ሳንሱር-አልባው Laguna API

አብዛኞቹ "ርካሽ ሞዴል" ገጾች ትንሽ፣ የደከመ መሠረት ለዝቅተኛ ቁጥር ፈንታ እንድትቀበሉ ይጠይቃሉ። ይህኛው ግን አይደለም። Laguna S 2.1 የአሁን-ትውልድ ሳሳ የኤክስፐርቶች ድብልቅ ልቀት ነው፣ በ4,096 H200ዎች ላይ የሠለጠነና ከዘጠኝ ሳምንት በታች የተላከ፣ ከምናገለግላቸው ሌሎች ሁሉም መግቢያ-ደረጃ ሞዴሎች ጋር በተመሳሳዩ $0.50 / $2.00 ወለል ላይ ይቀመጣል። ልውውጡ ጠባብና ለማሰላሰል ቀላል ነው፦ በአገልጋይ-የተገደደ የተዋቀረ ውጤት ትተዉና ሌላውን ሁሉ ትይዛላችሁ።

01Laguna S 2.1 ምንድን ነው?

Laguna S 2.1 በPoolside በሐምሌ 21, 2026 በልል OpenMDW-1.1 ፈቃድ ስር የተለቀቀ ክፍት-ክብደት ሞዴል ነው — በLaguna XS 2.1 (33B/3B ንቁ) እና Laguna M.1 (225B/23B ንቁ) መካከል ያለው የLaguna ቤተሰብ መካከለኛ-መጠን አባል።

የታተመው ሥነ ሕንጻ በ48 ንብርብሮች ላይ 256 የተመሩ ኤክስፐርቶች ከአንድ የጋራ ኤክስፐርት ጋር በላያቸው softplus gating ያለው token-choice መሪ ነው፣ በአንድ ቶክን አስር የተመረጡ — አስራ ሁለት ዓለም-አቀፍ-ትኩረት፣ ሠላሳ ስድስት sliding-window በ512-ቶክን መስኮት፣ የረዥም ግብዓቶችን የትኩረት ወጪ ከquadratic ይልቅ ወደ-linear ቅርብ የሚያደርግ ቅልቅል። ትኩረቱ በ128 head dimension 8 key-value heads ያለው grouped-query ነው።

ለAPI ተጠቃሚ የሚጠቅሙ ሁለት ውጤቶች አሉ። ሳሳ አክቲቬሽኑ የ118B ሞዴል በወለል ዋጋ ላይ ሊቀመጥ የሚችለው ለምንድን ነው — በአንድ ቶክን ~8B መለኪያዎች ብቻ ይሠራሉ፣ ስለዚህ በአንድ ቶክን ያለው ስሌት የመለኪያ ብዛቱ ከሚጠቁመው ይልቅ ወደ ትንሽ ጥቅጥቅ ሞዴል ይቀርባል። sliding-window ቅልቅሉም ረጅሙ መስኮት በስም ሳይሆን በእውነት ጥቅም ላይ ሊውል የሚችለው ለምንድን ነው። የPoolside ልቀት 1,048,576 ቶክኖችን ይደግፋል፤ እኛ የምናገለግለው 262,144 ነው፣ በጌትዌዩ ላይ ካለ እያንዳንዱ ሞዴል ጋር ተመሳሳይ።

02አንድ ማስጠንቀቂያ፦ የተዋቀረ ውጤት የለም

አሁንም የሚሠራው። መሣሪያ መጥራት ሙሉ ለሙሉ ይደገፋል፣ የመሣሪያ-ጥሪ ክርክሮችም እንደ ሌላው ማንኛውም ሞዴል በትክክል እንደ JSON ነገር ይመጣሉ። የመተግበሪያችሁ "የተዋቀረ ውጤት" በእውነት የመሣሪያ ክርክሮች ከሆነ — እውነት ለአብዛኞቹ የወኪል ማዕቀፎች፣ MCP አገልጋዮች እና database front-ends — Laguna S 2.1 በደንብ ያገለግላችኋል። ስትሪሚንግ በሦስቱም ዘይቤዎች ላይ ይሠራል፤ reasoning_effort ይሠራል።

