Ongesensureerde Laguna API
Laguna S 2.1 — 'n Mixture-of-Experts-grondslag van 118B wat met geen weieringslaag, 'n konteksvenster van 262K en gereedskaproeping bedien word — teen die vloerprys van $0.50 in / $2.00 uit per miljoen tekens.
Kortliks
Die ongesensureerde Laguna API loop Poolside se Laguna S 2.1 — 118B totale parameters, sowat 8B aktief per teken, oop gewigte onder OpenMDW-1.1 — gekwantiseer na W4A16 met AutoRound en REAP en bedien op ons eie GPU-tros. Jy kry 'n konteks van 262,144 tekens, 16,384 uitvoertekens per versoek, stroming, gereedskaproeping, reasoning_effort, en geen uitvoerfiltrering nie. Een voorbehoud, vooraf gestel: dit is die enigste model in ons reeks wat nie json_schema of response_format ondersteun nie. As jy gewaarborgde JSON nodig het, neem 'n sibbe — MiMo-V2.5 se Pro-bou doen dit teen dieselfde prys.
Die meeste "goedkoop model"-bladsye vra jou om 'n klein, moeë grondslag te aanvaar in ruil vir 'n lae syfer. Hierdie een nie. Laguna S 2.1 is 'n yl Mixture-of-Experts-vrystelling van die huidige geslag, op 4,096 H200's afgerig en in minder as nege weke gestuur, en dit sit teen dieselfde vloer van $0.50 / $2.00 as elke ander toetreevlakmodel wat ons bedien. Die afruiling is smal en maklik om oor te redeneer: jy gee bediener-afgedwingde gestruktureerde uitvoer prys en behou alles anders.
01Wat is Laguna S 2.1?
Laguna S 2.1 is 'n model met oop gewigte wat op 21 Julie 2026 deur Poolside onder die toegeeflike OpenMDW-1.1-lisensie vrygestel is — die middelgroot lid van die Laguna-familie, tussen Laguna XS 2.1 (33B/3B aktief) en Laguna M.1 (225B/23B aktief).
Die gepubliseerde argitektuur is 'n tekenkeuse-router met softplus-hekking oor 256 gerouteerde eksperts plus een gedeelde ekspert, tien per teken gekies, oor 48 lae — twaalf met globale aandag, ses-en-dertig met 'n glyvenster van 512 tekens, 'n afwisseling wat die aandagkoste van baie lang insette naby lineêr hou in plaas van kwadraties. Aandag is groepnavraag met 8 sleutel-waarde-koppe teen kopdimensie 128.
Twee gevolge maak vir 'n API-verbruiker saak. Die yl aktivering is waarom 'n model van 118B teen die vloerprys kan sit — slegs sowat 8B parameters werk per teken, sodat rekenkrag per teken nader aan 'n klein digte model is as wat die parametertelling suggereer. En die glyvenster-afwisseling is waarom die lang venster werklik bruikbaar is eerder as nominaal. Poolside se vrystelling ondersteun 1,048,576 tekens; ons bedien 262,144, wat by elke ander model op die poort pas.
02Die een voorbehoud: geen gestruktureerde uitvoer nie
Laguna S 2.1 op Shannon AI aanvaar nie json_schema of response_format nie. Dit is die enigste model in ons reeks van twaalf sonder ondersteuning vir gestruktureerde uitvoer; om enige van die twee parameters te stuur sal jou nie 'n skemabeperkte antwoord besorg nie. Gereedskaproeping werk. Stroming werk. Redenering werk. Slegs bediener-afgedwingde uitvoervorming ontbreek.
Wat wel steeds werk. Gereedskaproeping word ten volle ondersteun, en gereedskaproepargumente kom steeds as 'n JSON-objek aan presies soos op enige ander model hier. As jou toepassing se "gestruktureerde uitvoer" eintlik gereedskapargumente is — waar vir die meeste agentraamwerke, MCP-bedieners en databasis-voorpunte — bedien Laguna S 2.1 jou goed. Stroming werk op al drie dialekte; reasoning_effort werk.
