LFM3-1.7B (free) API
Modelo de linguagem aberto e leve da Liquid AI, com arquitetura tri-híbrida, suporte a 16 idiomas, chamadas de ferramentas e saídas estruturadas, otimizado para agentes locais.
O LFM3-1.7B é um modelo de linguagem de pesos abertos da Liquid AI, com cerca de 1,73 bilhão de parâmetros e 24 camadas. Ele utiliza uma nova arquitetura tri-híbrida que combina 13 camadas de convolução curta com gate, 5 camadas de atenção com janela deslizante e 6 camadas de atenção global. O modelo foi pré-treinado com 22 trilhões de tokens, incluindo um estágio de mid-training com traços de agente e chamadas de ferramentas curados, o que expandiu a janela de contexto para 256 mil tokens (entrada e saída combinadas).
O modelo é compatível com chamadas de ferramentas e saídas estruturadas, e foi pós-treinado especificamente para ambientes de agentes como Hermes Agent, Pi e OpenClaw. Ele pode ser executado em Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX e ONNX Runtime, e está disponível nos formatos de quantização BF16, FP8, NVFP4, GGUF, MLX e ONNX. Em formato quantizado de 4 bits, o modelo usa cerca de 1 GB de memória, e cerca de 1,6 GB de cache em contexto de 128 mil tokens, em comparação com 4,3 GB do Qwen3.5-4B.
Ele é indicado para agentes locais, chamadas de ferramentas, extração de JSON estruturado, respostas a partir de documentos recuperados, seleção de ferramentas em um aplicativo de celular com 108 ferramentas e aprendizado de novos idiomas. O modelo suporta 16 idiomas: inglês, árabe, chinês, francês, alemão, italiano, japonês, coreano, português, espanhol, vietnamita, tailandês, indonésio, híndi, russo e polonês. Não é recomendado para codificação agêntica ou raciocínio complexo de múltiplas etapas; para tarefas intensivas em conhecimento, recomenda-se recuperação ou RAG.
Atualizado:
ID DO MODELO
lfm-3-1.7b:free- Contexto
- 262.144K
- Saída máxima
- 8.192K
- API recomendada
- messages
- Entrada
- text
- Saída
- text
Destaques
- Arquitetura tri-híbrida com 24 camadas
- Contexto de 256 mil tokens
- Suporte a 16 idiomas
- Chamadas de ferramentas e saídas estruturadas
- Cerca de 1 GB de memória em 4 bits
- Compatível com 8 ambientes de execução
Provedores
Compare os preços de API entre provedores. Selecione um provedor para ver todos os preços e condições.
| Disponibilidade | |||
|---|---|---|---|
| $0 | $0 |
Estatísticas históricas não são uma verificação em tempo real. Dados ausentes não indicam uma interrupção.
Benchmarks
- 45.60
LiveClaw
pontos; LFM2.5-2.6B obteve 14.70
- 38.42
WebArena-Verified
pontos; LFM2.5-2.6B obteve 3.02; Qwen3.5-9B obteve 28.94
- 71.39
BFCL V4
pontos; uso de ferramentas
- 80.36
ToolSandbox
pontos
- 73.46
LiveCodeBench v6
pontos
- 43.40
SWE-bench Verified
pontos
- 96.66
IFEval
pontos
- 63.37
GPQA Diamond
pontos
Pontuações conforme publicadas pelo fornecedor do modelo.
Raciocínio
- Sempre ativado
- Sim
Início rápido
Código pronto para chamar este modelo com as APIs compatíveis da Felo API Platform. Comece no Playground quando quiser testar prompts antes de escrever código.
Defina sua chave de API
Crie uma chave na sua conta da Felo API Platform e defina-a como variável de ambiente.
export FELO_API_KEY="YOUR_API_KEY"Faça sua primeira requisição
Use este ID de modelo com o endpoint da Felo API Platform. Cabeçalhos opcionais como X-Request-Id ajudam a solucionar problemas.
lfm-3-1.7b:freeEste modelo tem capacidade de raciocínio. Se o protocolo selecionado e a rota do modelo expuserem controles de raciocínio, preserve os metadados de raciocínio retornados ao continuar a conversa.
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());Usar SDKs de terceiros
Em SDKs compatíveis, defina baseURL como https://openapi.felo.ai/api/v1. Para clientes no estilo Claude, use a base URL compatível com Anthropic. https://openapi.felo.ai/api.
