Перейти к содержимому
RouterNodul

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.

ГлобальныйИнструментыРассужденияБез хранения данных (ZDR)
Контекст
262 144
Макс. ответ
8 192
Выпущена
06.11.2026

Цены за 1 млн токенов, ₽Цены за 1 млн токенов, PnP

РегионПопробоватьВходВыходЧтение кэшаID модели в запросах
Глобальный · global-1Попробовать8,80 ₽0,09 PnP22,00 ₽0,22 PnP2,20 ₽0,03 PnPglobal-1/liquid/lfm-3-1.7b
Глобальный · global-1Попробовать0,00 ₽0,00 PnP0,00 ₽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

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!"}]
  }'

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.

ТестРезультатИсточникДата
LiveClaw (агентные задачи)45,60 против 35,77 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
WebArena-Verified (веб-агенты)38,42 против 28,94 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
AutomationBench (автоматизация задач)41,29 против 15,10 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
BFCL V4 (вызов функций)71,39 против 62,83 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
MCP-Atlas (инструменты MCP)32,57 против 42,67 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
IFEval (инструкции)96,66 против 92,08 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
IFBench (инструкции)73,03 против 48,84 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
SWE-bench Verified (OpenCode)43,40 против 51,20 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
LiveCodeBench v6 (код)73,46 против 69,86 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
GPQA Diamond (научные вопросы)63,37 против 80,40 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 2026
RULER 128K (длинный контекст)65,56 против 87,11 у Qwen3.5 9Bпо данным разработчика, Liquid AIоктябрь 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_penalty
  • include_reasoning
  • logprobs
  • max_completion_tokens
  • max_tokens
  • min_p
  • presence_penalty
  • reasoning
  • repetition_penalty
  • response_format
  • seed
  • stop
  • structured_outputs
  • temperature
  • tool_choice
  • tools
  • top_k
  • top_logprobs
  • top_p

Все модели LiquidAI