Felo API PlatformFelo API Platform
กลับไปที่โมเดล
LiquidAImessages

LFM3-1.7B (free) API

LFM3-1.7B คือโมเดลภาษาเปิดน้ำหนักขนาดเล็กจาก Liquid AI ที่เน้นการทำงานเป็นเอเจนต์ในเครื่องและการเรียกใช้เครื่องมือ รองรับ 16 ภาษา รวมถึงไทย

LFM3-1.7B เป็นโมเดลภาษาข้อความล้วนแบบเปิดน้ำหนักจาก Liquid AI มีขนาดประมาณ 1.73 พันล้านพารามิเตอร์ 24 เลเยอร์ และใช้สถาปัตยกรรม tri-hybrid ใหม่ที่ผสมเลเยอร์ gated short convolution 13 ชั้น เลเยอร์ sliding window attention 5 ชั้น และเลเยอร์ global attention 6 ชั้น มาพร้อมขนาดบริบท 256K โทเค็น (รวมอินพุตและเอาต์พุต) และรองรับ 16 ภาษา ได้แก่ อังกฤษ อาหรับ จีน ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น เกาหลี โปรตุเกส สเปน เวียดนาม ไทย อินโดนีเซีย ฮินดี รัสเซีย และโปแลนด์

โมเดลนี้ถูกออกแบบมาสำหรับเอเจนต์ในเครื่อง (local agents) และแอปพลิเคชันเฉพาะด้าน โดยรองรับการเรียกใช้เครื่องมือ (tool calling) และเอาต์พุตแบบมีโครงสร้าง (structured outputs) เหมาะกับงานอย่างการดึงข้อมูล JSON แบบมีโครงสร้าง การตอบคำถามจากเอกสารที่ดึงมา การเลือกเครื่องมือในแอปมือถือที่มีเครื่องมือ 108 รายการ การปรับแต่งเฉพาะโดเมน และการเรียนรู้ภาษาใหม่ นอกจากนี้ยังผ่านการฝึกหลังการฝึก (post-training) สำหรับ agent harness อย่าง Hermes Agent, Pi และ OpenClaw

จุดเด่นด้านประสิทธิภาพคือใช้หน่วยความจำประมาณ 1 GB ในรูปแบบ 4-bit quantized และใช้แคชประมาณ 1.6 GB ที่บริบท 128K โทเค็น เทียบกับ 4.3 GB ของ Qwen3.5-4B ให้ผลดีกว่า LFM2.5-2.6B แม้มีพารามิเตอร์น้อยกว่า 35% และทำงานเร็วขึ้นประมาณ 25% ที่บริบท 8K โทเค็น รวมถึงถอดรหัสเร็วขึ้น 1.8x ถึง 2.8x เมื่อเทียบกับโมเดลถัดไปในการทดสอบบนอุปกรณ์ 3 รูปแบบ อย่างไรก็ตาม โมเดลนี้ไม่แนะนำสำหรับงานเขียนโค้ดแบบเอเจนต์หรือการให้เหตุผลหลายขั้นตอนที่ซับซ้อน และแนะนำให้ใช้ retrieval หรือ RAG สำหรับงานที่ต้องใช้ความรู้-intensive

อัปเดต:

ID โมเดล

lfm-3-1.7b:free
บริบท
262.144K
เอาต์พุตสูงสุด
8.192K
API ที่แนะนำ
messages
อินพุต
text
เอาต์พุต
text

จุดเด่น

  • สถาปัตยกรรม tri-hybrid ใหม่
  • รองรับ 16 ภาษารวมถึงไทย
  • บริบท 256K โทเค็น
  • รองรับ tool calling
  • รองรับ structured outputs
  • ใช้หน่วยความจำราว 1 GB ใน 4-bit

ผู้ให้บริการ

1 ผู้ให้บริการ

เปรียบเทียบราคา API ระหว่างผู้ให้บริการ เลือกผู้ให้บริการเพื่อดูค่าใช้จ่ายและเงื่อนไขทั้งหมด

