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
Confronta i prezzi delle API tra fornitori. Seleziona un fornitore per vedere tutti i costi e le condizioni.
| Disponibilità | ||||
|---|---|---|---|---|
| $0.08 | $0.2 | $0.02 |
Le statistiche storiche non sono un controllo in tempo reale. I dati mancanti non indicano un guasto.
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.
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"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-3-1.7bQuesto 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.
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.
Messages
Messaggi compatibili con Anthropic per i client in stile Claude.
POST
https://openapi.felo.ai/api/v1/messagesParametri
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.