আনসেন্সরড Laguna API

অধিকাংশ “সস্তা মডেল” পাতা আপনাকে বলে, কম সংখ্যাটির বিনিময়ে একটি ছোট, ক্লান্ত ভিত্তি মেনে নিন। এটি তা বলে না। Laguna S 2.1 হলো বর্তমান প্রজন্মের একটি স্পার্স Mixture-of-Experts রিলিজ, 4,096টি H200-তে প্রশিক্ষিত আর নয় সপ্তাহেরও কমে প্রকাশিত, আর আমরা যে সব এন্ট্রি-স্তরের মডেল পরিবেশন করি, তাদেরই মতো এটি বসে আছে $0.50 / $2.00 মেঝেতে। বিনিময়টি সংকীর্ণ আর সহজে বোঝা যায়: আপনি সার্ভার-প্রয়োগিত কাঠামোবদ্ধ আউটপুট ছেড়ে দেন, বাকি সব রাখেন।

01Laguna S 2.1 কী?

Laguna S 2.1 হলো Poolside-এর প্রকাশ করা একটি ওপেন-ওয়েটস মডেল, ২১ জুলাই ২০২৬-এ উদার OpenMDW-1.1 লাইসেন্সে প্রকাশিত — Laguna পরিবারের মাঝারি আকারের সদস্য, Laguna XS 2.1 (33B/3B সক্রিয়) আর Laguna M.1 (225B/23B সক্রিয়)-এর মাঝখানে।

প্রকাশিত স্থাপত্যটি হলো একটি টোকেন-চয়েস রাউটার, softplus গেটিং সহ, 256টি রাউটেড এক্সপার্ট আর একটি শেয়ার্ড এক্সপার্ট-এর উপর, প্রতি টোকেনে দশটি নির্বাচিত, 48টি স্তর জুড়ে — বারোটি গ্লোবাল-অ্যাটেনশন, ছত্রিশটি 512-টোকেন উইন্ডোতে স্লাইডিং-উইন্ডো, এমন একটি পর্যায়ক্রম যা খুব দীর্ঘ ইনপুটের অ্যাটেনশন খরচকে দ্বিঘাতের বদলে প্রায়-রৈখিক রাখে। অ্যাটেনশন গ্রুপড-কোয়েরি, 8টি কী-ভ্যালু হেড সহ, হেড ডাইমেনশন 128।

একজন API ব্যবহারকারীর কাছে দুটি ফলাফল গুরুত্বপূর্ণ। স্পার্স অ্যাক্টিভেশনের কারণেই একটি 118B মডেল মেঝে-দামে বসতে পারে — প্রতি টোকেনে কেবল ~8B প্যারামিটার কাজ করে, তাই প্রতি টোকেনের কম্পিউট প্যারামিটার সংখ্যা যা ইঙ্গিত করে তার চেয়ে বরং একটি ছোট ডেন্স মডেলের কাছাকাছি। আর স্লাইডিং-উইন্ডো পর্যায়ক্রমের কারণেই দীর্ঘ উইন্ডোটি নামমাত্র না হয়ে সত্যিই ব্যবহারযোগ্য। Poolside-এর রিলিজ 1,048,576 টোকেন সমর্থন করে; আমরা 262,144 পরিবেশন করি, গেটওয়ের অন্য প্রতিটি মডেলের সঙ্গে মিলিয়ে।

02একটিমাত্র সতর্কতা: কাঠামোবদ্ধ আউটপুট নেই

যা এখনও কাজ করে। টুল কলিং পুরোপুরি সমর্থিত, আর টুল-কলের আর্গুমেন্ট এখানকার অন্য যেকোনো মডেলের মতোই ঠিক একটি JSON অবজেক্ট হিসেবেই আসে। আপনার অ্যাপ্লিকেশনের “কাঠামোবদ্ধ আউটপুট” যদি আসলে টুল আর্গুমেন্ট হয় — অধিকাংশ এজেন্ট ফ্রেমওয়ার্ক, MCP সার্ভার আর ডেটাবেস ফ্রন্ট-এন্ডের ক্ষেত্রে যা সত্য — তবে Laguna S 2.1 আপনার কাজ ঠিকঠাক চালিয়ে দেবে। তিনটি উপভাষাতেই স্ট্রিমিং কাজ করে; reasoning_effort কাজ করে।

