Senzurasız Laguna API

"Ucuz model" səhifələrinin çoxu aşağı rəqəm müqabilində kiçik və köhnəlmiş bir təməli qəbul etməyinizi istəyir. Bu səhifə belə deyil. Laguna S 2.1 cari nəsildən olan seyrək Mixture-of-Experts buraxılışıdır, 4,096 H200 üzərində öyrədilib və doqquz həftədən az müddətdə göndərilib; üstəlik verdiyimiz digər giriş pilləsi modelləri ilə eyni $0.50 / $2.00 döşəməsində dayanır. Güzəşt dar və asan anlaşılandır: siz serverin məcbur etdiyi strukturlaşdırılmış çıxışdan imtina edirsiniz, qalan hər şeyi saxlayırsınız.

01Laguna S 2.1 nədir?

Laguna S 2.1 — Poolside tərəfindən 21 iyul 2026-da güzəştli OpenMDW-1.1 lisenziyası altında buraxılan açıq çəkili modeldir — Laguna ailəsinin orta ölçülü üzvü, Laguna XS 2.1 (33B/3B aktiv) ilə Laguna M.1 (225B/23B aktiv) arasında.

Açıqlanmış arxitektura 256 marşrutlanan ekspert üstəgəl bir paylaşılan ekspert üzərində softplus qapılaması olan token-seçimli marşrutlayıcıdır; token başına on ekspert seçilir, 48 qat boyunca — on iki qat qlobal diqqət, otuz altı qat isə 512 tokenlik pəncərə ilə sürüşən pəncərə. Bu növbələşmə çox uzun girişlərin diqqət xərcini kvadratik deyil, xəttiyə yaxın saxlayır. Diqqət qruplaşdırılmış sorğu tipindədir, baş ölçüsü 128 olan 8 açar-dəyər başı ilə.

API istifadəçisi üçün iki nəticə önəmlidir. Seyrək aktivasiya 118B modelin döşəmə qiymətində dayana bilməsinin səbəbidir — token başına yalnız ~8B parametr işləyir, deməli token başına hesablama parametr sayının göstərdiyindən daha çox kiçik sıx modelə yaxındır. Sürüşən pəncərənin növbələşməsi isə uzun pəncərənin adda deyil, əməldə istifadə oluna bilməsinin səbəbidir. Poolside-ın buraxılışı 1,048,576 tokeni dəstəkləyir; biz 262,144 veririk, gateway-dəki bütün digər modellərlə eyni.

02Yeganə şərt: strukturlaşdırılmış çıxış yoxdur

Hələ də işləyənlər. Alət çağırışı tam dəstəklənir və alət çağırışı arqumentləri buradakı istənilən digər modeldə olduğu kimi JSON obyekti şəklində gəlir. Tətbiqinizin "strukturlaşdırılmış çıxışı" əslində alət arqumentləridirsə — agent çərçivələrinin, MCP serverlərinin və verilənlər bazası ön uclarının əksəriyyətində belədir — Laguna S 2.1 sizə pis xidmət göstərməyəcək. Axın hər üç dialektdə işləyir; reasoning_effort işləyir.

İşləməyənlər. Uc nöqtəyə JSON Sxemi verib assistentin mətn cavabının ona uyğun gələcəyinə zəmanət ala bilməzsiniz və response_format: {"type": "json_object"} sizə heç nə qazandırmır. JSON istəyən prompt adətən JSON qaytarır — bu, bacarıqlı modeldir — amma "adətən" müqavilə deyil. Poolside özü dərin iç-içə alət çağırışlarında səhv JSON qaçış simvollarını məlum məhdudiyyət kimi sənədləşdirir; bu da xatırladır ki, siyahımızın digər yerlərində mövcud olan zəmanət modelin xoş niyyətindən deyil, xidmət qatından gəlir.