የማይሠራው። ለመዳረሻ ነጥቡ የJSON Schema አስረክባችሁ የረዳቱ ጽሑፍ ምላሽ ከእሱ ጋር እንደሚስማማ ዋስትና ሊኖራችሁ አትችሉም፣ response_format: {"type": "json_object"}ም ምንም አይገዛላችሁም። ስለ JSON መጠየቅ ብዙ ጊዜ JSON ያመነጫል — ይህ ብቁ ሞዴል ነው — ግን "ብዙ ጊዜ" ውል አይደለም። Poolside ራሱ በጥልቅ የተጎበኙ የመሣሪያ ጥሪዎች ውስጥ የተሳሳተ የJSON escaping እንደ የታወቀ ገደብ ይመዘግባል፣ ይህም ዋስትናው በዝርዝራችን ውስጥ በሌላ ቦታ ካለ ከሚያገለግል ንብርብር እንጂ ከሞዴሉ መልካም ሐሳብ እንደማይመጣ ማስታወሻ ነው።

በምትኩ የትኛውን ወንድም መጠቀም

የሥራ ጫናችሁ የተረጋገጠ JSON ካስፈለገው፣ ከዚህ ሞዴል ጋር አትታገሉ — የሞዴል መለያውን ቀይሩ። አራት ወንድሞች ሙሉ json_schema እና response_format ድጋፍ ይዘው በተመሳሳዩ $0.50 / $2.00 ዋጋ ይቀመጣሉ፦

የሞዴል መለያ	json_schema	እይታ	ለምን ትመርጡታላችሁ
MiMo-V2.5-Pro-W8A16	አለ	የለም	ቀጥተኛው ልውውጥ — 8-ቢት ክብደቶች፣ ከፍተኛ-ታማኝነት ደረጃ፣ ተመሳሳይ ዋጋ
MiMo-V2.5-W8A16	አለ	አለ	ተመሳሳይ፣ ከምስል ግብዓት ጋር
Hy3-W8A16	አለ	የለም	ሌላ 8-ቢት የጽሑፍ ሞዴል በወለል ዋጋ
DeepSeek-V4-Flash-0731	አለ	የለም	እንደ Laguna W4A16-AutoRound-REAP፣ የschema ድጋፍ ያለው

ተፈጥሯዊው ነባሪ MiMo-V2.5-Pro (W8A16) ነው፦ ጽሑፍ-ብቻ፣ በወለል ዋጋ፣ ከምናሮጣቸው ደረጃዎች ገር በሆነው ደረጃ ኳንታይዝ የተደረገ — ዝርዝሮች በMiMo-V2.5 ሞዴል ካርድ ውስጥ። ሁሉም አስራ ሁለቱ ሞዴሎች የመዳረሻ ነጥቦችን፣ የዐውድ መስኮትንና የውጤት ጣሪያን ስለሚጋሩ፣ መቀያየር በmodel መስክ ላይ የአንድ-መስመር ለውጥ ነው።

03W4A16-AUTOROUND-REAP ማለት ምን ማለት ነው?

በሞዴል መለያው ላይ ያለው ቅጥያ ማስጌጫ አይደለም — ክብደቶቹ ወደ GPU ክላስተራችን ከመጫናቸው በፊት እንዴት እንደተጨመቁ በትክክል ይናገራል። ሦስት ክፍሎች።

W4A16 — 4-ቢት ክብደቶች፣ 16-ቢት አክቲቬሽኖች

ክብደቶች በ4 ቢት ይቀመጣሉ፤ አክቲቬሽኖች — በግምት ጊዜ በንብርብሮች መካከል የሚፈሱት እሴቶች — በ16 ይቆያሉ። ክብደቶችን ወደ BF16 ስፋታቸው አንድ-አራተኛ መቁረጥ የ118B ሞዴል እንዲገጥምና ፈጣን ሆኖ እንዲቆይ የሚያደርገው ሲሆን፣ አክቲቬሽኖችን ሰፊ ማድረግ የforward passውን በቁጥር ስሱ ክፍል ይጠብቃል። ትልቅና ቋሚ የሆነውን ጨምቁ፣ ትንሽና ተለዋዋጭ የሆነውን ብቻውን ተዉት።

