Felo API PlatformFelo API Platform
Torna ai modelli
LiquidAImessages

LFM3-1.7B API

LFM3-1.7B è un modello linguistico compatto di Liquid AI con 1,73 miliardi di parametri, architettura tri-hybrid e una finestra di contesto di 256K token, pensato per agenti locali e tool calling strutturato.

LFM3-1.7B è un modello text-to-text di Liquid AI appartenente alla famiglia LFM3. Con 1,73 miliardi di parametri e una quantizzazione a 4 bit occupa circa 1 GB di memoria, quindi può essere eseguito localmente su telefoni e laptop senza GPU dedicata. L'architettura tri-hybrid conta 24 livelli che combinano 13 convoluzioni corte con gating, 5 livelli di attenzione a finestra scorrevole e 6 livelli di attenzione globale; il vocabolario di 128.000 token copre 16 lingue. È stato addestrato su 22 trilioni di token, con un rapporto token-parametri di circa 12.717 volte, e supera il precedente modello LFM2.5 da 2,6 miliardi di parametri pur usando il 35% di parametri in meno.

Il modello è ottimizzato per l'uso agentico: supporta nativamente il tool calling strutturato e un meccanismo di ricerca differita degli strumenti per gestire cataloghi di tool molto ampi. È stato post-addestrato per harness agentici come Hermes Agent, Pi e OpenClaw. Il ragionamento è attivo per impostazione predefinita e può essere disattivato con enable_thinking impostato a False per ottenere risposte dirette. Nelle valutazioni agentiche ha consumato il 58% di token in meno per attività e si è bloccato in meno dell'1% dei tentativi, contro il 15% di un modello concorrente.

È adatto ad agenti locali su dispositivi mobili e laptop, al tool calling con output strutturati, alla classificazione di richieste dei clienti, all'estrazione di informazioni da documenti e all'instradamento dei casi. Può essere messo a punto rapidamente su una singola GPU per assistenti specializzati sui documenti e sui formati di un'azienda, e abbinato a ricerca o retrieval per il question answering ancorato alle fonti. Non è invece consigliato per il coding agentico o il ragionamento multi-step complesso, né per agenti autonomi di ingegneria del software o lunghe catene di deduzione logica; la conoscenza del mondo è inferiore a quella dei modelli più grandi, quindi per domande molto enciclopediche conviene affiancarlo a ricerca o retrieval.

Aggiornato:

ID MODELLO

lfm-3-1.7b
Contesto
262.144K
Output max
8.192K
API consigliata
messages
Input
text
Output
text

In evidenza

  • 1,73 miliardi di parametri, circa 1 GB a 4 bit
  • Contesto di 256K token per input e output
  • Architettura tri-hybrid a 24 livelli
  • Tool calling strutturato e ricerca differita
  • Gira su telefoni e laptop senza GPU
  • Sei formati, incluso GGUF e MLX

Fornitori

1 fornitori

Confronta i prezzi delle API tra fornitori. Seleziona un fornitore per vedere tutti i costi e le condizioni.

Fornitore · Dettagli dei prezzi
Disponibilità
$0.08$0.2$0.02

Cosa acquisti con $10

Input
125 Mln token
Output
50 Mln token

Stima basata sui prezzi attuali di input e output, esclusi gli sconti.

Ragionamento

Sempre attivo
Sì

Avvio rapido

Codice pronto all'uso per chiamare questo modello con le API compatibili di Felo API Platform. Inizia nel Playground se vuoi testare i prompt prima di scrivere codice.

1

Imposta la chiave API

Crea una chiave dal tuo account Felo API Platform e impostala come variabile d'ambiente.

export FELO_API_KEY="YOUR_API_KEY"
2

Invia la prima richiesta

Usa questo ID modello con l'endpoint Felo API Platform. Le intestazioni facoltative come X-Request-Id aiutano nella risoluzione dei problemi.

lfm-3-1.7b

Questo modello è in grado di ragionare. Se il protocollo selezionato e la route del modello espongono controlli di ragionamento, conserva i metadati di ragionamento restituiti quando continui la conversazione.

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());

Usare SDK di terze parti

Negli SDK compatibili imposta baseURL su https://openapi.felo.ai/api/v1. Per i client in stile Claude, usa la base URL compatibile con Anthropic. https://openapi.felo.ai/api.

3

Attiva lo streaming

Aggiungi stream: true per ricevere le risposte come 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",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ],
  "stream": true
}'

Endpoint

Felo API Platform espone superfici compatibili per le chiamate ai modelli. Scegli la superficie che la tua app o il tuo client agente già supporta.

