API de Laguna sense censura
Laguna S 2.1 — una base Mixture-of-Experts de 118B servida sense cap capa de refús, amb una finestra de context de 262K i crides a eines — al preu terra de 0,50 $ d'entrada / 2,00 $ de sortida per milió de tokens.
TL;DR
L'API de Laguna sense censura executa la Laguna S 2.1 de Poolside — 118B de paràmetres totals, ~8B actius per token, pesos oberts sota OpenMDW-1.1 — quantitzada a W4A16 amb AutoRound i REAP i servida al nostre propi clúster de GPU. Obtens un context de 262.144 tokens, 16.384 tokens de sortida per petició, streaming, crides a eines, reasoning_effort i cap filtratge de la sortida. Una advertència, dita d'entrada: aquest és l'únic model de la nostra gamma que no admet ni json_schema ni response_format. Si necessites JSON garantit, agafa un germà — la compilació Pro de MiMo-V2.5 ho fa al preu idèntic.
La majoria de pàgines de «model barat» et demanen que acceptis una base petita i cansada a canvi d'una xifra baixa. Aquesta no. Laguna S 2.1 és una publicació Mixture-of-Experts dispersa de generació actual, entrenada amb 4.096 H200 i lliurada en menys de nou setmanes, i està al mateix terra de 0,50 $ / 2,00 $ que tots els altres models de gamma d'entrada que servim. El compromís és estret i fàcil de raonar: renuncies a la sortida estructurada imposada pel servidor i conserves tota la resta.
01Què és Laguna S 2.1?
Laguna S 2.1 és un model de pesos oberts publicat per Poolside el 21 de juliol de 2026 sota la llicència permissiva OpenMDW-1.1 — el membre de mida mitjana de la família Laguna, entre Laguna XS 2.1 (33B/3B actius) i Laguna M.1 (225B/23B actius).
L'arquitectura publicada és un router de tria per token amb porta softplus sobre 256 experts encaminats més un expert compartit, deu de seleccionats per token, al llarg de 48 capes — dotze d'atenció global i trenta-sis de finestra lliscant amb una finestra de 512 tokens, un entrellaçat que manté el cost d'atenció de les entrades molt llargues gairebé lineal en lloc de quadràtic. L'atenció és grouped-query amb 8 caps clau-valor amb dimensió de cap 128.
Dues conseqüències importen a qui consumeix l'API. L'activació dispersa és per què un model de 118B pot estar al preu terra — només ~8B de paràmetres treballen per token, així que el còmput per token s'acosta més al d'un model dens petit del que suggereix el recompte de paràmetres. I l'entrellaçat de finestra lliscant és per què la finestra llarga és genuïnament utilitzable i no només nominal. La publicació de Poolside admet 1.048.576 tokens; nosaltres en servim 262.144, com tots els altres models de la passarel·la.
02L'única advertència: sense sortida estructurada
Laguna S 2.1 a Shannon AI no accepta ni json_schema ni response_format. És l'únic model de la nostra gamma de dotze sense compatibilitat amb sortida estructurada; enviar qualsevol dels dos paràmetres no t'aconseguirà una resposta restringida per esquema. Les crides a eines funcionen. El streaming funciona. El raonament funciona. Només hi falta el modelatge de la sortida imposat pel servidor.
Què continua funcionant. Les crides a eines són plenament compatibles, i els arguments de les crides a eines continuen arribant com a objecte JSON exactament com a qualsevol altre model d'aquí. Si la «sortida estructurada» de la teva aplicació són en realitat els arguments de les eines — cert en la majoria de marcs d'agents, servidors MCP i frontals de bases de dades —, Laguna S 2.1 et serveix perfectament. El streaming funciona als tres dialectes; reasoning_effort funciona.
Què no. No pots donar a l'extrem un JSON Schema i tenir la garantia que la resposta de text de l'assistent el validi, i response_format: {"type": "json_object"} no et compra res. Demanar JSON al prompt normalment produeix JSON — aquest és un model competent — però «normalment» no és cap contracte. La mateixa Poolside documenta com a limitació coneguda l'escapament incorrecte del JSON en crides a eines profundament imbricades, un recordatori que la garantia, allà on existeix a la resta de la nostra gamma, ve de la capa de servei i no de les bones intencions del model.