Wat nie werk nie. Jy kan nie die eindpunt 'n JSON-skema gee en gewaarborg wees dat die assistent se teksantwoord daarteen valideer nie, en response_format: {"type": "json_object"} koop jou niks. Om vir JSON te vra lewer gewoonlik JSON op — dit is 'n bekwame model — maar "gewoonlik" is nie 'n kontrak nie. Poolside self dokumenteer verkeerde JSON-ontsnapping in diep geneste gereedskaproepe as 'n bekende beperking, 'n herinnering dat die waarborg, waar dit elders in ons reeks bestaan, van die bedieningslaag kom eerder as van die model se goeie bedoelings.
Watter sibbe om eerder te gebruik
As jou werklading gewaarborgde JSON nodig het, moenie met hierdie model baklei nie — ruil die model-ID. Vier sibbes sit teen dieselfde prys van $0.50 / $2.00 met volle ondersteuning vir json_schema en response_format:
| Model-ID | json_schema | Visie | Waarom jy dit sou kies |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Ja | Nee | Die direkte ruil — 8-bis-gewigte, vlak met die hoogste getrouheid, dieselfde prys |
| MiMo-V2.5-W8A16 | Ja | Ja | Dieselfde, plus beeldinset |
| Hy3-W8A16 | Ja | Nee | Nog 'n 8-bis-teksmodel teen die vloerprys |
| DeepSeek-V4-Flash-0731 | Ja | Nee | W4A16-AutoRound-REAP soos Laguna, skema-ondersteuning ongeskonde |
Die natuurlike verstek is MiMo-V2.5-Pro (W8A16): slegs teks, teen vloerprys, gekwantiseer teen die sagste vlak wat ons loop — besonderhede op die MiMo-V2.5-modelkaart. Omdat al twaalf modelle eindpunte, konteksvenster en uitvoerplafon deel, is oorskakeling 'n verandering van een reël aan die model-veld.
03Wat beteken W4A16-AUTOROUND-REAP?
Die agtervoegsel op die model-ID is nie versiering nie — dit sê presies hoe die gewigte gekomprimeer is voordat hulle op ons GPU-tros gelaai is. Drie dele.
W4A16 — 4-bis-gewigte, 16-bis-aktiverings
Gewigte word teen 4 bisse gestoor; aktiverings — die waardes wat tydens afleiding tussen lae vloei — bly op 16. Om gewigte tot 'n kwart van hulle BF16-voetspoor te sny is wat 'n model van 118B laat pas en vinnig laat bly, terwyl om aktiverings wyd te hou die numeries sensitiewe deel van die voorwaartse deurgang beskerm. Komprimeer wat groot en staties is, laat wat klein en dinamies is met rus.
AutoRound — aangeleerde afronding, nie naaste afronding nie
Die naïewe manier om te kwantiseer is afronding-na-naaste: klap elke gewig na die naaste 4-bis-waarde, aanvaar die fout. AutoRound, Intel se oop gereedskapstel vir kwantisering ná afrigting, doen beter — sy SignRound-metode gebruik getekende gradiëntafdaling om afrondingsbesluite en afknipreekse oor 'n paar honderd stappe gesamentlik te optimeer, en besluit per gewig of om op of af te rond minder skade aan die laag se werklike uitvoer doen. Dit leen die idee by kwantiseringsbewuste afrigting sonder die koste van herafrigting, en dit is waarom 'n W4A16-bou 'n ernstige model kan wees eerder as 'n verliesgewende kuriositeit.