যা করে না। আপনি এন্ডপয়েন্টকে একটি JSON Schema দিয়ে নিশ্চিত হতে পারবেন না যে সহকারীর টেক্সট উত্তরটি তার বিরুদ্ধে বৈধ হবে, আর response_format: {"type": "json_object"} আপনাকে কিছুই দেবে না। JSON চেয়ে প্রম্পট করলে সাধারণত JSON-ই আসে — এটি একটি দক্ষ মডেল — কিন্তু “সাধারণত” কোনো চুক্তি নয়। Poolside নিজেই গভীরভাবে নেস্টেড টুল কলে ভুল JSON এস্কেপিংকে একটি জানা সীমাবদ্ধতা হিসেবে নথিভুক্ত করেছে, যা মনে করিয়ে দেয় — আমাদের তালিকার অন্যত্র যেখানে এই নিশ্চয়তা আছে, তা আসে পরিবেশন স্তর থেকে, মডেলের সদিচ্ছা থেকে নয়।

বদলে কোন সহোদর ব্যবহার করবেন

আপনার কাজে যদি নিশ্চিত JSON লাগে, এই মডেলের সঙ্গে লড়বেন না — মডেল id বদলান। চারটি সহোদর ঠিক একই $0.50 / $2.00 দামে বসে আছে, পূর্ণ json_schema ও response_format সমর্থন সহ:

মডেল id	json_schema	ভিশন	কেন এটি বাছবেন
MiMo-V2.5-Pro-W8A16	হ্যাঁ	না	সরাসরি বিকল্প — 8-বিট ওয়েট, সর্বোচ্চ-বিশ্বস্ততার স্তর, একই দাম
MiMo-V2.5-W8A16	হ্যাঁ	হ্যাঁ	একই, সঙ্গে ছবি ইনপুট
Hy3-W8A16	হ্যাঁ	না	মেঝে-দামে আরেকটি 8-বিট টেক্সট মডেল
DeepSeek-V4-Flash-0731	হ্যাঁ	না	Laguna-র মতোই W4A16-AutoRound-REAP, স্কিমা সমর্থন অক্ষত

স্বাভাবিক ডিফল্ট হলো MiMo-V2.5-Pro (W8A16): কেবল টেক্সট, মেঝে-দামে, আমরা যে স্তরগুলি চালাই তার মধ্যে সবচেয়ে মৃদুটিতে কোয়ান্টাইজ করা — বিস্তারিত MiMo-V2.5 মডেল কার্ড-এ। যেহেতু বারোটি মডেলই এন্ডপয়েন্ট, কনটেক্সট উইন্ডো ও আউটপুট সীমা ভাগ করে নেয়, বদল করা মানে model ফিল্ডে এক লাইনের পরিবর্তন।

03W4A16-AUTOROUND-REAP মানে কী?

মডেল id-র প্রত্যয়টি সাজসজ্জা নয় — এটি ঠিক বলে দেয়, আমাদের GPU ক্লাস্টারে তোলার আগে ওয়েটগুলিকে কীভাবে সংকুচিত করা হয়েছিল। তিনটি অংশ।