Quin germà fer servir en el seu lloc
Si la teva càrrega de treball necessita JSON garantit, no lluitis contra aquest model — canvia l'id del model. Quatre germans estan al preu idèntic de 0,50 $ / 2,00 $ amb compatibilitat completa amb json_schema i response_format:
| Id del model | json_schema | Visió | Per què el triaries |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Sí | No | El canvi directe — pesos de 8 bits, la gamma de màxima fidelitat, mateix preu |
| MiMo-V2.5-W8A16 | Sí | Sí | El mateix, més entrada d'imatge |
| Hy3-W8A16 | Sí | No | Un altre model de text de 8 bits al preu terra |
| DeepSeek-V4-Flash-0731 | Sí | No | W4A16-AutoRound-REAP com Laguna, amb la compatibilitat d'esquema intacta |
L'opció natural per defecte és MiMo-V2.5-Pro (W8A16): només text, al preu terra, quantitzat a la gamma més suau que executem — els detalls són a la fitxa del model MiMo-V2.5. Com que els dotze models comparteixen extrems, finestra de context i sostre de sortida, canviar és una modificació d'una línia al camp model.
03Què vol dir W4A16-AUTOROUND-REAP?
El sufix de l'id del model no és decoració — diu exactament com es van comprimir els pesos abans de carregar-los al nostre clúster de GPU. Tres parts.
W4A16 — pesos de 4 bits, activacions de 16 bits
Els pesos es desen a 4 bits; les activacions — els valors que flueixen entre capes en temps d'inferència — es mantenen a 16. Retallar els pesos a una quarta part de la seva empremta BF16 és el que fa que un model de 118B hi càpiga i vagi ràpid, mentre que mantenir amples les activacions protegeix la part numèricament sensible de la passada endavant. Comprimeix allò que és gran i estàtic, i deixa en pau allò que és petit i dinàmic.
AutoRound — arrodoniment après, no arrodoniment al més proper
La manera ingènua de quantitzar és arrodonir al més proper: encaixar cada pes al valor de 4 bits més pròxim i acceptar l'error. L'AutoRound, el joc d'eines obert de quantització posterior a l'entrenament d'Intel, ho fa millor — el seu mètode SignRound fa servir descens de gradient signat per optimitzar conjuntament les decisions d'arrodoniment i els rangs de retallada al llarg d'un parell de centenars de passos, decidint per a cada pes si arrodonir amunt o avall fa menys mal a la sortida real de la capa. Manlleva la idea de l'entrenament conscient de la quantització sense el cost de reentrenar, i és per què una compilació W4A16 pot ser un model seriós i no una curiositat amb pèrdues.
REAP — podar experts en lloc de fusionar-los
REAP és el Router-weighted Expert Activation Pruning, publicat per Cerebras Research. En un model MoE no tots els experts s'hi guanyen el pa: el router envia pocs tokens a alguns, i alguns hi contribueixen poca magnitud quan s'activen. REAP puntua cada expert amb tots dos senyals — els valors de la porta del router i les normes d'activació de l'expert — i elimina els de baixa rellevància d'una sola passada, abans de quantitzar. És crucial que podi en lloc de fusionar: fusionar plega diversos experts en un de sol, destrueix el control de gra fi i dependent de l'entrada del router i introdueix un terra d'error que cap ajust no elimina (els autors en diuen col·lapse del subespai funcional), mentre que podar deixa intactes els supervivents i el control que el router hi exerceix. Cerebras reporta l'eliminació de fins a un 50% dels experts de models d'un bilió de paràmetres mantenint en bona mesura la qualitat de referència — en un model de programació de 480B amb una poda del 50%, el 97,6% de la capacitat de programació no agèntica de referència i el 96,7% a l'SWE-Bench agèntic. Aquestes són xifres de Cerebras per als seus propis models, no mesures de la nostra compilació, però són la raó per la qual executem aquesta pila sobre una base la fortalesa principal de la qual és el codi.
Junt, el sufix es llegeix com una frase: poda els experts que gairebé no es feien servir, aprèn l'arrodoniment de 4 bits en lloc d'endevinar-lo i mantén les activacions a amplada completa.
04En què és bo realment aquest model?