AutoRound — የተማረ ማጠጋጋት፣ ቅርብ ማጠጋጋት አይደለም

ዘገምተኛው የኳንታይዝ መንገድ round-to-nearest ነው፦ እያንዳንዱን ክብደት ወደ ቅርቡ 4-ቢት እሴት አጥብቆ ስህተቱን መቀበል። የIntel ክፍት post-training ኳንታይዜሽን ቁልል AutoRound የበለጠ ይሠራል — SignRound ዘዴው signed gradient descentን ተጠቅሞ የማጠጋጋት ውሳኔዎችንና clipping ክልሎችን በጋራ በጥቂት መቶ ደረጃዎች ላይ ያሻሽላል፣ ወደ ላይ ወይም ወደ ታች ማጠጋጋት በንብርብሩ ትክክለኛ ውጤት ላይ ያነሰ ጉዳት የሚያደርገው በአንድ-ክብደት ይወስናል። ያንን ሐሳብ ከquantization-aware training ያለ ድጋሚ ሥልጠና ወጪ ይወስዳል፣ W4A16 ግንባታ ጠንካራ ሞዴል እንጂ ኪሳራ-ያለበት እንግዳ ነገር ሊሆን የሚችለውም ለዚህ ነው።

REAP — ኤክስፐርቶችን ማዋሃድ ሳይሆን መከርከም

REAP Router-weighted Expert Activation Pruning ነው፣ በCerebras Research የታተመ። በMoE ሞዴል ውስጥ ሁሉም ኤክስፐርቶች ክብደታቸውን አይጎትቱም፦ መሪው ወደ አንዳንዶቹ ጥቂት ቶክኖችን ይልካል፣ አንዳንዶቹም ሲቀጣጠሉ ትንሽ መጠን ያበረክታሉ። REAP እያንዳንዱን ኤክስፐርት በሁለቱም ምልክቶች ያስመዘግባል — የመሪ በር እሴቶች እና የኤክስፐርት አክቲቬሽን ኖርሞች — ከኳንታይዜሽን በፊት ዝቅተኛ-ጎላነት ያላቸውን በአንድ-ጥይት ያስወግዳል። ወሳኙ ነገር ማዋሃድ ሳይሆን መከርከም ነው፦ ማዋሃድ ብዙ ኤክስፐርቶችን ወደ አንድ ያጣምራል፣ የመሪውን ጥርት ያለ፣ ግብዓት-ጥገኛ ቁጥጥር ያጠፋል፣ ምንም ማስተካከያ የማያስወግደው የስህተት ወለልም ያስተዋውቃል (ደራሲዎቹ functional subspace collapse ይሉታል)፣ መከርከም ግን የተረፉትንና የመሪውን ቁጥጥር ላይ ሳይነካ ይተዋል። Cerebras እስከ 1 ትሪሊዮን መለኪያ ካላቸው ሞዴሎች እስከ 50% ኤክስፐርቶች ማስወገድ የመሠረት ጥራትን በአብዛኛው እየጠበቁ እንደሚቻል ይዘግባል — በ480B coder ሞዴል ላይ በ50% መከርከም፣ 97.6% የመሠረት ያልሆነ-ወኪልነት የኮድ ችሎታ እና 96.7% በወኪልነት SWE-Bench። እነዚያ ለራሳቸው ሞዴሎች የCerebras ቁጥሮች ናቸው፣ የግንባታችን ልኬቶች አይደሉም፣ ነገር ግን ይህን ቁልል ዋና ጥንካሬው ኮድ በሆነ መሠረት ላይ የምናሮጠው ለዚያ ነው።

ቅጥያው በአንድ ላይ እንደ ዓረፍተ ነገር ይነበባል፦ እምብዛም ጥቅም ላይ ያልዋሉትን ኤክስፐርቶች ከርክሙ፣ ከመገመት ይልቅ 4-ቢት ማጠጋጋቱን ተማሩ፣ አክቲቬሽኖችን በሙሉ ስፋታቸው ያዙ።

04ይህ ሞዴል በእውነት የሚጎላበት ምንድን ነው?

