Unzensierte Laguna API

Die meisten Seiten über „günstige Modelle“ verlangen, dass Sie ein kleines, müdes Fundament im Tausch gegen eine niedrige Zahl akzeptieren. Diese hier nicht. Laguna S 2.1 ist ein dünn besetztes Mixture-of-Experts-Release der aktuellen Generation, trainiert auf 4.096 H200 und in weniger als neun Wochen ausgeliefert, und es liegt beim selben Boden von $0.50 / $2.00 wie jedes andere Einstiegsmodell, das wir betreiben. Der Handel ist schmal und leicht zu überblicken: Sie geben serverseitig erzwungene strukturierte Ausgabe auf und behalten alles andere.

01Was ist Laguna S 2.1?

Laguna S 2.1 ist ein Open-Weights-Modell, das Poolside am 21. Juli 2026 unter der freizügigen Lizenz OpenMDW-1.1 veröffentlicht hat — das mittelgroße Mitglied der Laguna-Familie, zwischen Laguna XS 2.1 (33B/3B aktiv) und Laguna M.1 (225B/23B aktiv).

Die veröffentlichte Architektur ist ein Token-Choice-Router mit Softplus-Gating über 256 geroutete Experten plus einen geteilten Experten, zehn pro Token ausgewählt, über 48 Schichten — zwölf mit globaler Attention, sechsunddreißig mit gleitendem Fenster bei 512 Token, eine Verschachtelung, die die Attention-Kosten sehr langer Eingaben nahezu linear statt quadratisch hält. Die Attention ist Grouped-Query mit 8 Key-Value-Köpfen bei einer Kopfdimension von 128.

Zwei Folgen sind für API-Nutzer wichtig. Die dünne Aktivierung ist der Grund, warum ein 118B-Modell zum Einstiegspreis liegen kann — pro Token arbeiten nur ~8B Parameter, der Rechenaufwand pro Token liegt also näher an einem kleinen dichten Modell, als die Parameterzahl vermuten lässt. Und die Verschachtelung mit gleitendem Fenster ist der Grund, warum das lange Fenster tatsächlich nutzbar und nicht bloß nominell ist. Poolsides Release unterstützt 1.048.576 Token; wir liefern 262.144 aus, passend zu jedem anderen Modell auf dem Gateway.

02Die eine Einschränkung: keine strukturierte Ausgabe

Was weiterhin funktioniert. Tool-Calling wird vollständig unterstützt, und Tool-Call-Argumente kommen weiterhin genau wie bei jedem anderen Modell hier als JSON-Objekt an. Wenn die „strukturierte Ausgabe“ Ihrer Anwendung in Wahrheit aus Tool-Argumenten besteht — was für die meisten Agenten-Frameworks, MCP-Server und Datenbank-Frontends gilt —, bedient Sie Laguna S 2.1 bestens. Streaming funktioniert in allen drei Dialekten; reasoning_effort funktioniert.

Was nicht. Sie können dem Endpunkt kein JSON-Schema übergeben und garantiert bekommen, dass die Textantwort des Assistenten dagegen validiert, und response_format: {"type": "json_object"} bringt Ihnen nichts. Ein Prompt, der JSON verlangt, erzeugt meist JSON — dies ist ein fähiges Modell —, aber „meist“ ist kein Vertrag. Poolside selbst dokumentiert falsches JSON-Escaping in tief verschachtelten Tool-Calls als bekannte Einschränkung, eine Erinnerung daran, dass die Garantie, wo es sie in unserem Angebot sonst gibt, aus der Auslieferungsschicht stammt und nicht aus den guten Absichten des Modells.

Welches Geschwistermodell Sie stattdessen nehmen

Wenn Ihre Arbeitslast garantiertes JSON braucht, kämpfen Sie nicht gegen dieses Modell an — wechseln Sie die Modell-ID. Vier Geschwistermodelle liegen beim identischen Preis von $0.50 / $2.00 und unterstützen json_schema und response_format vollständig:

Modell-ID	json_schema	Vision	Warum Sie es wählen würden
MiMo-V2.5-Pro-W8A16	Ja	Nein	Der direkte Tausch — 8-Bit-Gewichte, originalgetreueste Stufe, gleicher Preis
MiMo-V2.5-W8A16	Ja	Ja	Dasselbe, plus Bildeingabe
Hy3-W8A16	Ja	Nein	Ein weiteres 8-Bit-Textmodell zum Einstiegspreis
DeepSeek-V4-Flash-0731	Ja	Nein	W4A16-AutoRound-REAP wie Laguna, Schema-Unterstützung intakt

Die natürliche Standardwahl ist MiMo-V2.5-Pro (W8A16): reiner Text, zum Einstiegspreis, quantisiert auf der schonendsten Stufe, die wir fahren — Details auf der Modellkarte zu MiMo-V2.5. Da alle zwölf Modelle Endpunkte, Kontextfenster und Ausgabeobergrenze teilen, ist der Wechsel eine Änderung einer Zeile im Feld model.