Honestedat primer: Laguna S 2.1 és un model conversacional només de text — sense entrada d'imatge en aquest id de model — i Poolside el va construir per a la programació agèntica i la feina d'horitzó llarg, no per a la prosa. El postentrenament va córrer sobre més de 409.000 entorns, incloent-hi 83.000 tasques de terminal i 168.000 d'enginyeria de programari, amb aprenentatge per reforç en FP8. Els resultats reportats per Poolside per a la publicació sense quantitzar:
| Benchmark | Amb pensament | Sense pensament | Què mesura |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Correccions d'errors reals en molts llenguatges |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Feina d'intèrpret d'ordres i d'eines en diversos passos |
| SWE-Bench Pro | 59.4% | — | Tasques de repositori més difícils i resistents a la contaminació |
| Toolathlon Verified | 49.7% | — | Amplitud d'ús d'eines a través de moltes API |
| SWE Atlas | 46.2% | — | Navegació de repositoris d'horitzó llarg |
| DeepSWE v1.1 | 40.4% | 16.5% | Enginyeria de programari agèntica |
La diferència entre les dues columnes és la xifra més accionable d'aquí: a DeepSWE la puntuació més que es duplica quan s'activa el raonament, i a Terminal-Bench guanya gairebé deu punts.
Xifres reportades per Poolside per a la publicació sense quantitzar de Laguna S 2.1, juliol de 2026. No són mesures de la nostra compilació W4A16-AutoRound-REAP, i no en publiquem cap xifra de benchmark pròpia. Fes servir reasoning_effort per controlar el pressupost de pensament a la nostra API.
Per a la feina conversacional i creativa, la posició honesta és aquesta: les qualitats que hi ha darrere de les execucions agèntiques llargues — mantenir molt estat de manera coherent, no perdre el fil, no derivar — són les mateixes que hi ha darrere del treball de personatge de format llarg, i a la pràctica manté bé la veu al llarg d'una finestra molt llarga. Cap benchmark publicat no ho diu, i no ens n'inventarem cap. Prova-ho amb els teus propis prompts; a 0,50 $ per milió de tokens d'entrada, això és pràcticament gratuït.
05Què compra realment el preu terra?
0,50 $ d'entrada / 2,00 $ de sortida per milió de tokens és la gamma d'entrada de la passarel·la de Shannon AI, compartida amb MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro i Hy3. Concretament:
| Càrrega de treball | Entrada | Sortida | Cost |
|---|---|---|---|
| Un torn de xat amb 100K d'historial | 100,000 | 2,000 | $0.054 |
| Un capítol de 5.000 paraules a partir d'un informe llarg | 30,000 | 7,000 | $0.029 |
| 1.000 torns conversacionals curts | 4,000,000 | 500,000 | $3.00 |
| Una lectura de context complet de 262K tokens | 262,144 | 16,384 | $0.164 |
L'última fila és la que cal interioritzar: omplir tota la finestra de context i generar la resposta màxima de 16.384 tokens costa uns setze cèntims. Ficar un manuscrit sencer, una transcripció de sessió o un conjunt de documents en una sola crida deixa de ser una decisió de pressupost i esdevé una decisió de latència. La mateixa aritmètica impulsa l'altre cas d'ús del preu terra — el volum: classificació per lots, reescriptura massiva, diàleg sintètic, esborranys de primera passada que un model més fort refinarà després. Consulta la pàgina de preus i l'índex de recerca.
06Què vol dir «sense censura» aquí
Vol dir el que diu: cap capa de refús i cap filtratge de contingut a la sortida. Cap classificador no se situa entre el model i la teva resposta decidint si tenies permís per preguntar; el model respon en el registre que li has demanat i no et fa cap sermó previ sobre la premissa.
Per a la feina creativa, això és la diferència entre una eina utilitzable i una d'inutilitzable. La ficció conté antagonistes amenaçadors, personatges que menteixen de manera convincent, violència amb conseqüències, narradors moralment compromesos — un model que trenca el personatge per afegir un descàrrec de responsabilitat ha fallat la tasca, no ha reeixit en seguretat. El mateix val per a la recerca de seguretat, la documentació de red team, la redacció mèdica i legal i la traducció on l'original és cru: categories on un refús és simplement una resposta equivocada. El que no vol dir és que el judici deixi de ser teu — continues sent responsable del que generes, sota la nostra Política d'ús responsable i la llei aplicable.
07Com cridar l'API de Laguna sense censura
Tres dialectes, un model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. El streaming funciona als tres, de manera que una integració existent es trasllada canviant un URL base i un id de model — sense canviar d'SDK ni reescriure la gestió de missatges.
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"
}
Unes quantes notes pràctiques:
- No enviïs
response_formatnijson_schemaa aquest id de model — si la teva biblioteca client en posa un per defecte, desactiva'l o passa a un germà que l'admeti. - Les eines van a la matriu
toolshabitual — les crides a eines són plenament compatibles; l'únic que no ho és és la imposició d'esquema sobre text lliure. - Pressuposta el teu raonament.
reasoning_effortes respecta — baix o desactivat manté baixa la latència conversacional i barats els tokens de sortida; puja'l per a feina d'eines de diversos passos, on la diferència de benchmarks d'aquí sobre mostra què compra. - El sostre de sortida és de 16.384 tokens per petició. Per a generació de llargada de llibre, fes-ho per capítols i amb streaming.