W4A16 — 4-বিট ওয়েট, 16-বিট অ্যাক্টিভেশন

ওয়েট রাখা হয় 4 বিটে; অ্যাক্টিভেশন — ইনফারেন্সের সময় স্তরে স্তরে বয়ে চলা মানগুলি — থাকে 16-এ। ওয়েটকে তার BF16 আকারের এক-চতুর্থাংশে নামানোই একটি 118B মডেলকে এঁটে যেতে ও দ্রুত থাকতে দেয়, আর অ্যাক্টিভেশন চওড়া রাখা ফরোয়ার্ড পাসের সংখ্যাগতভাবে সংবেদনশীল অংশটিকে রক্ষা করে। যা বড় আর স্থির তাকে সংকুচিত করুন, যা ছোট আর গতিশীল তাকে ছুঁয়ে দেখবেন না।

AutoRound — শেখা রাউন্ডিং, নিকটতমে রাউন্ডিং নয়

কোয়ান্টাইজ করার সরল উপায় হলো রাউন্ড-টু-নিয়ারেস্ট: প্রতিটি ওয়েটকে নিকটতম 4-বিট মানে বসিয়ে দিন, ত্রুটিটুকু মেনে নিন। Intel-এর ওপেন পোস্ট-ট্রেনিং কোয়ান্টাইজেশন টুলকিট AutoRound এর চেয়ে ভালো করে — তার SignRound পদ্ধতি signed gradient descent ব্যবহার করে কয়েকশো ধাপে রাউন্ডিং সিদ্ধান্ত ও ক্লিপিং পরিসর একসঙ্গে অপ্টিমাইজ করে, প্রতিটি ওয়েটের জন্য ঠিক করে যে উপরে না নিচে রাউন্ড করলে স্তরটির প্রকৃত আউটপুটের কম ক্ষতি হয়। এটি কোয়ান্টাইজেশন-অ্যাওয়ার ট্রেনিংয়ের ধারণাটি ধার করে, কিন্তু পুনঃপ্রশিক্ষণের খরচ ছাড়াই — আর এ কারণেই একটি W4A16 বিল্ড ক্ষতিগ্রস্ত কৌতূহল না হয়ে একটি গুরুত্বপূর্ণ মডেল হতে পারে।

REAP — এক্সপার্ট মার্জ না করে ছেঁটে ফেলা

REAP হলো Router-weighted Expert Activation Pruning, প্রকাশ করেছে Cerebras Research। একটি MoE মডেলে সব এক্সপার্ট সমান ভার বহন করে না: রাউটার কারও কাছে খুব কম টোকেন পাঠায়, আর কেউ কেউ সক্রিয় হলেও সামান্যই মাত্রা যোগ করে। REAP প্রতিটি এক্সপার্টকে দুটি সংকেতেই নম্বর দেয় — রাউটার গেটের মান আর এক্সপার্ট অ্যাক্টিভেশন নর্ম — এবং কম-সালিয়েন্সিরগুলিকে এক ধাপেই সরিয়ে দেয়, কোয়ান্টাইজেশনের আগে। গুরুত্বপূর্ণ হলো এটি মার্জ না করে ছাঁটাই করে: মার্জ করলে কয়েকটি এক্সপার্ট একটিতে মিশে যায়, রাউটারের সূক্ষ্ম, ইনপুট-নির্ভর নিয়ন্ত্রণ নষ্ট হয় আর এমন একটি ত্রুটির মেঝে তৈরি হয় যা কোনো টিউনিং সরাতে পারে না (লেখকরা একে বলেন functional subspace collapse), অন্যদিকে ছাঁটাই টিকে থাকাদের আর তাদের উপর রাউটারের নিয়ন্ত্রণ অক্ষত রাখে। Cerebras জানায়, ট্রিলিয়ন-প্যারামিটার মডেল থেকে 50% পর্যন্ত এক্সপার্ট সরিয়েও বেসলাইন গুণমান মূলত ধরে রাখা যায় — একটি 480B কোডার মডেলে 50% ছাঁটাইয়ে বেসলাইন নন-এজেন্টিক কোডিং ক্ষমতার 97.6% আর এজেন্টিক SWE-Bench-এ 96.7%। এগুলি Cerebras-এর নিজস্ব মডেলের জন্য তাদেরই সংখ্যা, আমাদের বিল্ডের মাপ নয়, তবে এ কারণেই আমরা এই স্ট্যাকটি এমন একটি ভিত্তির উপর চালাই যার প্রধান শক্তি কোড।