መጀመሪያ ታማኝነት፦ Laguna S 2.1 ጽሑፍ-ብቻ የውይይት ሞዴል ነው — በዚህ የሞዴል መለያ ላይ የእይታ ግብዓት የለም — Poolside የገነባውም ለወኪልነት ኮድ አጻጻፍና ረጅም-አድማስ ሥራ ነው፣ ለፕሮዝ አይደለም። ድህረ-ሥልጠናው ከ409,000 አካባቢዎች በላይ ሮጧል፣ 83,000 ተርሚናልንና 168,000 የሶፍትዌር-ምህንድስና ተግባራትን ጨምሮ፣ በFP8 ውስጥ reinforcement learningም ጋር። የPoolside ላልተኳንታይዝ ልቀት የተዘገቡ ውጤቶች፦

የመለኪያ	Thinking	No-thinking	የሚለካው
SWE-Bench Multilingual	78.5%	—	በብዙ ቋንቋዎች ላይ እውነተኛ የጉድለት ጥገናዎች
Terminal-Bench 2.1	70.2%	60.4%	ብዙ-ደረጃ ሼልና መሣሪያ ሥራ
SWE-Bench Pro	59.4%	—	ከበድ ያሉ፣ contamination-ተከላካይ የማከማቻ ተግባራት
Toolathlon Verified	49.7%	—	በብዙ APIዎች ላይ የመሣሪያ-አጠቃቀም ስፋት
SWE Atlas	46.2%	—	ረጅም-አድማስ የማከማቻ አሰሳ
DeepSWE v1.1	40.4%	16.5%	የወኪልነት ሶፍትዌር ምህንድስና

በሁለቱ አምዶች መካከል ያለው ልዩነት እዚህ ላይ በተግባር-ላይ-ልታውሉት የምትችሉት ቁጥር ነው፦ በDeepSWE ላይ ማመዛዘን ሲነቃ ውጤቱ ከእጥፍ በላይ ይሆናል፣ በTerminal-Bench ላይም ወደ አስር ነጥብ ይጨምራል።

ላልተኳንታይዝ ለተደረገው የLaguna S 2.1 ልቀት፣ ሐምሌ 2026 በPoolside የተዘገቡ ቁጥሮች። የእኛ የW4A16-AutoRound-REAP ግንባታ ልኬቶች አይደሉም፣ ለእሱም የራሳችንን የመለኪያ ቁጥሮች አናትምም። የማሰቢያ በጀቱን ለመቆጣጠር በAPIያችን ላይ reasoning_effortን ተጠቀሙ።

ለውይይትና ለፈጠራ ሥራ ታማኙ አቋም ይህ ነው፦ ከበስተጀርባ ረጅም የወኪልነት ሩጫዎች ያሉ ባህርያት — ብዙ ሁኔታን ወጥ አድርጎ መያዝ፣ በተግባሩ ላይ መቆየት፣ አለመንሸራተት — ከበስተጀርባ ረጅም-ቅርጽ የገጸ-ባህርይ ሥራ ካሉት ተመሳሳይ ናቸው፣ በተግባርም በጣም ረጅም መስኮት ላይ ድምጹን በደንብ ይይዛል። ምንም የታተመ መለኪያ ይህን አይናገርም፣ እኛም አንፈጥርም። በራሳችሁ ጥያቄዎች ላይ ፈትኑት፤ በ1M ግብዓት ቶክን $0.50 ላይ ያ ማለት ይቻላል ነጻ ነው።

05ወለል ዋጋው በእውነት የሚገዛው ምንድን ነው?

