Ucensureret Laguna-API

De fleste sider om »den billige model« beder dig acceptere en lille, træt grundmodel til gengæld for et lavt tal. Det gør denne ikke. Laguna S 2.1 er en sparsom Mixture-of-Experts-udgivelse fra den nuværende generation, trænet på 4.096 H200-kort og leveret på under ni uger, og den ligger på den samme bundpris $0,50 / $2,00 som alle andre indgangsmodeller, vi serverer. Afvejningen er snæver og let at ræsonnere om: du giver afkald på serverhåndhævet struktureret output og beholder alt andet.

01Hvad er Laguna S 2.1?

Laguna S 2.1 er en model med åbne vægte udgivet af Poolside den 21. juli 2026 under den tilladelige OpenMDW-1.1-licens — det mellemstore medlem af Laguna-familien, mellem Laguna XS 2.1 (33B/3B aktive) og Laguna M.1 (225B/23B aktive).

Den offentliggjorte arkitektur er en token-choice-router med softplus-gating over 256 rutede eksperter plus én delt ekspert, ti valgt pr. token, over 48 lag — tolv med global attention, seksogtredive med glidende vindue på 512 tokens, en fletning der holder attention-omkostningen for meget lange input tæt på lineær frem for kvadratisk. Attention er grouped-query med 8 key-value-hoveder ved hoveddimension 128.

To konsekvenser betyder noget for en API-bruger. Den sparsomme aktivering er grunden til, at en model på 118 mia. parametre kan ligge til bundprisen — kun cirka 8 mia. parametre arbejder pr. token, så beregningen pr. token ligger tættere på en lille tæt model, end parameterantallet antyder. Og fletningen med glidende vindue er grunden til, at det lange vindue er reelt brugbart frem for nominelt. Poolsides udgivelse understøtter 1.048.576 tokens; vi serverer 262.144, i overensstemmelse med alle andre modeller på gatewayen.

02Det ene forbehold: intet struktureret output

Hvad der stadig virker. Tool calling understøttes fuldt ud, og argumenterne til værktøjskald ankommer stadig som et JSON-objekt præcis som på enhver anden model her. Hvis din applikations »strukturerede output« i virkeligheden er værktøjsargumenter — hvilket gælder de fleste agent-rammeværk, MCP-servere og databasefrontends — så betjener Laguna S 2.1 dig fint. Streaming virker på alle tre dialekter; reasoning_effort virker.

Hvad der ikke gør. Du kan ikke give endpointet et JSON-skema og få garanti for, at assistentens tekstsvar validerer mod det, og response_format: {"type": "json_object"} giver dig ingenting. At bede om JSON i prompten giver som regel JSON — dette er en kompetent model — men »som regel« er ikke en kontrakt. Poolside dokumenterer selv forkert JSON-escaping i dybt indlejrede værktøjskald som en kendt begrænsning, en påmindelse om, at garantien, dér hvor den findes andre steder i vores udvalg, kommer fra serveringslaget frem for fra modellens gode hensigter.

Hvilken søskendemodel du så skal bruge

Kræver din arbejdsbyrde garanteret JSON, så kæmp ikke mod denne model — skift model-id. Fire søskendemodeller ligger til den identiske pris $0,50 / $2,00 med fuld understøttelse af json_schema og response_format:

Model-id	json_schema	Vision	Hvorfor du ville vælge den
MiMo-V2.5-Pro-W8A16	Ja	Nej	Den direkte udskiftning — 8-bit vægte, niveauet med højest troværdighed, samme pris
MiMo-V2.5-W8A16	Ja	Ja	Det samme, plus billedinput
Hy3-W8A16	Ja	Nej	Endnu en 8-bit tekstmodel til bundprisen
DeepSeek-V4-Flash-0731	Ja	Nej	W4A16-AutoRound-REAP ligesom Laguna, med skemaunderstøttelsen intakt

Det naturlige standardvalg er MiMo-V2.5-Pro (W8A16): kun tekst, til bundpris, kvantiseret på det mildeste niveau, vi kører — detaljer på modelkortet for MiMo-V2.5. Fordi alle tolv modeller deler endpoints, kontekstvindue og outputloft, er skiftet en ændring af én linje i model-feltet.

03Hvad betyder W4A16-AUTOROUND-REAP?

Endelsen på model-id'et er ikke pynt — den siger præcis, hvordan vægtene blev komprimeret, før de blev lagt på vores GPU-klynge. Tre dele.