Əvəzinə hansı qardaş modeli seçmək lazımdır

İş yükünüzə zəmanətli JSON lazımdırsa, bu modellə mübarizə aparmayın — sadəcə model id-sini dəyişin. Eyni $0.50 / $2.00 qiymətində dayanan və tam json_schema ilə response_format dəstəyi olan dörd qardaş model var:

Model id	json_schema	Görmə	Niyə seçərdiniz
MiMo-V2.5-Pro-W8A16	Bəli	Yox	Birbaşa əvəz — 8-bitlik çəkilər, ən yüksək dəqiqlik pilləsi, eyni qiymət
MiMo-V2.5-W8A16	Bəli	Bəli	Eynisi, üstəgəl şəkil girişi
Hy3-W8A16	Bəli	Yox	Döşəmə qiymətində daha bir 8-bitlik mətn modeli
DeepSeek-V4-Flash-0731	Bəli	Yox	Laguna kimi W4A16-AutoRound-REAP, sxem dəstəyi isə yerində

Təbii seçim MiMo-V2.5-Pro (W8A16)-dır: yalnız mətn, döşəmə qiymətində, işlətdiyimiz ən yumşaq pillədə kvantlanıb — təfərrüatlar MiMo-V2.5 model bələdçisində. Hər on iki model eyni uc nöqtələri, kontekst pəncərəsini və çıxış tavanını paylaşdığı üçün keçid model sahəsində bir sətirlik dəyişiklikdir.

03W4A16-AUTOROUND-REAP nə deməkdir?

Model id-sindəki sonluq bəzək deyil — o, çəkilərin GPU klasterimizə yüklənməzdən əvvəl necə sıxıldığını dəqiq bildirir. Üç hissə.

W4A16 — 4-bitlik çəkilər, 16-bitlik aktivasiyalar

Çəkilər 4 bitdə saxlanılır; aktivasiyalar — nəticə çıxarma zamanı qatlar arasında axan dəyərlər — 16 bitdə qalır. Çəkiləri BF16 həcminin dörddə birinə endirmək 118B modelin sığmasını və sürətli qalmasını təmin edir, aktivasiyaları geniş saxlamaq isə irəli keçidin ədədi baxımdan həssas hissəsini qoruyur. Böyük və statik olanı sıxın, kiçik və dinamik olana toxunmayın.

AutoRound — ən yaxına deyil, öyrənilmiş yuvarlaqlaşdırma

Kvantlamanın sadəlövh yolu ən yaxına yuvarlaqlaşdırmadır: hər çəkini ən yaxın 4-bitlik dəyərə oturt, xətanı qəbul et. AutoRound — Intel-in açıq öyrətmədən sonrakı kvantlama alət dəsti — bunu daha yaxşı edir: onun SignRound metodu bir neçə yüz addım ərzində yuvarlaqlaşdırma qərarlarını və kəsmə diapazonlarını birgə optimallaşdırmaq üçün işarəli qradiyent enişindən istifadə edir və hər çəki üçün yuxarı, yoxsa aşağı yuvarlaqlaşdırmanın qatın real çıxışına daha az zərər verdiyini müəyyən edir. Bu, ideyanı kvantlamaya uyğun öyrətmədən götürür, amma yenidən öyrətmə xərci olmadan; W4A16 quruluşunun itkili maraqlı bir şey deyil, ciddi model ola bilməsinin səbəbi də budur.

REAP — ekspertləri birləşdirmək yerinə budamaq

REAP — Marşrutlayıcı Çəkili Ekspert Aktivasiya Budaması — Cerebras Research tərəfindən dərc edilib. MoE modelində bütün ekspertlər eyni yükü daşımır: marşrutlayıcı bəzilərinə az token göndərir, bəziləri isə işə düşəndə az böyüklük qatır. REAP hər eksperti hər iki siqnal üzrə qiymətləndirir — marşrutlayıcı qapı dəyərləri və ekspert aktivasiya normaları — və az əhəmiyyətliləri kvantlamadan əvvəl bir addımda çıxarır. Ən vacibi, o, birləşdirmək yerinə budayır: birləşdirmə bir neçə eksperti birinə qatlayır, marşrutlayıcının incə, girişdən asılı nəzarətini məhv edir və heç bir tənzimləmənin aradan qaldırmadığı xəta döşəməsi yaradır (müəlliflər buna funksional altfəza çökməsi deyir), budama isə sağ qalanları və marşrutlayıcının onlar üzərindəki nəzarətini toxunulmaz saxlayır. Cerebras trilyon parametrli modellərdən ekspertlərin 50%-ə qədərini çıxarıb baza keyfiyyətini böyük ölçüdə qorumaqdan xəbər verir — 480B kodlaşdırma modelində 50% budama zamanı qeyri-agentik kodlaşdırma qabiliyyətinin 97.6%-i, agentik SWE-Bench-də isə 96.7%-i. Bunlar Cerebras-ın öz modelləri üçün verdiyi rəqəmlərdir, bizim quruluşun ölçmələri deyil; amma bu yığını əsas gücü kod olan bir təməl üzərində işlətməyimizin səbəbi məhz odur.