በሚሊዮን ቶክን $0.50 ግብዓት / $2.00 ውጤት በShannon AI Gateway ላይ ያለው መግቢያ ደረጃ ነው፣ ከMiniMax-M3፣ DeepSeek-V4-Flash፣ MiMo-V2.5፣ MiMo-V2.5-Pro እና Hy3 ጋር የተጋራ። በተጨባጭ፦

የሥራ ጫና	ግብዓት	ውጤት	ወጪ
ከ100K ታሪክ ጋር አንድ የውይይት ተራ	100,000	2,000	$0.054
ከረጅም briefing የ5,000-ቃል ምዕራፍ	30,000	7,000	$0.029
1,000 አጭር የውይይት ተራዎች	4,000,000	500,000	$3.00
ሙሉ 262K-ቶክን ዐውድ ንባብ	262,144	16,384	$0.164

የመጨረሻው ረድፍ ልታስቡበት የሚገባ ነው፦ ሙሉውን የዐውድ መስኮት መሙላትና ከፍተኛውን 16,384-ቶክን ምላሽ ማመንጨት በግምት አስራ ስድስት ሳንቲም ያስከፍላል። ሙሉ የእጅ ጽሑፍ፣ የክፍለ-ጊዜ ግልባጭ፣ ወይም የሰነድ ስብስብ ወደ አንድ ጥሪ ውስጥ መመገብ የበጀት ውሳኔ መሆኑን አቁሞ የመዘግየት ውሳኔ ይሆናል። ተመሳሳዩ ሒሳብ ሌላውን የወለል-ዋጋ አጠቃቀም ጉዳይ ይነዳዋል — መጠን፦ batch ምድብ ማድረግ፣ በጅምላ እንደገና መጻፍ፣ synthetic ውይይት፣ ኋላ ላይ ጠንካራ ሞዴል የሚያሻሽለው የመጀመሪያ-ማለፊያ ረቂቅ። የዋጋ ገጹን እና የምርምር ማውጫውን ተመልከቱ።

06እዚህ ላይ "ሳንሱር-አልባ" ማለት ምን ማለት ነው

የሚለውን ማለት ነው፦ የእምቢታ ንብርብር የለም፣ በውጤትም ላይ የይዘት ማጣሪያ የለም። መጠየቅ እንደተፈቀደላችሁ የሚወስን ምድብ-ሰጪ በሞዴሉና በምላሻችሁ መካከል የለም፤ ሞዴሉ በጠየቃችሁት register ውስጥ ይመልሳል፣ መጀመሪያ ስለ ግቢው አይሰብካችሁም።

ለፈጠራ ሥራ ያ ተጠቃሚ መሣሪያና የማይጠቅም መሣሪያ መካከል ያለው ልዩነት ነው። ልቦለድ አስፈሪ ተቃዋሚዎችን፣ በእምነት የሚዋሹ ገጸ-ባህርያትን፣ ውጤት ያለው ጥቃትን፣ ሥነ ምግባራዊ-ጉድለት ያለባቸውን ተራኪዎችን ይይዛል — ገጸ-ባህርይን ሰብሮ ማስጠንቀቂያ የሚያክል ሞዴል ተግባሩን አልተሳካለትም እንጂ ደህንነት ላይ አልተሳካለትም። ተመሳሳዩ ለደህንነት ምርምር፣ ለred-team ሰነድ፣ ለሕክምናና ለሕግ ረቂቅ ጽሑፍ፣ እና ምንጩ ግልጽ ለሆነ ትርጉም ይሠራል፦ እምቢታ በቀላሉ የተሳሳተ መልስ የሆነባቸው ምድቦች። የማይለውም ፍርዱ የእናንተ መሆኑን ማቆም ነው — በResponsible Use Policyያችንና በተፈጻሚ ሕግ ስር ስለምታመነጩት ተጠያቂ ትሆናላችሁ።

07ሳንሱር-አልባውን የLaguna APIን እንዴት መጥራት እንደሚቻል

ሦስት ዘይቤዎች፣ አንድ ሞዴል፦ /v1/chat/completions (OpenAI)፣ /v1/messages (Anthropic)፣ /v1/responses። ስትሪሚንግ በሦስቱም ላይ ይሠራል፣ ስለዚህ ነባር ውህደት base URLና የሞዴል መለያ በመቀየር ብቻ ይንቀሳቀሳል — SDK መቀያየር የለም፣ የመልእክት አያያዝ ደግሞ መጻፍ የለም።