W4A16 — 4-bit vægte, 16-bit aktiveringer

Vægtene gemmes med 4 bit; aktiveringerne — de værdier, der flyder mellem lagene ved inferens — bliver på 16. At skære vægtene ned til en fjerdedel af deres BF16-aftryk er dét, der får en model på 118 mia. parametre til at passe og forblive hurtig, mens brede aktiveringer beskytter den numerisk følsomme del af fremadgennemløbet. Komprimér det, der er stort og statisk, og lad det, der er lille og dynamisk, være.

AutoRound — lært afrunding, ikke afrunding til nærmeste

Den naive måde at kvantisere på er afrunding til nærmeste: knips hver vægt til den nærmeste 4-bit-værdi, og accepter fejlen. AutoRound, Intels åbne værktøjskasse til kvantisering efter træning, gør det bedre — dens SignRound-metode bruger fortegnsbaseret gradientnedstigning til samlet at optimere afrundingsbeslutninger og klipningsintervaller over et par hundrede skridt og afgør for hver vægt, om det gør mindst skade på lagets faktiske output at runde op eller ned. Den låner idéen fra kvantiseringsbevidst træning uden omkostningen ved gentræning, og det er derfor, en W4A16-udgave kan være en seriøs model frem for en tabsbehæftet kuriositet.

REAP — at beskære eksperter i stedet for at lægge dem sammen

REAP står for Router-weighted Expert Activation Pruning, offentliggjort af Cerebras Research. I en MoE-model trækker ikke alle eksperter deres del af læsset: routeren sender få tokens til nogle af dem, og nogle bidrager med lille størrelse, når de endelig fyrer af. REAP giver hver ekspert en score på begge signaler — routerens gate-værdier og ekspertens aktiveringsnormer — og fjerner dem med lav betydning i ét skud, før kvantisering. Afgørende er, at den beskærer frem for at lægge sammen: sammenlægning folder flere eksperter til én og ødelægger routerens finkornede, inputafhængige kontrol og indfører et fejlgulv, ingen justering fjerner (forfatterne kalder det funktionelt underrumssammenbrud), mens beskæring lader de overlevende og routerens kontrol over dem være intakte. Cerebras rapporterer at fjerne op til 50 % af eksperterne fra modeller med en billion parametre, mens grundkvaliteten i store træk holdes — på en kodemodel på 480 mia. parametre ved 50 % beskæring 97,6 % af den ikke-agentiske kodningsevne og 96,7 % på agentisk SWE-Bench. Det er Cerebras' tal for deres egne modeller og ikke målinger af vores udgave, men de er grunden til, at vi kører denne stak på en grundmodel, hvis primære styrke er kode.

Tilsammen læses endelsen som en sætning: beskær de eksperter, der næsten ikke blev brugt, lær 4-bit-afrundingen frem for at gætte den, og hold aktiveringerne i fuld bredde.

04Hvad er denne model faktisk god til?

Ærligheden først: Laguna S 2.1 er en samtalemodel med kun tekst — intet billedinput på dette model-id — og Poolside byggede den til agentisk kodning og arbejde over lange forløb, ikke til prosa. Efter-træningen kørte over 409.000 miljøer, herunder 83.000 terminalopgaver og 168.000 softwareudviklingsopgaver, med forstærkningslæring i FP8. Poolsides rapporterede resultater for den ukvantiserede udgivelse:

Benchmark	Med tænkning	Uden tænkning	Hvad det måler
SWE-Bench Multilingual	78.5%	—	Reelle fejlrettelser på tværs af mange sprog
Terminal-Bench 2.1	70.2%	60.4%	Shell- og værktøjsarbejde over flere trin
SWE-Bench Pro	59.4%	—	Sværere, kontamineringsresistente repo-opgaver
Toolathlon Verified	49.7%	—	Bredde i værktøjsbrug på tværs af mange API'er
SWE Atlas	46.2%	—	Navigation i repositories over lange forløb
DeepSWE v1.1	40.4%	16.5%	Agentisk softwareudvikling

Afstanden mellem de to kolonner er det mest handlingsanvisende tal her: på DeepSWE mere end fordobles scoren, når ræsonnement er slået til, og på Terminal-Bench vinder den næsten ti point.

Tal rapporteret af Poolside for den ukvantiserede udgivelse af Laguna S 2.1, juli 2026. De er ikke målinger af vores W4A16-AutoRound-REAP-udgave, og vi offentliggør ingen egne benchmarktal for den. Brug reasoning_effort til at styre tænkebudgettet på vores API.

Til samtale og kreativt arbejde er den ærlige position denne: de egenskaber, der ligger bag lange agentiske kørsler — at holde meget tilstand sammenhængende, blive på opgaven, ikke drive af — er de samme, der ligger bag langt karakterarbejde, og i praksis holder den stemmen godt gennem et meget langt vindue. Intet offentliggjort benchmark siger det, og vi opfinder ikke et. Test den på dine egne prompts; til $0,50 pr. million inputtokens er det næsten gratis.