- Només text. Sense entrada d'imatge en aquest id de model — fes servir MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 o inkling per a la visió.
La referència completa de paràmetres, l'autenticació, la semàntica d'errors i un banc de proves en viu: documentació de l'API.
08Quan triar-lo i quan no
Tria'l quan la teva sortida sigui prosa, diàleg o codi llegit per una persona; necessitis crides a eines però no text restringit per esquema; el cost per token domini sobre el context llarg; o vulguis una segona opinió d'un llinatge diferent de les famílies DeepSeek, Kimi i MiMo que omplen la resta de la gamma.
Tria una altra cosa quan necessitis JSON garantit (MiMo-V2.5-Pro), comprensió d'imatges (Kimi-K2.6 o MiMo-V2.5) o l'extrem de frontera de la dificultat, on la diferència de preu és irrellevant al costat d'encertar la resposta (DeepSeek-V4-Pro, Kimi-K3).
json_schema i response_format. Llegeix la fitxa del model MiMo-V2.5, o fulleja els dotze a l'índex de recerca.
Totes les afirmacions d'arquitectura i de benchmarks d'aquí vénen de l'editor del model o dels autors dels mètodes de compressió. Comprova-les tu mateix.
09Preguntes freqüents
Què és l'API de Laguna sense censura?
És la Laguna S 2.1 de pesos oberts de Poolside — 118 mil milions de paràmetres, uns 8 mil milions d'actius per token — servida al clúster de GPU propi de Shannon sense cap capa de refús i sense filtratge de la sortida. L'id del model és Laguna-S-2.1-W4A16-AUTOROUND-REAP, la finestra de context és de 262.144 tokens i costa 0,50 $ per milió de tokens d'entrada i 2,00 $ per milió de tokens de sortida.
Laguna S 2.1 admet json_schema o response_format a Shannon AI?
No. És l'únic model de la gamma de Shannon que no accepta cap dels dos. Les crides a eines i el streaming funcionen amb normalitat i els arguments de les crides a eines continuen arribant com a JSON, però no hi ha cap esquema imposat pel servidor sobre la sortida de text de l'assistent. Per obtenir JSON garantit al mateix preu de 0,50 $ / 2,00 $, fes servir MiMo-V2.5-Pro (W8A16).
Què vol dir W4A16-AUTOROUND-REAP?
W4A16 vol dir que els pesos es desen a 4 bits mentre que les activacions es mantenen a 16 bits. AutoRound és el mètode de quantització posterior a l'entrenament d'Intel, que fa servir descens de gradient signat per aprendre les decisions d'arrodoniment i de retallada en lloc d'arrodonir al més proper. REAP és el Router-weighted Expert Activation Pruning de Cerebras Research, que descarta els experts poc i feblement encaminats d'un model Mixture-of-Experts abans de quantitzar-lo, en lloc de fusionar-los.
Laguna S 2.1 és bo per a l'escriptura creativa i la conversa?
És un model conversacional només de text — sense entrada d'imatge — i manté prosa llarga, coherent i fidel al personatge al llarg d'una finestra de 262K sense cap capa de refús pel mig. L'historial de benchmarks publicat de Poolside és de programació agèntica, no de prosa, així que posa a prova la qualitat creativa amb els teus propis prompts en lloc de refiar-te d'una classificació.
Quant costa l'API de Laguna sense censura?
0,50 $ per milió de tokens d'entrada i 2,00 $ per milió de tokens de sortida — el preu terra de la passarel·la de Shannon AI, compartit amb MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro i Hy3. Una conversa de 100.000 tokens que produeix 2.000 tokens de resposta costa uns 5,4 cèntims.
Prova l'API de Laguna sense censura
MoE de 118B · 262K de context · eines i streaming · 0,50 $ / 2,00 $ per 1M de tokens.
Llegeix la documentació de l'API Comença a xatejarCap capa de refús · cap filtratge de la sortida · el teu judici, la teva responsabilitat
Fonts: Poolside — fitxa del model Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Les xifres d'arquitectura i de benchmarks són reportades per l'editor per a la publicació sense quantitzar, no són mesures de la compilació que servim. Shannon AI està operat per Shannon Lab LLC, Nou Mèxic, EUA.