LFM3-1.7B (free) API
LFM3-1.7B adalah model bahasa open-weight 1,73 miliar parameter dari Liquid AI yang dirancang untuk agen lokal, pemanggilan alat, dan aplikasi domain spesifik.
LFM3-1.7B adalah model bahasa teks open-weight dari Liquid AI dengan sekitar 1,73 miliar parameter dan 24 lapisan. Model ini menggunakan arsitektur tri-hybrid baru yang terdiri dari 13 lapisan konvolusi pendek bergerbang, 5 lapisan attention jendela geser, dan 6 lapisan attention global. Dengan kosakata 128.000 token, model ini mendukung 16 bahasa, termasuk Inggris, Arab, Tionghoa, Prancis, Jerman, Italia, Jepang, Korea, Portugis, Spanyol, Vietnam, Thai, Indonesia, Hindi, Rusia, dan Polandia. LFM3-1.7B mendukung pemanggilan alat dan output terstruktur, serta telah dilatih pasca-pelatihan untuk kerangka agen seperti Hermes Agent, Pi, dan OpenClaw. Model ini dapat dijalankan pada Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX, dan ONNX Runtime, dan tersedia dalam format kuantisasi BF16, FP8, NVFP4, GGUF, MLX, dan ONNX.
LFM3-1.7B cocok untuk tugas-tugas seperti agen lokal, pemanggilan alat, output terstruktur, fine-tuning domain spesifik, ekstraksi JSON terstruktur, menjawab dari dokumen yang diambil, pemilihan alat dalam aplikasi ponsel dengan 108 alat, dan mempelajari bahasa baru. Model ini menggunakan sekitar 1 GB memori dalam bentuk kuantisasi 4-bit dan sekitar 1,6 GB cache pada konteks 128K token, dibandingkan dengan 4,3 GB untuk Qwen3.5-4B. LFM3-1.7B mengungguli LFM2.5-2.6B dengan parameter 35% lebih sedikit dan berjalan sekitar 25% lebih cepat pada konteks 8K token. Model ini juga melakukan dekode 1,8x hingga 2,8x lebih cepat daripada model berikutnya pada tiga pengaturan perangkat yang diuji.
Namun, LFM3-1.7B tidak direkomendasikan untuk pengodean agentik atau penalaran multi-langkah yang kompleks. Untuk tugas intensif pengetahuan, disarankan menggunakan pengambilan atau retrieval-augmented generation. LFM Open License v1.0 tidak mengizinkan penggunaan komersial oleh organisasi dengan pendapatan tahunan $10 juta atau lebih. Angka memori yang disebutkan mengacu pada jejak bobot model teks, bukan memori proses puncak.
Diperbarui:
ID MODEL
lfm-3-1.7b:free- Konteks
- 262.144K
- Output maks
- 8.192K
- API yang direkomendasikan
- messages
- Masukan
- text
- Keluaran
- text
Sorotan
- Model teks open-weight 1,73 miliar parameter
- Arsitektur tri-hybrid dengan 24 lapisan
- Mendukung 16 bahasa
- Pemanggilan alat dan output terstruktur
- Konsumsi memori sekitar 1 GB dalam 4-bit
- Dapat dijalankan secara lokal di berbagai runtime
Penyedia
Bandingkan harga API antarpenyedia. Pilih penyedia untuk melihat semua biaya dan ketentuan.
| Ketersediaan | |||
|---|---|---|---|
| $0 | $0 |
Statistik historis bukan pemeriksaan langsung. Data yang hilang tidak berarti gangguan.
Tolok ukur
- 45.60
LiveClaw
poin; LFM2.5-2.6B mencetak 14.70
- 38.42
WebArena-Verified
poin; LFM2.5-2.6B mencetak 3.02; Qwen3.5-9B mencetak 28.94
- 71.39
BFCL V4
poin; penggunaan alat
- 80.36
ToolSandbox
poin
- 73.46
LiveCodeBench v6
poin
- 43.40
SWE-bench Verified
poin
- 96.66
IFEval
poin
- 63.37
GPQA Diamond
poin
Skor sesuai publikasi penyedia model.
Penalaran
- Selalu aktif
- Ya
Mulai cepat
Kode siap pakai untuk memanggil model ini dengan API yang kompatibel dari Felo API Platform. Mulai di Playground jika Anda ingin menguji prompt sebelum menulis kode.
Siapkan kunci API
Buat kunci dari akun Felo API Platform Anda dan tetapkan sebagai variabel lingkungan.
export FELO_API_KEY="YOUR_API_KEY"Kirim permintaan pertama
Gunakan ID model ini dengan endpoint Felo API Platform. Header permintaan opsional seperti X-Request-Id dapat membantu pemecahan masalah.
lfm-3-1.7b:freeModel ini mampu melakukan penalaran. Jika protokol dan rute model yang Anda pilih menyediakan kontrol penalaran, pertahankan metadata penalaran yang dikembalikan saat melanjutkan percakapan.