Ative o streaming
Adicione stream: true para receber respostas como 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
A Felo API Platform expõe superfícies compatíveis de chamada de modelos. Escolha a superfície que seu app ou cliente de agente já suporta.
Messages
Mensagens compatíveis com Anthropic para clientes no estilo Claude.
POST
https://openapi.felo.ai/api/v1/messagesParâmetros
modelstringlfm-3-1.7b:freeID público do modelo a chamar.max_tokensinteger—Número máximo de tokens gerados.messagesarray—Mensagens da conversa para Chat Completions.seed———stop———min_p———toolsarray—Definições de tool calling seguindo o schema compatível.top_k———top_p———logprobs———reasoning———temperaturenumber—Controla a variedade das respostas quando compatível.tool_choicestring or object—Controla se uma ferramenta deve ser chamada.top_logprobs———response_formatobject—Solicita saída estruturada quando compatível.presence_penalty———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———max_completion_tokens———Perguntas frequentes
O que é LFM3-1.7B (free)?
O LFM3-1.7B é um modelo de linguagem de pesos abertos da Liquid AI, com cerca de 1,73 bilhão de parâmetros e 24 camadas. Ele utiliza uma nova arquitetura tri-híbrida que combina 13 camadas de convolução curta com gate, 5 camadas de atenção com janela deslizante e 6 camadas de atenção global. O modelo foi pré-treinado com 22 trilhões de tokens, incluindo um estágio de mid-training com traços de agente e chamadas de ferramentas curados, o que expandiu a janela de contexto para 256 mil tokens (entrada e saída combinadas). O modelo é compatível com chamadas de ferramentas e saídas estruturadas, e foi pós-treinado especificamente para ambientes de agentes como Hermes Agent, Pi e OpenClaw. Ele pode ser executado em Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX e ONNX Runtime, e está disponível nos formatos de quantização BF16, FP8, NVFP4, GGUF, MLX e ONNX. Em formato quantizado de 4 bits, o modelo usa cerca de 1 GB de memória, e cerca de 1,6 GB de cache em contexto de 128 mil tokens, em comparação com 4,3 GB do Qwen3.5-4B. Ele é indicado para agentes locais, chamadas de ferramentas, extração de JSON estruturado, respostas a partir de documentos recuperados, seleção de ferramentas em um aplicativo de celular com 108 ferramentas e aprendizado de novos idiomas. O modelo suporta 16 idiomas: inglês, árabe, chinês, francês, alemão, italiano, japonês, coreano, português, espanhol, vietnamita, tailandês, indonésio, híndi, russo e polonês. Não é recomendado para codificação agêntica ou raciocínio complexo de múltiplas etapas; para tarefas intensivas em conhecimento, recomenda-se recuperação ou RAG.
Como o uso é cobrado?
Sua conta depende do provedor que você usa, dos preços dele e do seu uso. Entradas mais longas ou outras condições podem ter preços diferentes.
Quais modalidades o LFM3-1.7B suporta?
O modelo aceita entrada de texto e produz saída de texto. É um modelo de linguagem apenas de texto.
Qual é o tamanho da janela de contexto?
O LFM3-1.7B oferece 256 mil tokens de contexto, considerando entrada e saída combinadas.
Para quais tarefas o modelo é mais indicado?
Ele é projetado para agentes locais e aplicações específicas de domínio, com suporte a chamadas de ferramentas, saídas estruturadas e extração de JSON. Também é útil para responder a partir de documentos recuperados e para seleção de ferramentas em aplicativos.
Quais idiomas são suportados?
O modelo suporta 16 idiomas, incluindo português, inglês, espanhol, francês, alemão, italiano, chinês, japonês, coreano, árabe, russo, híndi, vietnamita, tailandês, indonésio e polonês.
Quais são as limitações do LFM3-1.7B?
O modelo não é recomendado para codificação agêntica ou raciocínio complexo de múltiplas etapas. Para tarefas intensivas em conhecimento, recomenda-se o uso de recuperação ou RAG.
Em quais ambientes e formatos o modelo pode ser executado?
Ele roda em Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX e ONNX Runtime. Está disponível nos formatos de quantização BF16, FP8, NVFP4, GGUF, MLX e ONNX.