LFM2.5-2.6B — компактная reasoning-модель для RAG и инструментов

Контекст: 128 000токенов
Результат: Текстформат ответа
Стоимость: Тариф уточняетсяусловия — в блоке подключения

ПОДКЛЮЧЕНИЕ

От модели к первому запросу

Используйте идентификатор модели в совместимом API-клиенте. Полные параметры, ключи и ответы с ошибками описаны в документации.

const response = await client.chat.completions.create({
  model: "liquid/lfm-2.5-2.6b",
  messages: [{ role: "user", content: "Ваш запрос" }],
});

Открыть инструкцию по подключению →

ПОДРОБНЫЙ ОБЗОР

Возможности модели

Размер модели — 2,6 млрд параметров. Веса доступны в официальном репозитории под лицензией lfm1.0; это не Apache 2.0.

Маршрут OpenRouter: контекст 128 000 токенов, предел ответа 8 192 токена; вход и выход — текст.

Reasoning обязателен. В снимке перечислены tools, tool_choice и structured_outputs; значения reasoning effort не указаны.

Извлечение данных с проверяемым результатом

Начните с небольшого набора документов, где нужные поля известны заранее. Попросите вернуть только согласованную структуру и отдельно обозначить отсутствующие сведения. Валидируйте типы, допустимые значения и связь с исходным фрагментом до записи в рабочую базу. Для русского текста включите сокращения, неоднозначные даты и разные способы записи чисел. Наличие русского языка в списке модели не заменяет приёмку на ваших документах. Ошибочный ответ не следует исправлять догадкой ради заполнения обязательного поля.

RAG вместо неподтверждённых знаний

Передавайте релевантные фрагменты и просите отделить сведения из источников от предположений. Для вопроса, на который в материалах нет ответа, предусмотрите явное уточнение или отказ от вывода. Проверьте цитаты и актуальность документов. Большой контекст не означает, что нужно отправить всю базу знаний: отбор источников остаётся самостоятельным этапом. Ограничение в 8 192 токена на ответ полезно учитывать заранее, особенно при длинных таблицах и обязательном reasoning.

Инструменты и обязательное рассуждение

Официальная карточка описывает модель как всегда рассуждающую перед ответом, а маршрут помечен mandatory reasoning. Не придумывайте режим none или уровни effort, которых нет в снимке. При работе с инструментами проверяйте имя функции и аргументы на стороне приложения. Отдельно ограничивайте количество шагов и повторов. Для действия с внешним эффектом сохраните идентификатор операции и проверьте фактический результат, прежде чем сообщить пользователю об успехе. Текст модели не является квитанцией выполненного изменения.

Локальный запуск и условия обработки данных

Семейство ориентировано на размещение на устройстве, но фактическая память и скорость зависят от формата весов, движка и контекста. Не переносите опубликованные замеры разработчика на свой компьютер или API-маршрут. OpenRouter отдельно предупреждает о возможном сохранении запросов и ответов для обучения Liquid. До отправки закрытых материалов проверьте условия выбранного обслуживания и принятые правила данных. Локальное развёртывание и удалённый API требуют разных проверок; собственные испытания оборудования и платные вызовы здесь не выполнялись.

Вопросы и ответы

Подойдёт ли модель для автономного исправления большого проекта?

Разработчик не рекомендует её для agentic coding. Для такого сценария сравните специализированные модели на контрольном репозитории и проверяйте реальные тесты.

Можно ли отключить reasoning?

Нет подтверждённого режима отключения: модель описана как всегда рассуждающая, а маршрут помечен mandatory. Не переносите настройки другой модели.

Можно ли передавать изображение?

В этой записи указан только текст. Наличие других мультимодальных моделей Liquid не меняет контракт LFM2.5-2.6B.

Гарантирует ли небольшой размер низкую задержку?

Нет. Скорость зависит от оборудования, нагрузки, длины входа и обслуживания. В этой карточке собственных измерений нет.

Сравните с другими моделями

LFM2.5-24B-A2B