LFM3-1.7B API
LFM3-1.7B от Liquid AI — компактная текстовая модель с 1,73 млрд параметров, контекстом 256K токенов и встроенной поддержкой структурированного вызова инструментов, рассчитанная на локальный запуск и дообучение.
LFM3-1.7B — модель от Liquid AI, выпущенная 27 октября 2026 года. Она принимает и выдаёт только текст, а её контекстное окно в 256K токенов покрывает и вход, и выход. Модель построена на три-гибридной архитектуре из 24 слоёв: 13 стробированных коротких свёрток, 5 слоёв скользящего внимания и 6 слоёв глобального внимания. Словарь на 128 000 токенов охватывает 16 языков, а обучение прошло на 22 триллионах токенов — соотношение токенов к параметрам около 12 717 раз. При 4-битном квантовании модель занимает примерно 1 ГБ памяти и работает локально на телефонах и ноутбуках без выделенного GPU.
Модель хорошо подходит для локальных агентов, вызова инструментов со структурированными выходами и дообучения под конкретную предметную область — её можно быстро дообучить на одном GPU. Встроенный механизм отложенного поиска инструментов помогает работать с большими каталогами. Среди типовых задач — ответы на вопросы с опорой на поиск или извлечение данных, классификация клиентских запросов, извлечение информации из документов и маршрутизация обращений, а также специализированные ассистенты, дообученные на документах и форматах компании. Модель прошла пост-тренировку под агентные обвязки, включая Hermes Agent, Pi и OpenClaw; рассуждение включено по умолчанию, а параметр enable_thinking можно выставить в False для прямых ответов.
LFM3-1.7B превосходит предыдущую модель LFM2.5 с 2,6 млрд параметров, используя на 35% меньше параметров. В агентных оценках она расходовала на 58% меньше токенов на задачу и застревала менее чем в 1% попыток против 15% у конкурирующей модели. При этом модель явно не рекомендуется для агентного программирования и сложных многошаговых рассуждений, а объём её мировых знаний уступает крупным системам — для вопросов, требующих знаний, её стоит сочетать с поиском или извлечением. Модель поставляется в шести форматах, включая GGUF, MLX, ONNX, BF16, FP8 и NVFP4, и распространяется по собственной лицензии LFM Open License v1.0.
Обновлено:
MODEL ID
lfm-3-1.7b- Контекст
- 262.144K
- Макс. вывод
- 8.192K
- Рекомендуемый API
- messages
- Вход
- text
- Выход
- text
Ключевые возможности
- 1,73 млрд параметров, около 1 ГБ при 4-битном квантовании
- Контекст 256K токенов на вход и выход
- Три-гибридная архитектура из 24 слоёв
- Словарь128 000 токенов на 16 языках
- Обучение на 22 трлн токенов
- Шесть форматов, включая GGUF, MLX и ONNX
Поставщики
Сравните цены API у разных поставщиков. Выберите поставщика, чтобы посмотреть все тарифы и условия.
| Доступность | ||||
|---|---|---|---|---|
| $0.08 | $0.2 | $0.02 |
Историческая статистика не является проверкой в реальном времени. Отсутствие данных не означает сбой.
Сколько дают $10
- Вход
- 125 млн токенов
- Выход
- 50 млн токенов
Оценка по текущим ценам входа и выхода, без учёта скидок.
Рассуждения
- Всегда включены
- Да
Quick Start
Готовый код для вызова этой модели через compatible APIs Felo API Platform. Используйте Playground, чтобы проверить prompts до написания кода.
Добавьте API key
Создайте key в аккаунте Felo API Platform и задайте его как environment variable.
export FELO_API_KEY="YOUR_API_KEY"Первый запрос
Используйте этот model ID с endpoint Felo API Platform. Дополнительные request headers, например X-Request-Id, помогают troubleshooting.
lfm-3-1.7bЭта модель поддерживает reasoning. Если выбранный protocol и model route дают reasoning controls, сохраняйте returned reasoning metadata при продолжении conversation.
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());Сторонние SDK
В compatible SDK установите baseURL на https://openapi.felo.ai/api/v1. Для Claude-style clients используйте Anthropic-compatible base URL. https://openapi.felo.ai/api.