Birlikdə sonluq bir cümlə kimi oxunur: az istifadə olunan ekspertləri buda, 4-bitlik yuvarlaqlaşdırmanı təxmin etmək yerinə öyrən, aktivasiyaları tam enində saxla.

04Bu model əslində nədə yaxşıdır?

Əvvəlcə dürüstlük: Laguna S 2.1 yalnız mətnlə işləyən söhbət modelidir — bu model id-sində şəkil girişi yoxdur — və Poolside onu bədii nəsr üçün deyil, agentik kodlaşdırma və uzun üfüqlü iş üçün qurub. Öyrətmədən sonrakı mərhələ 409,000-dən çox mühitdə keçib, o cümlədən 83,000 terminal və 168,000 proqram mühəndisliyi tapşırığı, FP8-də möhkəmləndirici öyrənmə ilə. Poolside-ın kvantlanmamış buraxılış üçün bildirdiyi nəticələr:

Benchmark	Düşünmə	Düşünmədən	Nəyi ölçür
SWE-Bench Multilingual	78.5%	—	Bir çox dildə real baq düzəlişləri
Terminal-Bench 2.1	70.2%	60.4%	Çoxaddımlı shell və alət işi
SWE-Bench Pro	59.4%	—	Daha çətin, çirklənməyə davamlı repo tapşırıqları
Toolathlon Verified	49.7%	—	Bir çox API üzrə alət istifadəsinin genişliyi
SWE Atlas	46.2%	—	Uzun üfüqlü repozitoriya naviqasiyası
DeepSWE v1.1	40.4%	16.5%	Agentik proqram mühəndisliyi

Buradakı ən əməli rəqəm iki sütun arasındakı fərqdir: DeepSWE-də düşünmə aktivləşdirildikdə bal iki dəfədən çox artır, Terminal-Bench-də isə on bala yaxın qazanır.

Rəqəmlər kvantlanmamış Laguna S 2.1 buraxılışı üçün Poolside tərəfindən bildirilib, iyul 2026. Onlar bizim W4A16-AutoRound-REAP quruluşumuzun ölçmələri deyil və biz onun üçün öz benchmark rəqəmlərimizi dərc etmirik. API-mizdə düşünmə büdcəsini idarə etmək üçün reasoning_effort istifadə edin.

Söhbət və yaradıcı iş üçün dürüst mövqe budur: uzun agentik qaçışların arxasındakı keyfiyyətlər — çoxlu vəziyyəti ardıcıl saxlamaq, tapşırıqdan yayınmamaq, sürüşməmək — uzun formatlı personaj işinin arxasındakı keyfiyyətlərlə eynidir və praktikada model çox uzun pəncərə boyunca səsi yaxşı saxlayır. Bunu deyən dərc olunmuş benchmark yoxdur və biz uydurmayacağıq. Onu öz promptlarınızda sınayın; milyon giriş tokeni üçün $0.50 qiymətə bu, demək olar ki, pulsuzdur.

05Döşəmə qiyməti əslində nə alır?

Milyon token üçün $0.50 giriş / $2.00 çıxış Shannon AI Gateway-in giriş pilləsidir və MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro və Hy3 ilə paylaşılır. Konkret olaraq:

İş yükü	Giriş	Çıxış	Xərc
100K tarixçəsi olan bir söhbət növbəsi	100,000	2,000	$0.054
Uzun brifdən 5,000 sözlük fəsil	30,000	7,000	$0.029
1,000 qısa söhbət növbəsi	4,000,000	500,000	$3.00
Tam 262K tokenlik kontekstin oxunması	262,144	16,384	$0.164

Mənimsəmək lazım olan sətir sonuncudur: bütün kontekst pəncərəsini doldurmaq və maksimum 16,384 tokenlik cavab yaratmaq təxminən on altı sentə başa gəlir. Bütöv əlyazmanı, sessiya transkriptini və ya sənəd dəstini bir çağırışa vermək büdcə qərarı olmaqdan çıxıb gecikmə qərarına çevrilir. Eyni hesab digər döşəmə qiyməti ssenarisini də irəli sürür — həcm: paket təsnifatı, kütləvi yenidən yazma, sintetik dialoq, sonradan güclü modelin cilalayacağı ilk qaralama. Qiymət səhifəsinə və tədqiqat indeksinə baxın.