একসঙ্গে প্রত্যয়টি একটি বাক্যের মতো পড়া যায়: যে এক্সপার্টরা প্রায় ব্যবহৃতই হতো না তাদের ছেঁটে ফেলুন, 4-বিট রাউন্ডিং আন্দাজ না করে শিখে নিন, অ্যাক্টিভেশন পূর্ণ প্রস্থে রাখুন।

04এই মডেল আসলে কীসে ভালো?

আগে সততা: Laguna S 2.1 কেবল টেক্সটের একটি কথোপকথন মডেল — এই মডেল id-তে ভিশন ইনপুট নেই — আর Poolside এটি বানিয়েছে এজেন্টিক কোডিং ও দীর্ঘমেয়াদি কাজের জন্য, গদ্যের জন্য নয়। পোস্ট-ট্রেনিং চলেছে 409,000-এর বেশি পরিবেশে, যার মধ্যে 83,000 টার্মিনাল ও 168,000 সফটওয়্যার-ইঞ্জিনিয়ারিং টাস্ক, FP8-এ রিইনফোর্সমেন্ট লার্নিং সহ। কোয়ান্টাইজ না করা রিলিজের জন্য Poolside-এর জানানো ফলাফল:

বেঞ্চমার্ক	থিংকিং	নো-থিংকিং	এটি কী মাপে
SWE-Bench Multilingual	78.5%	—	বহু ভাষা জুড়ে বাস্তব বাগ সংশোধন
Terminal-Bench 2.1	70.2%	60.4%	বহু-ধাপের শেল ও টুলিং কাজ
SWE-Bench Pro	59.4%	—	কঠিনতর, দূষণ-প্রতিরোধী রেপো টাস্ক
Toolathlon Verified	49.7%	—	বহু API জুড়ে টুল ব্যবহারের ব্যাপ্তি
SWE Atlas	46.2%	—	দীর্ঘমেয়াদি রিপোজিটরি নেভিগেশন
DeepSWE v1.1	40.4%	16.5%	এজেন্টিক সফটওয়্যার ইঞ্জিনিয়ারিং

দুই কলামের ব্যবধানটিই এখানকার সবচেয়ে কাজে লাগার মতো সংখ্যা: DeepSWE-তে রিজনিং চালু করলে স্কোর দ্বিগুণেরও বেশি হয়, আর Terminal-Bench-এ প্রায় দশ পয়েন্ট বাড়ে।

কোয়ান্টাইজ না করা Laguna S 2.1 রিলিজের জন্য Poolside-এর জানানো সংখ্যা, জুলাই ২০২৬। এগুলি আমাদের W4A16-AutoRound-REAP বিল্ডের মাপ নয়, আর সেটির জন্য আমরা নিজেদের কোনো বেঞ্চমার্ক সংখ্যা প্রকাশ করি না। আমাদের API-তে থিংকিং বাজেট নিয়ন্ত্রণ করতে reasoning_effort ব্যবহার করুন।

কথোপকথন ও সৃজনশীল কাজের জন্য সৎ অবস্থানটি এই: দীর্ঘ এজেন্টিক রানের পেছনের গুণগুলি — অনেকখানি স্টেট সুসংহতভাবে ধরে রাখা, কাজে লেগে থাকা, বিচ্যুত না হওয়া — দীর্ঘ চরিত্র-নির্মাণের পেছনের গুণগুলিও সেই একই, আর বাস্তবে এটি খুব দীর্ঘ উইন্ডো জুড়ে কণ্ঠস্বর ভালোই ধরে রাখে। কোনো প্রকাশিত বেঞ্চমার্ক তা বলে না, আর আমরা একটি বানিয়ে নেব না। নিজের প্রম্পটে পরীক্ষা করুন; প্রতি মিলিয়ন ইনপুট টোকেনে $0.50-এ সেটি প্রায় বিনামূল্যের।

05মেঝে-দাম আসলে কী কিনে দেয়?