Включить streaming
Добавьте stream: true, чтобы получать responses как 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 предоставляет compatible model-calling surfaces. Выберите surface, который уже поддерживает ваше app или agent client.
Messages
Anthropic-compatible messages for Claude-style clients.
POST
https://openapi.felo.ai/api/v1/messagesParameters
modelstringlfm-3-1.7bПубличный model ID для вызова.max_tokensinteger—Максимальное число generated tokens.messagesarray—Сообщения conversation для Chat Completions.seed———stop———min_p———toolsarray—Tool calling definitions по compatible schema.top_k———top_p———logprobs———reasoning———temperaturenumber—Управляет вариативностью ответа, если поддерживается.tool_choicestring or object—Управляет тем, нужно ли вызвать tool.top_logprobs———response_formatobject—Запрашивает structured output, если поддерживается.presence_penalty———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———max_completion_tokens———Частые вопросы
О модели LFM3-1.7B?
LFM3-1.7B — модель от Liquid AI, выпущенная 27 октября 2026 года. Она принимает и выдаёт только текст, а её контекстное окно в 256K токенов покрывает и вход, и выход. Модель построена на три-гибридной архитектуре из 24 слоёв: 13 стробированных коротких свёрток, 5 слоёв скользящего внимания и 6 слоёв глобального внимания. Словарь на 128 000 токенов охватывает 16 языков, а обучение прошло на 22 триллионах токенов — соотношение токенов к параметрам около 12 717 раз. При 4-битном квантовании модель занимает примерно 1 ГБ памяти и работает локально на телефонах и ноутбуках без выделенного GPU. Модель хорошо подходит для локальных агентов, вызова инструментов со структурированными выходами и дообучения под конкретную предметную область — её можно быстро дообучить на одном GPU. Встроенный механизм отложенного поиска инструментов помогает работать с большими каталогами. Среди типовых задач — ответы на вопросы с опорой на поиск или извлечение данных, классификация клиентских запросов, извлечение информации из документов и маршрутизация обращений, а также специализированные ассистенты, дообученные на документах и форматах компании. Модель прошла пост-тренировку под агентные обвязки, включая Hermes Agent, Pi и OpenClaw; рассуждение включено по умолчанию, а параметр enable_thinking можно выставить в False для прямых ответов. LFM3-1.7B превосходит предыдущую модель LFM2.5 с 2,6 млрд параметров, используя на 35% меньше параметров. В агентных оценках она расходовала на 58% меньше токенов на задачу и застревала менее чем в 1% попыток против 15% у конкурирующей модели. При этом модель явно не рекомендуется для агентного программирования и сложных многошаговых рассуждений, а объём её мировых знаний уступает крупным системам — для вопросов, требующих знаний, её стоит сочетать с поиском или извлечением. Модель поставляется в шести форматах, включая GGUF, MLX, ONNX, BF16, FP8 и NVFP4, и распространяется по собственной лицензии LFM Open License v1.0.
Как рассчитывается стоимость?
Стоимость зависит от выбранного поставщика, его цен и вашего использования. Для длинных запросов могут действовать другие цены — смотрите подробности.
Какие типы входных и выходных данных поддерживает модель?
Модель работает только с текстом: текстовый ввод и текстовый вывод. Другие модальности для неё не заявлены.
Какое контекстное окно у LFM3-1.7B?
Контекстное окно составляет 256K токенов и покрывает как вход, так и выход. Для модели такого размера это необычно большой показатель.
Для каких задач модель не рекомендуется?
Liquid AI явно не рекомендует её для агентного программирования и сложных многошаговых рассуждений, включая автономных агентов разработки ПО и длинные цепочки логического вывода.
Как включить или отключить рассуждение?
Рассуждение включено по умолчанию. Чтобы получить прямые ответы, параметр enable_thinking можно выставить в False. Рассуждения из прошлых ходов удаляются, если не задан preserve_thinking со значением True.
Можно ли запустить модель локально?
Да, модель работает локально на телефонах и ноутбуках без выделенного GPU. При 4-битном квантовании она занимает примерно 1 ГБ памяти, а дообучить её можно быстро на одном GPU.
В каких форматах доступна модель?
Поставляется шесть форматов: GGUF, MLX, ONNX, BF16, FP8 и NVFP4. Сборка Q4_0 в репозитории GGUF является контрольной точкой Quantization-Aware Distillation.