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
Confronta i prezzi delle API tra fornitori. Seleziona un fornitore per vedere tutti i costi e le condizioni.
| Disponibilità | |||
|---|---|---|---|
| $0 | $0 |
Le statistiche storiche non sono un controllo in tempo reale. I dati mancanti non indicano un guasto.
Benchmark
- 45.60
LiveClaw
punti; LFM2.5-2.6B ha ottenuto 14.70
- 38.42
WebArena-Verified
punti; LFM2.5-2.6B ha ottenuto 3.02; Qwen3.5-9B ha ottenuto 28.94
- 38.94
BFCL V4
punti; uso di strumenti
- 80.36
ToolBench
punti
- 73.46
LiveCodeBench v6
punti
- 43.40
SWE-bench Verified
punti
- 96.66
IFEval
punti
- 63.37
GPQA Diamond
punti
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.
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-3-1.7b:freeQuesto 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.
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.
Messages
Messaggi compatibili con Anthropic per i client in stile Claude.
POST
https://openapi.felo.ai/api/v1/messagesParametri
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.