LFM3-1.7B API
Доступна через 2 маршрута — цены и ID в таблице ниже
LFM3-1.7B от LiquidAI через один OpenAI-совместимый API Nodul Router: ключ с лимитами, журнал запросов, оплата в рублях.
- Контекст
- 262 144
- Макс. ответ
- 8 192
- Выпущена
- 06.11.2026
Цены за 1 млн токенов, ₽Цены за 1 млн токенов, PnP
| Регион | Попробовать | Вход | Выход | Чтение кэша | ID модели в запросах |
|---|---|---|---|---|---|
| Глобальный · global-1 | Попробовать | 8,80 ₽0,09 PnP | 22,00 ₽0,22 PnP | 2,20 ₽0,03 PnP | global-1/liquid/lfm-3-1.7b |
| Глобальный · global-1 | Попробовать | 0,00 ₽0,00 PnP | 0,00 ₽0,00 PnP | — | global-1/liquid/lfm-3-1.7b:free |
Цены розничные, без НДС (5 %). Для компаний — персональные цены по договору: чем больше объем, тем ниже цена.Узнать свою цену
Цены со скидкой по ссылке партнера, без НДС (5 %). Зарегистрироваться
Цены со скидкой вашей компании, без НДС (5 %).Ваши условия
Быстрый старт
Маршрут
curl https://router.nodul.ru/api/v1/chat/completions \ -H "Authorization: Bearer $NODUL_ROUTER_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "global-1/liquid/lfm-3-1.7b", "messages": [{"role":"user","content":"Hello!"}] }'
import os from openai import OpenAI client = OpenAI( base_url="https://router.nodul.ru/api/v1", api_key=os.environ["NODUL_ROUTER_API_KEY"], ) response = client.chat.completions.create( model="global-1/liquid/lfm-3-1.7b", messages=[{"role": "user", "content": "Hello!"}], ) print(response.choices[0].message.content) print("cost, PnP:", response.usage.model_extra.get("cost"))
import OpenAI from "openai"; const client = new OpenAI({ baseURL: "https://router.nodul.ru/api/v1", apiKey: process.env.NODUL_ROUTER_API_KEY, }); const response = await client.chat.completions.create({ model: "global-1/liquid/lfm-3-1.7b", messages: [{ role: "user", content: "Hello!" }], }); console.log(response.choices[0].message.content); console.log("cost, PnP:", response.usage?.cost);
package main import ( "bytes" "encoding/json" "fmt" "net/http" "os" ) func main() { body := []byte(`{"model":"global-1/liquid/lfm-3-1.7b","messages":[{"role":"user","content":"Hello!"}]}`) req, _ := http.NewRequest("POST", "https://router.nodul.ru/api/v1/chat/completions", bytes.NewReader(body)) req.Header.Set("Authorization", "Bearer "+os.Getenv("NODUL_ROUTER_API_KEY")) req.Header.Set("Content-Type", "application/json") resp, err := http.DefaultClient.Do(req) if err != nil { panic(err) } defer resp.Body.Close() if resp.StatusCode != http.StatusOK { var e struct{ Error struct{ Message string } } _ = json.NewDecoder(resp.Body).Decode(&e) fmt.Fprintln(os.Stderr, resp.Status, e.Error.Message) os.Exit(1) } var out struct { Choices []struct{ Message struct{ Content string } } Usage struct{ Cost json.Number } } if err := json.NewDecoder(resp.Body).Decode(&out); err != nil { panic(err) } fmt.Println(out.Choices[0].Message.Content) fmt.Println("cost, PnP:", out.Usage.Cost) }
<?php $body = '{"model":"global-1/liquid/lfm-3-1.7b","messages":[{"role":"user","content":"Hello!"}]}'; $ch = curl_init('https://router.nodul.ru/api/v1/chat/completions'); curl_setopt_array($ch, [ CURLOPT_POST => true, CURLOPT_HTTPHEADER => [ 'Authorization: Bearer ' . getenv('NODUL_ROUTER_API_KEY'), 'Content-Type: application/json', ], CURLOPT_POSTFIELDS => $body, CURLOPT_RETURNTRANSFER => true, ]); $response = json_decode(curl_exec($ch), true); if (curl_getinfo($ch, CURLINFO_HTTP_CODE) !== 200) { fwrite(STDERR, $response['error']['message'] ?? 'request failed'); exit(1); } echo $response['choices'][0]['message']['content'], PHP_EOL; echo 'cost, PnP: ', $response['usage']['cost'], PHP_EOL;
Описание
LFM3-1.7B от Liquid AI — компактная открытая модель рассуждений на 1,73 млрд параметров с гибридной архитектурой. Обучена для агентов с инструментами и строгого следования инструкциям; по данным разработчика, в агентных тестах догоняет модели в несколько раз крупнее.
Для чего подходит LFM3-1.7B
Liquid AI делает ставку на локальных агентов: модель дообучали в агентных оболочках Hermes Agent, Pi и OpenClaw. Подходящие задачи: вызов функций с правильными аргументами, извлечение структурированных данных из неряшливого текста, ответы строго по предоставленным документам (в том числе с отказом, когда ответа в них нет), фоновая работа агентов, которым нужна дешевая и быстрая модель. Ее же удобно дообучать под свой домен: разработчик публикует готовые рецепты для TRL.
Модель принимает только текст. Через Router доступны вызов инструментов, структурированный вывод и рассуждения; режим рассуждений включен по умолчанию, и разработчик предупреждает, что отключение работает нестабильно, особенно на задачах, требующих размышлений.