REAP — eksperts snoei in plaas van saamsmelt
REAP is Router-weighted Expert Activation Pruning, deur Cerebras Research gepubliseer. In 'n MoE-model trek nie alle eksperts hulle gewig nie: die router stuur min tekens na sommige, en sommige dra min grootte by wanneer hulle wel vuur. REAP punt elke ekspert op albei seine — routerhekwaardes en ekspertaktiveringsnorme — en verwyder dié met lae opvallendheid in een skoot, voor kwantisering. Van deurslaggewende belang: dit snoei eerder as smelt saam: saamsmelting vou verskeie eksperts in een, wat die router se fynkorrelige, insetafhanklike beheer vernietig en 'n foutvloer inbring wat geen verstelling verwyder nie (die outeurs noem dit funksionele deelruimte-ineenstorting), terwyl snoei die oorlewendes en die router se beheer daaroor ongeskonde laat. Cerebras berig die verwydering van tot 50% van die eksperts uit modelle met 'n biljoen parameters terwyl grondlynkwaliteit grootliks behou word — op 'n koderingsmodel van 480B teen 50% snoei, 97.6% van die grondlyn se nie-agentiese koderingsvermoë en 96.7% op agentiese SWE-Bench. Dit is Cerebras se syfers vir hulle eie modelle, nie metings van ons bou nie, maar dit is waarom ons hierdie stapel op 'n grondslag loop wie se primêre sterkte kode is.
Saam lees die agtervoegsel soos 'n sin: snoei die eksperts wat skaars gebruik is, leer die 4-bis-afronding aan eerder as om dit te raai, hou aktiverings op volle wydte.
04Waarvoor is hierdie model werklik goed?
Eerlikheid eerste: Laguna S 2.1 is 'n gespreksmodel met slegs teks — geen beeldinset op hierdie model-ID nie — en Poolside het dit vir agentiese kodering en langhorisonwerk gebou, nie vir prosa nie. Na-afrigting het oor 409,000 omgewings geloop, insluitend 83,000 terminaal- en 168,000 sagteware-ingenieurstake, met versterkingsleer in FP8. Poolside se berigte resultate vir die ongekwantiseerde vrystelling:
| Maatstaf | Denke | Sonder denke | Wat dit meet |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Werklike foutherstellings oor baie tale |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Meerstap-dop- en gereedskapwerk |
| SWE-Bench Pro | 59.4% | — | Moeiliker, besoedelingsbestande bewaarplektake |
| Toolathlon Verified | 49.7% | — | Wydte van gereedskapgebruik oor baie API's |
| SWE Atlas | 46.2% | — | Langhorison-bewaarpleknavigasie |
| DeepSWE v1.1 | 40.4% | 16.5% | Agentiese sagteware-ingenieurswese |
Die gaping tussen die twee kolomme is die mees bruikbare getal hier: op DeepSWE verdubbel die telling meer as wanneer redenering geaktiveer is, en op Terminal-Bench wen dit byna tien punte.
Deur Poolside berigte syfers vir die ongekwantiseerde Laguna S 2.1-vrystelling, Julie 2026. Dit is nie metings van ons W4A16-AutoRound-REAP-bou nie, en ons publiseer geen eie maatstafsyfers daarvoor nie. Gebruik reasoning_effort om die denkbegroting op ons API te beheer.
Vir gespreks- en kreatiewe werk is die eerlike posisie dié: die eienskappe agter lang agentiese lopies — om baie toestand samehangend vas te hou, by die taak te bly, nie af te dwaal nie — is dieselfde eienskappe agter langvorm-karakterwerk, en in die praktyk hou dit stem goed vas oor 'n baie lang venster. Geen gepubliseerde maatstaf sê dit nie, en ons gaan nie een uitdink nie. Toets dit op jou eie opdragte; teen $0.50 per miljoen insettekens is dit byna gratis.
05Wat koop die vloerprys werklik?