প্রতি মিলিয়ন টোকেনে $0.50 ইন / $2.00 আউট হলো Shannon AI Gateway-র এন্ট্রি স্তর, যা ভাগ করে নেয় MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro আর Hy3। বাস্তবে:

কাজ	ইনপুট	আউটপুট	খরচ
100K ইতিহাস সহ একটি চ্যাট টার্ন	100,000	2,000	$0.054
একটি দীর্ঘ ব্রিফ থেকে 5,000 শব্দের অধ্যায়	30,000	7,000	$0.029
1,000টি ছোট কথোপকথন টার্ন	4,000,000	500,000	$3.00
একটি পূর্ণ 262K-টোকেন কনটেক্সট পাঠ	262,144	16,384	$0.164

শেষ সারিটিই মনে গেঁথে নেওয়ার মতো: পুরো কনটেক্সট উইন্ডো ভরে সর্বোচ্চ 16,384-টোকেনের উত্তর তৈরি করতে খরচ প্রায় ষোলো সেন্ট। একটি গোটা পাণ্ডুলিপি, সেশন প্রতিলিপি বা নথির সেট এক কলে ঢেলে দেওয়া আর বাজেটের সিদ্ধান্ত থাকে না, হয়ে যায় লেটেন্সির সিদ্ধান্ত। এই একই পাটিগণিত মেঝে-দামের অন্য ব্যবহারটিকেও চালায় — আয়তন: ব্যাচ শ্রেণিবিন্যাস, বিপুল পুনর্লিখন, সিনথেটিক সংলাপ, প্রথম-খসড়া যা পরে একটি শক্তিশালী মডেল পরিমার্জন করে। দেখুন দামের পাতা আর গবেষণা সূচি।

06এখানে “আনসেন্সরড” মানে কী

যা বলে ঠিক তাই: কোনো প্রত্যাখ্যানের স্তর নেই আর আউটপুটে কোনো কনটেন্ট ফিল্টারিং নেই। মডেল আর আপনার উত্তরের মাঝখানে কোনো ক্লাসিফায়ার বসে ঠিক করে না আপনি প্রশ্নটি করার অনুমতি পেয়েছিলেন কি না; মডেল আপনি যে ভঙ্গিতে চেয়েছেন সেই ভঙ্গিতেই উত্তর দেয়, আগে প্রশ্নের ভিত্তি নিয়ে আপনাকে উপদেশ দেয় না।

সৃজনশীল কাজের জন্য এটিই ব্যবহারযোগ্য আর অব্যবহারযোগ্য যন্ত্রের তফাত। কল্পসাহিত্যে থাকে ভয়ংকর প্রতিপক্ষ, বিশ্বাসযোগ্যভাবে মিথ্যা বলা চরিত্র, পরিণতিসহ সহিংসতা, নৈতিকভাবে আপসকৃত কথক — যে মডেল চরিত্র ভেঙে একটি দাবিত্যাগ জুড়ে দেয়, সে নিরাপত্তায় সফল হয়নি, কাজেই ব্যর্থ হয়েছে। একই কথা খাটে নিরাপত্তা গবেষণা, রেড-টিম নথিকরণ, চিকিৎসা ও আইনি খসড়া, আর এমন অনুবাদের ক্ষেত্রে যেখানে মূল লেখাটি স্পষ্টভাষী: এসব ক্ষেত্রে একটি প্রত্যাখ্যান নিছকই একটি ভুল উত্তর। এর মানে এই নয় যে বিচারবুদ্ধি আর আপনার থাকল না — আপনি যা তৈরি করেন তার দায়িত্ব আপনারই, আমাদের দায়িত্বশীল ব্যবহার নীতি ও প্রযোজ্য আইনের অধীনে।