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"
}

ጥቂት ተግባራዊ ማስታወሻዎች፦

• ወደዚህ የሞዴል መለያ response_format ወይም json_schema አትላኩ — የደንበኛ ላይብረሪያችሁ በነባሪነት አንዱን የሚያዘጋጅ ከሆነ፣ አጥፉት ወይም ወደሚደግፍ ወንድም ዝለሉ።
• መሣሪያዎች በተለመደው tools አደራደር ውስጥ ይግቡ — መሣሪያ መጥራት ሙሉ ለሙሉ ይደገፋል፤ ያልተደገፈው ነጻ-ጽሑፍ የschema ማስገደድ ብቻ ነው።
• ማመዛዘናችሁን አቅዱ። reasoning_effort ይከበራል — ዝቅተኛ ወይም ጠፍቶ የውይይት መዘግየትን ያዝቃል ውጤት ቶክኖችንም ርካሽ ያደርጋል፤ ከላይ ያለው የመለኪያ ልዩነት ለሚያሳየው ብዙ-ደረጃ የመሣሪያ ሥራ ከፍ አድርጉት።
• የውጤት ጣሪያ በአንድ ጥያቄ 16,384 ቶክኖች ነው። መጽሐፍ-ርዝመት ላለው ማመንጨት፣ በምዕራፍ ከፋፍሉትና ስትሪም አድርጉት።
• ጽሑፍ ብቻ። በዚህ የሞዴል መለያ ላይ የምስል ግብዓት የለም — ለእይታ MiMo-V2.5፣ Kimi-K2.6፣ Kimi-K3፣ MiniMax-M3 ወይም inklingን ተጠቀሙ።

ሙሉ የመለኪያ ማጣቀሻ፣ ማረጋገጫ፣ የስህተት ትርጉምና ቀጥታ መጫወቻ ሜዳ፦ API ሰነዶች።

08መቼ መምረጥ፣ መቼም አለመምረጥ

የምትመርጡበት ውጤታችሁ በሰው የሚነበብ ፕሮዝ፣ ውይይት ወይም ኮድ ሲሆን፤ መሣሪያ መጥራት ሲያስፈልጋችሁ ግን schema-የተገደበ ጽሑፍ ሳያስፈልጋችሁ፤ በአንድ ቶክን ወጪ ከረጅም ዐውድ ላይ ሲቆጣጠር፤ ወይም የተቀረውን ዝርዝር ከሚሞሉት ከDeepSeek፣ Kimi እና MiMo ቤተሰቦች ውጪ ካለ የዘር ሐረግ ሁለተኛ አስተያየት ስትፈልጉ ነው።

ሌላ ነገር የምትመርጡበት የተረጋገጠ JSON ካስፈለጋችሁ (MiMo-V2.5-Pro)፣ የምስል መረዳት ካስፈለጋችሁ (Kimi-K2.6 ወይም MiMo-V2.5)፣ ወይም ትክክለኛውን መልስ ከማግኘት ጎን የዋጋ ልዩነት ግድየለሽ በሆነበት የችግር frontier ጫፍ ላይ ስትሆኑ ነው (DeepSeek-V4-Pro፣ Kimi-K3)።

09በተደጋጋሚ የሚጠየቁ ጥያቄዎች

---

ምንጮች፦ Poolside — የLaguna S 2.1 ሞዴል ካርድ · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound። ሥነ ሕንጻዊና የመለኪያ ቁጥሮች ላልተኳንታይዝ ልቀት በአሳታሚ የተዘገቡ ናቸው፣ የምናገለግለው ግንባታ ልኬቶች አይደሉም። Shannon AI የሚንቀሳቀሰው በShannon Lab LLC፣ ኒው ሜክሲኮ፣ አሜሪካ ነው።