$0.50 in / $2.00 uit per miljoen tekens is die toetreevlak op die Shannon AI-poort, gedeel met MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro en Hy3. Konkreet:
| Werklading | Inset | Uitvoer | Koste |
|---|---|---|---|
| Een kletsbeurt met 100K geskiedenis | 100,000 | 2,000 | $0.054 |
| 'n Hoofstuk van 5,000 woorde uit 'n lang opdragstuk | 30,000 | 7,000 | $0.029 |
| 1,000 kort gespreksbeurte | 4,000,000 | 500,000 | $3.00 |
| 'n Volle kontekslesing van 262K tekens | 262,144 | 16,384 | $0.164 |
Die laaste ry is die een om te verinnerlik: om die hele konteksvenster te vul en die maksimum antwoord van 16,384 tekens te genereer kos ongeveer sestien sent. Om 'n hele manuskrip, sessietranskripsie of dokumentstel in een oproep te voer hou op om 'n begrotingsbesluit te wees en word 'n latensiebesluit. Dieselfde rekenkunde dryf die ander gebruiksgeval vir vloerprysing — volume: bondelklassifikasie, grootmaat-herskrywing, sintetiese dialoog, eerste-deurgang-opstelwerk wat 'n sterker model later verfyn. Sien die prysbladsy en die navorsingsindeks.
06Wat "ongesensureerd" hier beteken
Dit beteken wat dit sê: geen weieringslaag en geen inhoudsfiltrering op uitvoer nie. Geen klassifiseerder sit tussen die model en jou antwoord en besluit of jy toegelaat is om te vra nie; die model antwoord in die register wat jy gevra het en gee jou nie eers 'n lesing oor die uitgangspunt nie.
Vir kreatiewe werk is dit die verskil tussen 'n bruikbare en 'n onbruikbare gereedskapstuk. Fiksie bevat dreigende teenstanders, karakters wat oortuigend lieg, geweld met gevolge, moreel gekompromitteerde vertellers — 'n model wat uit karakter breek om 'n vrywaring aan te heg, het die taak misluk, nie by veiligheid geslaag nie. Dieselfde geld vir sekuriteitsnavorsing, rooispandokumentasie, mediese en regsopstelwerk, en vertaling waar die bron bot is: kategorieë waar 'n weiering eenvoudig 'n verkeerde antwoord is. Wat dit nie beteken nie, is dat oordeel ophou om joune te wees — jy bly verantwoordelik vir wat jy genereer, onder ons Beleid vir Verantwoordelike Gebruik en die toepaslike reg.
07Hoe om die ongesensureerde Laguna API te roep
Drie dialekte, een model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Stroming werk op al drie, sodat 'n bestaande integrasie oorskuif deur 'n basis-URL en 'n model-ID te verander — geen SDK-ruil, geen herskryf van jou boodskaphantering nie.
POST https://api.shannon-ai.com/v1/chat/completions
{
"model": "Laguna-S-2.1-W4A16-AUTOROUND-REAP",
"messages": [
{ "role": "system", "content": "You are a hardboiled narrator. Stay in voice." },
{ "role": "user", "content": "Open chapter nine." }
],
"stream": true,
"max_tokens": 4096,
"reasoning_effort": "low"
}
'n Paar praktiese notas:
- Moenie
response_formatofjson_schemastuur nie na hierdie model-ID — as jou kliëntbiblioteek een by verstek stel, skakel dit af of skuif na 'n sibbe wat dit ondersteun. - Gereedskap gaan in die gewone
tools-skikking — gereedskaproeping word ten volle ondersteun; slegs skema-afdwinging op vryteks nie. - Begroot jou redenering.
reasoning_effortword gehonoreer — laag of af hou gesprekslatensie laag en uitvoertekens goedkoop; verhoog dit vir meerstap-gereedskapwerk, waar die maatstafgaping hierbo wys wat dit koop. - Die uitvoerplafon is 16,384 tekens per versoek. Vir generering ter lengte van 'n boek, verdeel dit in hoofstukke en stroom.
- Slegs teks. Geen beeldinset op hierdie model-ID nie — gebruik MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 of inkling vir visie.
Volledige parameterverwysing, verifikasie, foutsemantiek en 'n lewendige speelplek: API-dokumentasie.