ผู้ให้บริการ · รายละเอียดราคา
อัตราความพร้อมใช้งาน
$0$0

เบนช์มาร์ก

  • LiveClaw

    คะแนน; LFM2.5-2.6B ได้ 14.70

    45.60
  • WebArena-Verified

    คะแนน; LFM2.5-2.6B ได้ 3.02; Qwen3.5-9B ได้ 28.94

    38.42
  • BFCL V4

    คะแนน; การใช้เครื่องมือ

    71.39
  • ToolSandbox

    คะแนน

    80.36
  • LiveCodeBench v6

    คะแนน

    73.46
  • SWE-bench Verified

    คะแนน

    43.40
  • IFEval

    คะแนน

    96.66
  • GPQA Diamond

    คะแนน

    63.37

คะแนนตามที่ผู้ให้บริการโมเดลเผยแพร่

การให้เหตุผล

เปิดใช้งานตลอด
ใช่

เริ่มต้นอย่างรวดเร็ว

โค้ดพร้อมใช้สำหรับเรียกโมเดลนี้ด้วย API ที่เข้ากันได้ของ Felo API Platform เริ่มใน Playground เมื่อคุณต้องการทดสอบพรอมต์ก่อนเขียนโค้ด

1

ตั้งค่าคีย์ API

สร้างคีย์จากบัญชี Felo API Platform ของคุณและตั้งเป็นตัวแปรสภาพแวดล้อม

export FELO_API_KEY="YOUR_API_KEY"
2

ส่งคำขอแรก

ใช้ ID โมเดลนี้กับ endpoint ของ Felo API Platform ส่วนหัวคำขอแบบไม่บังคับ เช่น X-Request-Id ช่วยในการแก้ไขปัญหา

lfm-3-1.7b:free

โมเดลนี้มีความสามารถในการให้เหตุผล หากโปรโตคอลและเส้นทางโมเดลที่คุณเลือกเปิดการควบคุมการให้เหตุผล ให้เก็บเมทาดาทาการให้เหตุผลที่ส่งคืนไว้เมื่อสนทนาต่อ

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());

การใช้ SDK ของบุคคลที่สาม

ใน SDK ที่เข้ากันได้ ให้ตั้ง baseURL เป็น https://openapi.felo.ai/api/v1. สำหรับไคลเอนต์สไตล์ Claude ให้ใช้ base URL ที่เข้ากันได้กับ Anthropic https://openapi.felo.ai/api.

3

เปิดใช้สตรีมมิ่ง

เพิ่ม stream: true เพื่อรับการตอบกลับเป็น 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 มีอินเทอร์เฟซสำหรับเรียกโมเดลที่เข้ากันได้ เลือกอินเทอร์เฟซที่แอปหรือไคลเอนต์เอเจนต์ของคุณรองรับอยู่แล้ว

อินเทอร์เฟซเมธอดURL

Messages

ข้อความที่เข้ากันได้กับ Anthropic สำหรับไคลเอนต์สไตล์ Claude

POST

https://openapi.felo.ai/api/v1/messages

พารามิเตอร์

ชื่อชนิดค่าเริ่มต้นคำอธิบาย
modelstringlfm-3-1.7b:freeID โมเดลสาธารณะที่ต้องการเรียก
max_tokensinteger—จำนวนโทเคนสูงสุดที่สร้าง
messagesarray—ข้อความสนทนาสำหรับ Chat Completions
seed———
stop———
min_p———
toolsarray—นิยาม tool calling ตามสคีมาที่เข้ากันได้
top_k———
top_p———
logprobs———
reasoning———
temperaturenumber—ควบคุมความหลากหลายของการตอบกลับเมื่อรองรับ
tool_choicestring or object—ควบคุมว่าควรเรียกเครื่องมือหรือไม่
top_logprobs———
response_formatobject—ขอเอาต์พุตแบบมีโครงสร้างเมื่อรองรับ
presence_penalty———
frequency_penalty———
include_reasoning———
repetition_penalty———
structured_outputs———
max_completion_tokens———

คำถามที่พบบ่อย

รู้จัก LFM3-1.7B (free)?