Не стоит брать ее для сложного агентного программирования, многошаговых рассуждений и задач на широкую эрудицию. Сам разработчик не рекомендует ее для этого из-за малого размера и советует подключать поиск или извлечение данных.
Сильные стороны
- Агентные тесты. По данным разработчика, на LiveClaw, WebArena-Verified и AutomationBench она опережает все модели из сравнения, включая Qwen3.5 9B.
- Вызов функций. BFCL V4 и ToolSandbox у нее выше, чем у Qwen3.5 9B.
- Инструкции. IFEval, IFBench, IFStruct и Multi-IF лучшие в таблице разработчика.
- Честность на вопросах без ответа. По AA-Omniscience она единственная в сравнении с неотрицательным индексом, а доля ответов без выдумок самая высокая (92,93 из 100): модель чаще признает, что не знает.
- Скорость и размер. В 4-битном виде занимает около 1 ГБ памяти. По замерам разработчика на Ryzen AI Max+ 395, Apple M5 Max и iPhone 17 Pro она заполняет контекст как минимум в 2,5 раза и генерирует как минимум в 1,8 раза быстрее сравниваемых моделей.
- Открытые веса. Есть сборки BF16, FP8, NVFP4, GGUF, MLX и ONNX под vLLM, SGLang, llama.cpp, Ollama и LM Studio.
- Языки. В списке поддерживаемых есть русский, английский, китайский, немецкий, французский, испанский и другие.
Ограничения и спорные моменты
- Знания. GPQA Diamond: 63,37 против 80,40 у Qwen3.5 9B; Humanity's Last Exam без инструментов всего 7,17. Точность ответов на AA-Omniscience невысока (7,07): высокий итоговый индекс достигается в основном за счет воздержания от ответа.
- Код. На SWE-bench Verified в оболочке OpenCode 43,4 против 51,2 у Qwen3.5 9B, на Terminal-Bench 2.1 12,92 против 17,98.
- Длинный контекст. На RULER 128K она получила 65,56 против 87,11 у Qwen3.5 9B, на AA-LCR 52,83 против 62,00. Заявленное окно большое, но извлечение фактов из его глубины заметно слабее.
- Реальные инструменты. На MCP-Atlas у нее 32,57 против 42,67 у Qwen3.5 9B.
- Все числа от разработчика. Сравнение выполнено Liquid AI на своей инфраструктуре; независимого подтверждения мы не нашли.
- Русский. Он входит в список языков, но отдельных русскоязычных замеров в изученных источниках нет.
- Данные. В описании модели в каталоге есть оговорка, что запросы и ответы могут сохраняться; условия проверьте до отправки чувствительных данных.
Бенчмарки
Все результаты опубликованы Liquid AI в карточке модели. Сравнение с Qwen3.5 9B, Qwen3.5 4B, Gemma 4 E4B, MiniCPM5 2B и LFM2.5-2.6B, запуск через vLLM в BF16.
| Тест | Результат | Источник | Дата |
|---|---|---|---|
| LiveClaw (агентные задачи) | 45,60 против 35,77 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| WebArena-Verified (веб-агенты) | 38,42 против 28,94 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| AutomationBench (автоматизация задач) | 41,29 против 15,10 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| BFCL V4 (вызов функций) | 71,39 против 62,83 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| MCP-Atlas (инструменты MCP) | 32,57 против 42,67 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| IFEval (инструкции) | 96,66 против 92,08 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| IFBench (инструкции) | 73,03 против 48,84 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| SWE-bench Verified (OpenCode) | 43,40 против 51,20 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| LiveCodeBench v6 (код) | 73,46 против 69,86 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| GPQA Diamond (научные вопросы) | 63,37 против 80,40 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
| RULER 128K (длинный контекст) | 65,56 против 87,11 у Qwen3.5 9B | по данным разработчика, Liquid AI | октябрь 2026 |
Альтернативы в каталоге
- Qwen3.5 9B — когда важны код, научные вопросы, длинный контекст и изображения или видео на входе.
- LFM2.5-2.6B — предыдущее поколение Liquid, немного крупнее.
- Ministral 3B — такая же компактная, но без рассуждений, с изображениями на входе и структурированным выводом.
- GigaChat 3 10B A1.8B — когда данные должны обрабатываться в российском регионе; вызов инструментов и структурированный вывод.
Частые вопросы
Подойдет ли LFM3-1.7B для агента с вызовом функций?
Да, это ее основная задача: по данным разработчика, на BFCL V4 она впереди Qwen3.5 9B, а обучение шло в реальных агентных оболочках. Для длинных сессий с кодом и сложным планированием лучше взять модель крупнее.
Понимает ли она изображения?
Нет, на вход принимается только текст. Для изображений выберите Qwen3.5 или Ministral.
Можно ли отключить рассуждения?
В каталоге у модели есть режим рассуждений. Разработчик пишет, что флаг отключения есть, но работает непоследовательно, особенно на задачах, где нужны размышления, поэтому для простых запросов проверяйте результат.
Можно ли запустить ее у себя?
Да. Веса открыты на Hugging Face под лицензией LFM Open License v1.0, в 4-битной сборке модель занимает около 1 ГБ памяти. Условия лицензии прочитайте перед коммерческим применением.
Хватит ли ее для вопросов по базе знаний?
Для ответов по предоставленным документам да, при условии что вы подаете их в запросе или через поиск. Собственных знаний у модели мало, зато, судя по AA-Omniscience, в сравнении разработчика она реже других выдумывает ответ.
Источники
Все параметры API · 19
frequency_penaltyinclude_reasoninglogprobsmax_completion_tokensmax_tokensmin_ppresence_penaltyreasoningrepetition_penaltyresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_ktop_logprobstop_p

