multi-étapes complexe, et les tâches intensives en connaissances gagnent à s'appuyer sur la récupération ou le RAG.
En forme quantifiée 4 bits, il n'utilise qu'environ 1 Go de mémoire et environ 1,6 Go de cache à un contexte de 128K tokens, contre 4,3 Go pour Qwen3.5-4B. Il surpasse LFM2.5-2.6B avec 35 % de paramètres en moins et s'exécute environ 25 % plus rapidement à un contexte de 8K tokens. Le modèle est disponible aux formats BF16, FP8, NVFP4, GGUF, MLX et ONNX, et fonctionne avec Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX et ONNX Runtime. La licence LFM Open License v1.0 n'autorise pas l'usage commercial par les organisations dont le chiffre d'affaires annuel atteint 10 millions de dollars ou plus.
Mis à jour:
ID DU MODÈLE
lfm-3-1.7b:free- Contexte
- 262.144K
- Sortie max.
- 8.192K
- API recommandée
- messages
- Entrée
- text
- Sortie
- text
Points clés
- Architecture tri-hybride inédite
- Contexte de 256K tokens
- Prend en charge 16 langues
- Appel d'outils et sorties structurées
- Environ 1 Go de mémoire en 4 bits
- Post-entraîné pour harnais d'agents
Fournisseurs
Comparez les prix des API entre fournisseurs. Sélectionnez un fournisseur pour voir tous les tarifs et conditions.
| Disponibilité | |||
|---|---|---|---|
| $0 | $0 |
Les statistiques historiques ne sont pas un contrôle en direct. Une donnée manquante ne signifie pas une panne.
Benchmarks
- 45.60
LiveClaw
points ; LFM2.5-2.6B a obtenu 14.70
- 38.42
WebArena-Verified
points ; LFM2.5-2.6B a obtenu 3.02 ; Qwen3.5-9B a obtenu 28.94
- 71.39
BFCL V4
points ; utilisation d'outils
- 80.36
ToolSandbox
points
- 73.46
LiveCodeBench v6
points
- 43.40
SWE-bench Verified
points
- 96.66
IFEval
points
- 63.37
GPQA Diamond
points
Scores tels que publiés par le fournisseur du modèle.
Raisonnement
- Toujours activé
- Oui
Démarrage rapide
Un code prêt à l'emploi pour appeler ce modèle avec les API compatibles de Felo API Platform. Commencez dans le Playground pour tester des prompts avant d'écrire du code.
Configurer votre clé API
Créez une clé depuis votre compte Felo API Platform et définissez-la comme variable d'environnement.
export FELO_API_KEY="YOUR_API_KEY"Effectuer votre première requête
Utilisez cet ID de modèle avec le point de terminaison Felo API Platform. Les en-têtes de requête facultatifs comme X-Request-Id facilitent le diagnostic.
lfm-3-1.7b:freeCe modèle est capable de raisonnement. Si le protocole sélectionné et la route du modèle exposent des contrôles de raisonnement, conservez les métadonnées de raisonnement renvoyées lorsque vous poursuivez la conversation.
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());Utiliser des SDK tiers
Avec les SDK compatibles, définissez baseURL sur https://openapi.felo.ai/api/v1. Pour les clients de style Claude, utilisez l'URL de base compatible Anthropic. https://openapi.felo.ai/api.
Activer le streaming
Ajoutez stream: true pour recevoir les réponses sous forme de server-sent events.
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 expose des surfaces d'appel de modèles compatibles. Choisissez la surface que votre application ou votre client agent prend déjà en charge.
Messages
Messages compatibles Anthropic pour les clients de style Claude.
POST
https://openapi.felo.ai/api/v1/messagesParamètres
modelstringlfm-3-1.7b:freeID public du modèle à appeler.max_tokensinteger—Nombre maximal de tokens générés.messagesarray—Messages de la conversation pour Chat Completions.seed———stop———min_p———toolsarray—Définitions de tool calling conformes au schéma compatible.top_k———top_p———logprobs———reasoning———temperaturenumber—Contrôle la variété des réponses lorsque c'est pris en charge.tool_choicestring or object—Contrôle si un outil doit être appelé.top_logprobs———response_formatobject—Demande une sortie structurée lorsque c'est pris en charge.presence_penalty———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———max_completion_tokens———Questions fréquentes
Qu'est-ce que LFM3-1.7B (free)?
LFM3-1.7B est un modèle de langage texte uniquement développé par Liquid AI, doté d'environ 1,73 milliard de paramètres répartis sur 24 couches et d'un vocabulaire de 128 000 tokens. Il repose sur une architecture tri-hybride inédite combinant 13 couches de convolution courte à portes, 5 couches d'attention à fenêtre glissante et 6 couches d'attention globale. Le modèle prend en charge 16 langues, l'appel d'outils et les sorties structurées, et a été post-entraîné pour des harnais d'agents tels que Hermes Agent, Pi et OpenClaw. Le modèle est particulièrement adapté aux agents locaux, à l'appel d'outils, à l'extraction JSON structurée, à la sélection d'outils dans une application mobile de 108 outils et aux réponses à partir de documents récupérés. Il peut également être affiné pour des applications métier spécifiques. En revanche, il n'est pas recommandé pour le codage agentique ou le raisonnement multi-étapes complexe, et les tâches intensives en connaissances gagnent à s'appuyer sur la récupération ou le RAG. En forme quantifiée 4 bits, il n'utilise qu'environ 1 Go de mémoire et environ 1,6 Go de cache à un contexte de 128K tokens, contre 4,3 Go pour Qwen3.5-4B. Il surpasse LFM2.5-2.6B avec 35 % de paramètres en moins et s'exécute environ 25 % plus rapidement à un contexte de 8K tokens. Le modèle est disponible aux formats BF16, FP8, NVFP4, GGUF, MLX et ONNX, et fonctionne avec Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX et ONNX Runtime. La licence LFM Open License v1.0 n'autorise pas l'usage commercial par les organisations dont le chiffre d'affaires annuel atteint 10 millions de dollars ou plus.
Comment l'usage est-il facturé ?
Votre facture dépend du fournisseur utilisé, de ses tarifs et de votre usage. Des entrées plus longues ou d'autres conditions peuvent avoir des tarifs différents.
Quels types d'entrées et de sorties le modèle prend-il en charge ?
LFM3-1.7B accepte uniquement des entrées texte et produit uniquement des sorties texte.
Quelle est la longueur de contexte du modèle ?
Le modèle dispose d'un contexte de 256K tokens, entrée et sortie combinées.
À quelles tâches le modèle est-il destiné ?
Il est conçu pour les agents locaux, l'appel d'outils, les sorties structurées, l'extraction JSON, les réponses à partir de documents récupérés et l'affinage sur des domaines spécifiques.
Quelles sont les limites d'usage recommandées ?
Le modèle n'est pas recommandé pour le codage agentique ni le raisonnement multi-étapes complexe. Pour les tâches intensives en connaissances, il est conseillé de recourir à la récupération ou au RAG.
Comment se compare-t-il à LFM2.5-2.6B ?
LFM3-1.7B surpasse LFM2.5-2.6B avec 35 % de paramètres en moins et s'exécute environ 25 % plus rapidement à un contexte de 8K tokens.
Quels formats et environnements d'exécution sont pris en charge ?
Le modèle est disponible en BF16, FP8, NVFP4, GGUF, MLX et ONNX, et fonctionne sur Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX et ONNX Runtime.