08Wanneer om dit te kies, en wanneer nie
Kies dit wanneer jou uitvoer prosa, dialoog of kode is wat 'n mens lees; jy gereedskaproeping nodig het maar nie skemabeperkte teks nie; koste per teken bo lang konteks oorheers; of jy 'n tweede mening wil hê uit 'n afstamming anders as die DeepSeek-, Kimi- en MiMo-families wat die res van die reeks vul.
Kies iets anders wanneer jy gewaarborgde JSON nodig het (MiMo-V2.5-Pro), beeldbegrip (Kimi-K2.6 of MiMo-V2.5), of die grenspunt van moeilikheid waar die prysgaping irrelevant is langs die antwoord reg kry (DeepSeek-V4-Pro, Kimi-K3).
json_schema en response_format. Lees die MiMo-V2.5-modelkaart, of blaai deur al twaalf in die navorsingsindeks.
Elke argitektoniese en maatstafbewering hier kom van die model se uitgewer of van die outeurs van die kompressiemetodes. Gaan dit self na.
09Gereelde vrae
Wat is die ongesensureerde Laguna API?
Dit is Poolside se Laguna S 2.1 met oop gewigte — 118 miljard parameters, ongeveer 8 miljard aktief per teken — bedien op Shannon se eie GPU-tros sonder weieringslaag en sonder uitvoerfiltrering. Die model-ID is Laguna-S-2.1-W4A16-AUTOROUND-REAP, die konteksvenster is 262,144 tekens, en dit kos $0.50 per miljoen insettekens en $2.00 per miljoen uitvoertekens.
Ondersteun Laguna S 2.1 json_schema of response_format op Shannon AI?
Nee. Dit is die enigste model in die Shannon-reeks wat nie een van die twee aanvaar nie. Gereedskaproeping en stroming werk normaal en gereedskaproepargumente kom steeds as JSON aan, maar daar is geen bediener-afgedwingde skema op die assistent se teksuitvoer nie. Vir gewaarborgde JSON teen dieselfde prys van $0.50 / $2.00, gebruik MiMo-V2.5-Pro (W8A16).
Wat beteken W4A16-AUTOROUND-REAP?
W4A16 beteken die gewigte word teen 4 bisse gestoor terwyl aktiverings op 16 bisse bly. AutoRound is Intel se kwantiseringsmetode ná afrigting, wat getekende gradiëntafdaling gebruik om die afrondings- en afknipbesluite aan te leer in plaas van om na die naaste af te rond. REAP is Cerebras Research se Router-weighted Expert Activation Pruning, wat selde en swak geroeteerde eksperts uit 'n Mixture-of-Experts-model laat val voor kwantisering eerder as om hulle saam te smelt.
Is Laguna S 2.1 goed vir kreatiewe skryfwerk en gesprek?
Dit is 'n gespreksmodel met slegs teks — geen beeldinset nie — en dit hou lang, samehangende prosa in karakter oor 'n venster van 262K sonder 'n weieringslaag in die pad. Poolside se gepubliseerde maatstafrekord is in agentiese kodering, nie prosa nie, so toets kreatiewe kwaliteit op jou eie opdragte eerder as om 'n ranglys te vertrou.
Hoeveel kos die ongesensureerde Laguna API?
$0.50 per miljoen insettekens en $2.00 per miljoen uitvoertekens — die vloerprys op die Shannon AI-poort, gedeel met MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro en Hy3. 'n Gesprek van 100,000 tekens wat 2,000 tekens antwoord produseer, kos ongeveer 5.4 sent.
Probeer die ongesensureerde Laguna API
118B MoE · 262K konteks · gereedskap en stroming · $0.50 / $2.00 per 1M tekens.
Lees die API-dokumente Begin geselsGeen weieringslaag · geen uitvoerfiltrering · jou oordeel, jou verantwoordelikheid
Bronne: Poolside — Laguna S 2.1-modelkaart · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Argitektuur- en maatstafsyfers is deur die uitgewer berig vir die ongekwantiseerde vrystelling, nie metings van die bou wat ons bedien nie. Shannon AI word deur Shannon Lab LLC, New Mexico, VSA, bedryf.