06Burada "senzurasız" nə deməkdir

Bu, sözün mənası ilə eynidir: imtina qatı yoxdur və çıxışa məzmun filtri tətbiq edilmir. Modellə cavabınız arasında soruşmağa haqqınızın olub-olmadığını qərara alan təsnifatçı dayanmır; model istədiyiniz registrdə cavab verir və əvvəlcə sizə sualın özü haqqında dərs demir.

Yaradıcı iş üçün bu, işlək alətlə yararsız alət arasındakı fərqdir. Bədii ədəbiyyatda təhdidedici antaqonistlər, inandırıcı şəkildə yalan danışan personajlar, nəticəsi olan zorakılıq, əxlaqi baxımdan güzəştə getmiş rəvayətçilər var — xarakterdən çıxıb sonda xəbərdarlıq əlavə edən model təhlükəsizliyə nail olmayıb, tapşırığı uğursuzluğa uğradıb. Eyni şey təhlükəsizlik tədqiqatı, qırmızı komanda sənədləşdirməsi, tibbi və hüquqi mətn hazırlanması, həmçinin mənbənin kəskin olduğu tərcümə üçün də keçərlidir: imtinanın sadəcə səhv cavab olduğu sahələr. Bunun demədiyi şey isə mühakimənin artıq sizə aid olmamasıdır — yaratdıqlarınıza görə Məsuliyyətli İstifadə Siyasətimiz və tətbiq olunan qanun çərçivəsində siz cavabdehsiniz.

07Senzurasız Laguna API-ni necə çağırmalı

Üç dialekt, bir model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Axın hər üçündə işləyir, deməli mövcud inteqrasiya baza URL-i və model id-sini dəyişməklə köçür — SDK dəyişmək, mesaj emalınızı yenidən yazmaq lazım deyil.

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"
}

Bir neçə praktik qeyd:

• Bu model id-sinə response_format və ya json_schema göndərməyin — müştəri kitabxananız birini standart olaraq qoyursa, onu söndürün və ya dəstəkləyən qardaş modelə keçin.
• Alətlər həmişəki tools massivinə gedir — alət çağırışı tam dəstəklənir; yalnız sərbəst mətnə sxem tətbiqi yoxdur.
• Düşünməyə büdcə ayırın. reasoning_effort nəzərə alınır — aşağı və ya söndürülmüş hal söhbət gecikməsini aşağı, çıxış tokenlərini ucuz saxlayır; çoxaddımlı alət işi üçün onu qaldırın, yuxarıdakı benchmark fərqi bunun nə qazandırdığını göstərir.
• Çıxış tavanı sorğu başına 16,384 tokendir. Kitab həcmində yaratma üçün mətni fəsillərə bölün və axınla verin.
• Yalnız mətn. Bu model id-sində şəkil girişi yoxdur — görmə üçün MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 və ya inkling istifadə edin.

Tam parametr arayışı, autentifikasiya, xəta semantikası və canlı sınaq meydançası: API sənədləri.

08Nə vaxt seçməli, nə vaxt seçməməli

Bunu seçin, əgər çıxışınız insanın oxuduğu nəsr, dialoq və ya koddursa; alət çağırışı lazımdır, amma sxemlə məhdudlanmış mətn lazım deyilsə; token başına xərc uzun kontekstdən üstündürsə; yaxud siyahının qalanını dolduran DeepSeek, Kimi və MiMo ailələrindən fərqli bir nəsildən ikinci rəy istəyirsinizsə.

Başqasını seçin, əgər sizə zəmanətli JSON (MiMo-V2.5-Pro), şəkil anlama (Kimi-K2.6 və ya MiMo-V2.5), yaxud cavabı düz almağın yanında qiymət fərqinin əhəmiyyətsiz olduğu ən çətin cəbhə səviyyəsi (DeepSeek-V4-Pro, Kimi-K3) lazımdırsa.

09Tez-tez verilən suallar

---

Mənbələr: Poolside — Laguna S 2.1 model bələdçisi · Laguna S 2.1 ilə tanışlıq · REAP the Experts (Cerebras Research) · Intel AutoRound. Arxitektura və benchmark rəqəmləri kvantlanmamış buraxılış üçün naşir tərəfindən bildirilib, verdiyimiz quruluşun ölçmələri deyil. Shannon AI-ni Shannon Lab LLC (Nyu-Meksiko, ABŞ) idarə edir.