LFM3-1.7B เป็นโมเดลภาษาข้อความล้วนแบบเปิดน้ำหนักจาก Liquid AI มีขนาดประมาณ 1.73 พันล้านพารามิเตอร์ 24 เลเยอร์ และใช้สถาปัตยกรรม tri-hybrid ใหม่ที่ผสมเลเยอร์ gated short convolution 13 ชั้น เลเยอร์ sliding window attention 5 ชั้น และเลเยอร์ global attention 6 ชั้น มาพร้อมขนาดบริบท 256K โทเค็น (รวมอินพุตและเอาต์พุต) และรองรับ 16 ภาษา ได้แก่ อังกฤษ อาหรับ จีน ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น เกาหลี โปรตุเกส สเปน เวียดนาม ไทย อินโดนีเซีย ฮินดี รัสเซีย และโปแลนด์ โมเดลนี้ถูกออกแบบมาสำหรับเอเจนต์ในเครื่อง (local agents) และแอปพลิเคชันเฉพาะด้าน โดยรองรับการเรียกใช้เครื่องมือ (tool calling) และเอาต์พุตแบบมีโครงสร้าง (structured outputs) เหมาะกับงานอย่างการดึงข้อมูล JSON แบบมีโครงสร้าง การตอบคำถามจากเอกสารที่ดึงมา การเลือกเครื่องมือในแอปมือถือที่มีเครื่องมือ 108 รายการ การปรับแต่งเฉพาะโดเมน และการเรียนรู้ภาษาใหม่ นอกจากนี้ยังผ่านการฝึกหลังการฝึก (post-training) สำหรับ agent harness อย่าง Hermes Agent, Pi และ OpenClaw จุดเด่นด้านประสิทธิภาพคือใช้หน่วยความจำประมาณ 1 GB ในรูปแบบ 4-bit quantized และใช้แคชประมาณ 1.6 GB ที่บริบท 128K โทเค็น เทียบกับ 4.3 GB ของ Qwen3.5-4B ให้ผลดีกว่า LFM2.5-2.6B แม้มีพารามิเตอร์น้อยกว่า 35% และทำงานเร็วขึ้นประมาณ 25% ที่บริบท 8K โทเค็น รวมถึงถอดรหัสเร็วขึ้น 1.8x ถึง 2.8x เมื่อเทียบกับโมเดลถัดไปในการทดสอบบนอุปกรณ์ 3 รูปแบบ อย่างไรก็ตาม โมเดลนี้ไม่แนะนำสำหรับงานเขียนโค้ดแบบเอเจนต์หรือการให้เหตุผลหลายขั้นตอนที่ซับซ้อน และแนะนำให้ใช้ retrieval หรือ RAG สำหรับงานที่ต้องใช้ความรู้-intensive

การใช้งานถูกเรียกเก็บเงินอย่างไร

ค่าใช้จ่ายขึ้นอยู่กับผู้ให้บริการที่คุณใช้ ราคาของผู้ให้บริการนั้น และปริมาณการใช้งาน อินพุตที่ยาวขึ้นหรือเงื่อนไขอื่นอาจมีราคาแตกต่างกัน

LFM3-1.7B รองรับภาษาอะไรบ้าง

รองรับ 16 ภาษา ได้แก่ อังกฤษ อาหรับ จีน ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น เกาหลี โปรตุเกส สเปน เวียดนาม ไทย อินโดนีเซีย ฮินดี รัสเซีย และโปแลนด์

โมเดลนี้มีความยาวบริบทเท่าไร

รองรับบริบท 256K โทเค็น โดยนับรวมทั้งอินพุตและเอาต์พุต

LFM3-1.7B เหมาะกับงานประเภทใด

เหมาะกับเอเจนต์ในเครื่อง การเรียกใช้เครื่องมือ เอาต์พุตแบบมีโครงสร้าง การสกัด JSON การตอบคำถามจากเอกสารที่ดึงมา และการปรับแต่งเฉพาะโดเมน

สามารถรัน LFM3-1.7B บนแพลตฟอร์มใดได้บ้าง

รันได้บน Transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX และ ONNX Runtime และมีให้เลือกในรูปแบบ BF16, FP8, NVFP4, GGUF, MLX และ ONNX

LFM3-1.7B ต่างจาก LFM2.5-2.6B อย่างไร

LFM3-1.7B มีพารามิเตอร์น้อยกว่า 35% แต่ให้ผลดีกว่า และทำงานเร็วขึ้นประมาณ 25% ที่บริบท 8K โทเค็น

โมเดลที่เกี่ยวข้อง