Felo API PlatformFelo API Platform
Torna ai modelli
LiquidAImessages

LFM3-1.7B (free) API

LFM3-1.7B è un modello linguistico open-weight di Liquid AI progettato per agenti locali, tool calling e output strutturati su dispositivi con risorse limitate.

LFM3-1.7B è un modello linguistico open-weight di Liquid AI con circa 1,73 miliardi di parametri e 24 livelli, rilasciato il 27 ottobre 2026. Utilizza una nuova architettura tri-hybrid composta da 13 livelli di convoluzione corta con gating, 5 livelli di attenzione a finestra scorrevole e 6 livelli di attenzione globale. Supporta 16 lingue, tra cui l'italiano, e offre tool calling, output strutturati e una finestra di contesto di 256K token (input e output combinati). La licenza LFM Open License v1.0 non consente l'uso commerciale da parte di organizzazioni con ricavi annui pari o superiori a 10 milioni di dollari.

Il modello è pensato per agenti locali e applicazioni specifiche di dominio, grazie a un footprint di memoria contenuto: circa 1 GB in forma quantizzata a 4 bit e circa 1,6 GB di cache con contesto di 128K token (rispetto ai 4,3 GB di Qwen3.5-4B). Supera LFM2.5-2.6B con il 35% in meno di parametri e risulta circa il 25% più veloce sempre rispetto a LFM2.5-2.6B con contesto di 8K token. Su tre configurazioni on-device testate, decodifica da 1,8 a 2,8 volte più rapidamente del modello successivo. È adatto a compiti di tool selection, estrazione JSON strutturata, risposta da documenti recuperati e apprendimento di nuove lingue. Non è raccomandato per coding agentico o ragionamento complesso multi-step; per attività ad alto contenuto informativo si consiglia l'uso di retrieval o RAG.

Il modello è stato post-addestrato per harness di agenti come Hermes Agent, Pi e OpenClaw. Funziona su Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX e ONNX Runtime, ed è disponibile nei formati di quantizzazione BF16, FP8, NVFP4, GGUF, MLX e ONNX. Per chat, tool use, agenti e coding si consiglia una temperatura di 0,1, top_k 50 e repetition_penalty 1,1; per compiti STEM temperatura 1,0, top_p 0,95 e top_k 20.

Aggiornato:

ID MODELLO

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

In evidenza

  • Circa 1,73 miliardi di parametri e 24 livelli
  • Contesto di 256K token
  • Supporta 16 lingue, incluso l'italiano
  • Tool calling e output strutturati
  • Circa 1 GB di memoria in 4-bit
  • Runs su vLLM, llama.cpp, Ollama e altri

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$0

Benchmark

  • LiveClaw

    punti; LFM2.5-2.6B ha ottenuto 14.70

    45.60
  • WebArena-Verified

    punti; LFM2.5-2.6B ha ottenuto 3.02; Qwen3.5-9B ha ottenuto 28.94

    38.42
  • BFCL V4

    punti; uso di strumenti

    38.94
  • ToolBench

    punti

    80.36
  • LiveCodeBench v6

    punti

    73.46
  • SWE-bench Verified

    punti

    43.40
  • IFEval

    punti

    96.66
  • GPQA Diamond

    punti

    63.37

Punteggi come pubblicati dal fornitore del modello.

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:free

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:free",
  "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:free",
  "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-3-1.7b:freeID 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 (free)?

LFM3-1.7B è un modello linguistico open-weight di Liquid AI con circa 1,73 miliardi di parametri e 24 livelli, rilasciato il 27 ottobre 2026. Utilizza una nuova architettura tri-hybrid composta da 13 livelli di convoluzione corta con gating, 5 livelli di attenzione a finestra scorrevole e 6 livelli di attenzione globale. Supporta 16 lingue, tra cui l'italiano, e offre tool calling, output strutturati e una finestra di contesto di 256K token (input e output combinati). La licenza LFM Open License v1.0 non consente l'uso commerciale da parte di organizzazioni con ricavi annui pari o superiori a 10 milioni di dollari. Il modello è pensato per agenti locali e applicazioni specifiche di dominio, grazie a un footprint di memoria contenuto: circa 1 GB in forma quantizzata a 4 bit e circa 1,6 GB di cache con contesto di 128K token (rispetto ai 4,3 GB di Qwen3.5-4B). Supera LFM2.5-2.6B con il 35% in meno di parametri e risulta circa il 25% più veloce sempre rispetto a LFM2.5-2.6B con contesto di 8K token. Su tre configurazioni on-device testate, decodifica da 1,8 a 2,8 volte più rapidamente del modello successivo. È adatto a compiti di tool selection, estrazione JSON strutturata, risposta da documenti recuperati e apprendimento di nuove lingue. Non è raccomandato per coding agentico o ragionamento complesso multi-step; per attività ad alto contenuto informativo si consiglia l'uso di retrieval o RAG. Il modello è stato post-addestrato per harness di agenti come Hermes Agent, Pi e OpenClaw. Funziona su Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX e ONNX Runtime, ed è disponibile nei formati di quantizzazione BF16, FP8, NVFP4, GGUF, MLX e ONNX. Per chat, tool use, agenti e coding si consiglia una temperatura di 0,1, top_k 50 e repetition_penalty 1,1; per compiti STEM temperatura 1,0, top_p 0,95 e top_k 20.

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?

Il modello accetta esclusivamente input e output testuali. Non sono supportate modalità diverse dal testo.

Qual è la lunghezza del contesto e dell'output?

La finestra di contesto è di 256K token, considerando input e output combinati. Il limite di output non è specificato nella scheda del modello.

Per quali compiti è raccomandato?

È indicato per agenti locali, tool calling, output strutturati, fine-tuning su domini specifici, estrazione JSON, risposta da documenti recuperati e apprendimento di nuove lingue.

In cosa si differenzia da LFM2.5-2.6B?

LFM3-1.7B supera LFM2.5-2.6B con il 35% in meno di parametri e, con contesto di 8K token, risulta circa il 25% più veloce. Inoltre utilizza circa 1,6 GB di cache a 128K token contro i 4,3 GB di Qwen3.5-4B.

Quali formati di quantizzazione sono disponibili?

Il modello è disponibile nei formati BF16, FP8, NVFP4, GGUF, MLX e ONNX.

Modelli correlati