07আনসেন্সরড Laguna API কীভাবে কল করবেন

তিনটি উপভাষা, একটি মডেল: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses। তিনটিতেই স্ট্রিমিং কাজ করে, তাই একটি চালু ইন্টিগ্রেশন কেবল বেস URL আর মডেল id বদলেই এখানে চলে আসে — কোনো SDK বদল নয়, মেসেজ হ্যান্ডলিং নতুন করে লেখা নয়।

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"
}

কয়েকটি বাস্তব টীকা:

• এই মডেল id-তে response_format বা json_schema পাঠাবেন না — আপনার ক্লায়েন্ট লাইব্রেরি যদি ডিফল্টে একটি বসিয়ে দেয়, সেটি সরিয়ে দিন বা এমন একটি সহোদরে যান যা তা সমর্থন করে।
• টুল যায় স্বাভাবিক tools অ্যারেতেই — টুল কলিং পুরোপুরি সমর্থিত; কেবল মুক্ত-টেক্সটে স্কিমা প্রয়োগটিই নয়।
• রিজনিংয়ের বাজেট ঠিক করুন। reasoning_effort মান্য করা হয় — কম বা বন্ধ রাখলে কথোপকথনের লেটেন্সি কম আর আউটপুট টোকেন সস্তা থাকে; বহু-ধাপের টুল কাজের জন্য বাড়ান, যেখানে উপরের বেঞ্চমার্ক ব্যবধান দেখায় সেটি কী কিনে দেয়।
• আউটপুট সীমা প্রতি রিকোয়েস্টে 16,384 টোকেন। বই-দৈর্ঘ্যের জেনারেশনের জন্য অধ্যায়ে ভাগ করুন আর স্ট্রিম করুন।
• কেবল টেক্সট। এই মডেল id-তে ছবি ইনপুট নেই — ভিশনের জন্য MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 বা inkling ব্যবহার করুন।

পূর্ণ প্যারামিটার তালিকা, অথেন্টিকেশন, ত্রুটির শব্দার্থ আর একটি লাইভ প্লেগ্রাউন্ড: API ডকুমেন্টেশন।

08কখন এটি বাছবেন, আর কখন নয়

এটি বাছুন যখন আপনার আউটপুট এমন গদ্য, সংলাপ বা কোড যা একজন মানুষ পড়বে; আপনার টুল কলিং দরকার কিন্তু স্কিমা-নিয়ন্ত্রিত টেক্সট নয়; দীর্ঘ কনটেক্সটে প্রতি টোকেনের খরচই প্রধান; কিংবা আপনি তালিকার বাকিটা ভরে রাখা DeepSeek, Kimi ও MiMo পরিবারের বাইরের কোনো বংশ থেকে দ্বিতীয় মত চান।

অন্য কিছু বাছুন যখন আপনার নিশ্চিত JSON দরকার (MiMo-V2.5-Pro), ছবি বোঝা দরকার (Kimi-K2.6 বা MiMo-V2.5), কিংবা কঠিনতার সেই সীমান্তে আছেন যেখানে উত্তরটি ঠিক পাওয়ার পাশে দামের ব্যবধান অপ্রাসঙ্গিক (DeepSeek-V4-Pro, Kimi-K3)।

09প্রায়শই জিজ্ঞাসিত প্রশ্ন

---

উৎস: Poolside — Laguna S 2.1 মডেল কার্ড · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound। স্থাপত্য ও বেঞ্চমার্ক সংখ্যাগুলি কোয়ান্টাইজ না করা রিলিজের জন্য প্রকাশক-কথিত, আমরা যে বিল্ড পরিবেশন করি তার মাপ নয়। Shannon AI পরিচালনা করে Shannon Lab LLC, নিউ মেক্সিকো, USA।