SurfaceMethodURL

Messages

Messaggi compatibili con Anthropic per i client in stile Claude.

POST

https://openapi.felo.ai/api/v1/messages

Parametri

NomeTipoPredefinitoDescrizione
modelstringlfm-3-1.7bID pubblico del modello da chiamare.
max_tokensinteger—Numero massimo di token generati.
messagesarray—Messaggi della conversazione per Chat Completions.
seed———
stop———
min_p———
toolsarray—Definizioni di tool calling secondo lo schema compatibile.
top_k———
top_p———
logprobs———
reasoning———
temperaturenumber—Controlla la varietà delle risposte quando supportato.
tool_choicestring or object—Controlla se uno strumento deve essere chiamato.
top_logprobs———
response_formatobject—Richiede output strutturato quando supportato.
presence_penalty———
frequency_penalty———
include_reasoning———
repetition_penalty———
structured_outputs———
max_completion_tokens———

Domande frequenti

Cos'è LFM3-1.7B?

LFM3-1.7B è un modello text-to-text di Liquid AI appartenente alla famiglia LFM3. Con 1,73 miliardi di parametri e una quantizzazione a 4 bit occupa circa 1 GB di memoria, quindi può essere eseguito localmente su telefoni e laptop senza GPU dedicata. L'architettura tri-hybrid conta 24 livelli che combinano 13 convoluzioni corte con gating, 5 livelli di attenzione a finestra scorrevole e 6 livelli di attenzione globale; il vocabolario di 128.000 token copre 16 lingue. È stato addestrato su 22 trilioni di token, con un rapporto token-parametri di circa 12.717 volte, e supera il precedente modello LFM2.5 da 2,6 miliardi di parametri pur usando il 35% di parametri in meno. Il modello è ottimizzato per l'uso agentico: supporta nativamente il tool calling strutturato e un meccanismo di ricerca differita degli strumenti per gestire cataloghi di tool molto ampi. È stato post-addestrato per harness agentici come Hermes Agent, Pi e OpenClaw. Il ragionamento è attivo per impostazione predefinita e può essere disattivato con enable_thinking impostato a False per ottenere risposte dirette. Nelle valutazioni agentiche ha consumato il 58% di token in meno per attività e si è bloccato in meno dell'1% dei tentativi, contro il 15% di un modello concorrente. È adatto ad agenti locali su dispositivi mobili e laptop, al tool calling con output strutturati, alla classificazione di richieste dei clienti, all'estrazione di informazioni da documenti e all'instradamento dei casi. Può essere messo a punto rapidamente su una singola GPU per assistenti specializzati sui documenti e sui formati di un'azienda, e abbinato a ricerca o retrieval per il question answering ancorato alle fonti. Non è invece consigliato per il coding agentico o il ragionamento multi-step complesso, né per agenti autonomi di ingegneria del software o lunghe catene di deduzione logica; la conoscenza del mondo è inferiore a quella dei modelli più grandi, quindi per domande molto enciclopediche conviene affiancarlo a ricerca o retrieval.

Come viene addebitato l'utilizzo?

La fattura dipende dal fornitore che usi, dai suoi prezzi e dal tuo utilizzo. Input più lunghi o altre condizioni possono avere prezzi diversi.

Quali modalità di input e output supporta LFM3-1.7B?

Gestisce esclusivamente testo in input e testo in output.

Qual è la lunghezza del contesto e dell'output?

La finestra di contesto è di 256K token e copre sia l'input sia l'output.

Per quali tipi di attività è pensato?

È pensato per agenti locali, tool calling con output strutturati, classificazione ed estrazione da documenti, question answering con retrieval e fine-tuning specializzato. Non è raccomandato per coding agentico o ragionamento multi-step complesso.

In quali formati è disponibile?

Viene distribuito in sei formati: GGUF, MLX, ONNX, BF16, FP8 e NVFP4. La build Q4_0 nel repository GGUF è un checkpoint di Quantization-Aware Distillation.

Il ragionamento è sempre attivo?

Sì, per impostazione predefinita. Impostando enable_thinking a False si ottengono risposte dirette senza ragionamento. Inoltre, il ragionamento dei turni precedenti all'ultimo messaggio dell'utente viene rimosso, a meno che preserve_thinking non sia impostato a True.

Come si differenzia dagli altri modelli della famiglia LFM3?

La famiglia LFM3 comprende varianti base, text, vision, audio, omni e decision; LFM3-1.7B è la variante testuale compatta con 1,73 miliardi di parametri, destinata all'esecuzione locale e agli agenti su dispositivi.

Modelli correlati