05Hvad køber bundprisen egentlig?

$0,50 ind / $2,00 ud pr. million tokens er indgangsniveauet på Shannon AI Gateway, delt med MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro og Hy3. Konkret:

Arbejdsbyrde	Input	Output	Pris
Én chattur med 100K historik	100.000	2.000	$0,054
Et kapitel på 5.000 ord ud fra en lang brief	30.000	7.000	$0,029
1.000 korte samtaleture	4.000.000	500.000	$3,00
En fuld læsning af 262K tokens kontekst	262.144	16.384	$0,164

Den sidste række er den, du skal have under huden: at fylde hele kontekstvinduet og generere det maksimale svar på 16.384 tokens koster cirka seksten cent. At fodre et helt manuskript, en sessionsudskrift eller et sæt dokumenter ind i ét kald holder op med at være en budgetbeslutning og bliver en latensbeslutning. Den samme regning driver det andet anvendelsesområde for bundprisen — mængde: batch-klassifikation, omskrivning i stor stil, syntetisk dialog og førsteudkast, som en stærkere model senere finpudser. Se prissiden og forskningsoversigten.

06Hvad »ucensureret« betyder her

Det betyder præcis, hvad der står: intet afvisningslag og ingen indholdsfiltrering af output. Ingen klassifikator sidder mellem modellen og dit svar og afgør, om du måtte spørge; modellen svarer i den tone, du bad om, og belærer dig ikke om præmissen først.

For kreativt arbejde er det forskellen på et brugbart og et ubrugeligt værktøj. Fiktion indeholder truende modstandere, personer der lyver overbevisende, vold med konsekvenser, moralsk kompromitterede fortællere — en model, der bryder karakteren for at føje et forbehold til, har fejlet opgaven, ikke lykkedes med sikkerheden. Det samme gælder sikkerhedsforskning, dokumentation fra red teams, medicinske og juridiske udkast og oversættelse, hvor kilden er kontant: kategorier hvor en afvisning simpelthen er et forkert svar. Hvad det ikke betyder, er, at dømmekraften holder op med at være din — du er fortsat ansvarlig for det, du genererer, under vores politik for ansvarlig brug og gældende lov.

07Sådan kalder du det ucensurerede Laguna-API

Tre dialekter, én model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Streaming virker på alle tre, så en eksisterende integration flytter med ved at ændre en base-URL og et model-id — ingen udskiftning af SDK, ingen omskrivning af din beskedhåndtering.

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"
}

Et par praktiske bemærkninger:

• Send ikke response_format eller json_schema til dette model-id — sætter dit klientbibliotek en af dem som standard, så slå den fra, eller skift til en søskendemodel, der understøtter den.
• Værktøjer lægges i det sædvanlige tools-array — tool calling understøttes fuldt ud; kun skemahåndhævelse på fri tekst gør ikke.
• Læg budget for ræsonnementet. reasoning_effort respekteres — lav eller slået fra holder samtalelatens nede og outputtokens billige; skru op til værktøjsarbejde over flere trin, hvor benchmarkforskellen ovenfor viser, hvad det køber.
• Outputloftet er 16.384 tokens pr. forespørgsel. Til generering i bogomfang: del det op i kapitler, og stream.
• Kun tekst. Intet billedinput på dette model-id — brug MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 eller inkling til vision.

Fuld parameteroversigt, godkendelse, fejlsemantik og en live legeplads: API-dokumentationen.

08Hvornår du skal vælge den, og hvornår ikke

Vælg den, når dit output er prosa, dialog eller kode, der læses af et menneske; du har brug for tool calling, men ikke for skemabundet tekst; omkostningen pr. token dominerer over lang kontekst; eller du vil have en anden mening fra en anden slægt end DeepSeek-, Kimi- og MiMo-familierne, der fylder resten af udvalget.

Vælg noget andet, når du har brug for garanteret JSON (MiMo-V2.5-Pro), billedforståelse (Kimi-K2.6 eller MiMo-V2.5) eller den sværeste ende af feltet, hvor prisforskellen er ligegyldig ved siden af at få svaret rigtigt (DeepSeek-V4-Pro, Kimi-K3).

09Ofte stillede spørgsmål

---

Kilder: Poolside — modelkort for Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Tal for arkitektur og benchmarks er rapporteret af udgiveren for den ukvantiserede udgivelse og er ikke målinger af den udgave, vi serverer. Shannon AI drives af Shannon Lab LLC, New Mexico, USA.