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());Menggunakan SDK pihak ketiga
Pada SDK yang kompatibel, tetapkan baseURL ke https://openapi.felo.ai/api/v1. Untuk klien bergaya Claude, gunakan base URL yang kompatibel dengan Anthropic. https://openapi.felo.ai/api.
Aktifkan streaming
Tambahkan stream: true untuk menerima respons sebagai 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 menyediakan antarmuka pemanggilan model yang kompatibel. Pilih antarmuka yang sudah didukung aplikasi atau klien agen Anda.
Messages
Pesan yang kompatibel dengan Anthropic untuk klien bergaya Claude.
POST
https://openapi.felo.ai/api/v1/messagesParameter
modelstringlfm-3-1.7b:freeID model publik yang akan dipanggil.max_tokensinteger—Jumlah maksimum token yang dihasilkan.messagesarray—Pesan percakapan untuk Chat Completions.seed———stop———min_p———toolsarray—Definisi tool calling sesuai skema yang kompatibel.top_k———top_p———logprobs———reasoning———temperaturenumber—Mengontrol variasi respons jika didukung.tool_choicestring or object—Mengontrol apakah suatu alat harus dipanggil.top_logprobs———response_formatobject—Meminta output terstruktur jika didukung.presence_penalty———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———max_completion_tokens———Pertanyaan umum
Mengenal LFM3-1.7B (free)?
LFM3-1.7B adalah model bahasa teks open-weight dari Liquid AI dengan sekitar 1,73 miliar parameter dan 24 lapisan. Model ini menggunakan arsitektur tri-hybrid baru yang terdiri dari 13 lapisan konvolusi pendek bergerbang, 5 lapisan attention jendela geser, dan 6 lapisan attention global. Dengan kosakata 128.000 token, model ini mendukung 16 bahasa, termasuk Inggris, Arab, Tionghoa, Prancis, Jerman, Italia, Jepang, Korea, Portugis, Spanyol, Vietnam, Thai, Indonesia, Hindi, Rusia, dan Polandia. LFM3-1.7B mendukung pemanggilan alat dan output terstruktur, serta telah dilatih pasca-pelatihan untuk kerangka agen seperti Hermes Agent, Pi, dan OpenClaw. Model ini dapat dijalankan pada Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX, dan ONNX Runtime, dan tersedia dalam format kuantisasi BF16, FP8, NVFP4, GGUF, MLX, dan ONNX. LFM3-1.7B cocok untuk tugas-tugas seperti agen lokal, pemanggilan alat, output terstruktur, fine-tuning domain spesifik, ekstraksi JSON terstruktur, menjawab dari dokumen yang diambil, pemilihan alat dalam aplikasi ponsel dengan 108 alat, dan mempelajari bahasa baru. Model ini menggunakan sekitar 1 GB memori dalam bentuk kuantisasi 4-bit dan sekitar 1,6 GB cache pada konteks 128K token, dibandingkan dengan 4,3 GB untuk Qwen3.5-4B. LFM3-1.7B mengungguli LFM2.5-2.6B dengan parameter 35% lebih sedikit dan berjalan sekitar 25% lebih cepat pada konteks 8K token. Model ini juga melakukan dekode 1,8x hingga 2,8x lebih cepat daripada model berikutnya pada tiga pengaturan perangkat yang diuji. Namun, LFM3-1.7B tidak direkomendasikan untuk pengodean agentik atau penalaran multi-langkah yang kompleks. Untuk tugas intensif pengetahuan, disarankan menggunakan pengambilan atau retrieval-augmented generation. LFM Open License v1.0 tidak mengizinkan penggunaan komersial oleh organisasi dengan pendapatan tahunan $10 juta atau lebih. Angka memori yang disebutkan mengacu pada jejak bobot model teks, bukan memori proses puncak.
Bagaimana penggunaan ditagih?
Tagihan Anda bergantung pada penyedia yang digunakan, tarifnya, dan penggunaan Anda. Masukan yang lebih panjang atau ketentuan lain dapat memiliki harga berbeda.
Bahasa apa saja yang didukung LFM3-1.7B?
Model ini mendukung 16 bahasa: Inggris, Arab, Tionghoa, Prancis, Jerman, Italia, Jepang, Korea, Portugis, Spanyol, Vietnam, Thai, Indonesia, Hindi, Rusia, dan Polandia.
Berapa panjang konteks yang didukung LFM3-1.7B?
LFM3-1.7B mendukung konteks hingga 256K token, yang mencakup input dan output gabungan.
Apakah LFM3-1.7B bisa dijalankan secara lokal?
Ya, model ini dapat dijalankan pada Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX, dan ONNX Runtime, serta tersedia dalam berbagai format kuantisasi.
Apa perbedaan LFM3-1.7B dengan LFM2.5-2.6B?
LFM3-1.7B mengungguli LFM2.5-2.6B dengan parameter 35% lebih sedikit dan berjalan sekitar 25% lebih cepat pada konteks 8K token.
Apakah LFM3-1.7B cocok untuk pengodean agentik?
Tidak, model ini tidak direkomendasikan untuk pengodean agentik atau penalaran multi-langkah yang kompleks.