03Was bedeutet W4A16-AUTOROUND-REAP?

Das Suffix an der Modell-ID ist keine Dekoration — es sagt genau, wie die Gewichte komprimiert wurden, bevor sie auf unseren GPU-Cluster geladen wurden. Drei Teile.

W4A16 — 4-Bit-Gewichte, 16-Bit-Aktivierungen

Gewichte werden mit 4 Bit gespeichert; Aktivierungen — die Werte, die zur Inferenzzeit zwischen den Schichten fließen — bleiben bei 16. Die Gewichte auf ein Viertel ihres BF16-Umfangs zu kürzen ist das, was ein 118B-Modell passend und schnell macht, während breite Aktivierungen den numerisch empfindlichen Teil des Forward-Passes schützen. Komprimieren, was groß und statisch ist, und in Ruhe lassen, was klein und dynamisch ist.

AutoRound — gelerntes Runden statt Runden zum nächsten Wert

Der naive Weg zu quantisieren ist Runden zum nächsten Wert: jedes Gewicht auf den nächstgelegenen 4-Bit-Wert schnappen lassen und den Fehler hinnehmen. AutoRound, Intels offenes Toolkit für Post-Training-Quantisierung, macht es besser — seine SignRound-Methode nutzt Signed Gradient Descent, um Rundungsentscheidungen und Clipping-Bereiche über ein paar hundert Schritte gemeinsam zu optimieren und pro Gewicht zu entscheiden, ob Auf- oder Abrunden der tatsächlichen Ausgabe der Schicht weniger schadet. Es borgt die Idee vom quantisierungsbewussten Training, ohne die Kosten des Nachtrainings, und es ist der Grund, warum ein W4A16-Build ein ernstzunehmendes Modell sein kann statt einer verlustbehafteten Kuriosität.

REAP — Experten prunen statt verschmelzen

REAP steht für Router-weighted Expert Activation Pruning, veröffentlicht von Cerebras Research. In einem MoE-Modell ziehen nicht alle Experten ihr Gewicht: Zu manchen schickt der Router nur wenige Token, und manche tragen wenig Größenordnung bei, wenn sie feuern. REAP bewertet jeden Experten anhand beider Signale — Router-Gate-Werte und Aktivierungsnormen der Experten — und entfernt die wenig relevanten in einem einzigen Durchgang, vor der Quantisierung. Entscheidend ist, dass es prunt statt verschmilzt: Verschmelzen faltet mehrere Experten in einen, zerstört die feingranulare, eingabeabhängige Kontrolle des Routers und führt einen Fehlerboden ein, den kein Nachjustieren beseitigt (die Autoren nennen es funktionalen Unterraumkollaps), während Pruning die Überlebenden und die Kontrolle des Routers über sie unangetastet lässt. Cerebras berichtet, bis zu 50 % der Experten aus Modellen mit einer Billion Parametern entfernt zu haben, bei weitgehend gehaltener Ausgangsqualität — bei einem 480B-Coder-Modell mit 50 % Pruning 97,6 % der nicht-agentischen Coding-Fähigkeit und 96,7 % beim agentischen SWE-Bench. Das sind Zahlen von Cerebras für ihre eigenen Modelle, keine Messungen unseres Builds, aber sie sind der Grund, warum wir diesen Stack auf einem Fundament fahren, dessen größte Stärke Code ist.

Zusammen liest sich das Suffix wie ein Satz: die kaum genutzten Experten wegschneiden, die 4-Bit-Rundung lernen statt raten, die Aktivierungen in voller Breite lassen.

04Worin ist dieses Modell tatsächlich gut?

Zuerst die Ehrlichkeit: Laguna S 2.1 ist ein reines Textmodell für Dialoge — bei dieser Modell-ID keine Bildeingabe — und Poolside hat es für agentisches Coding und Arbeit über lange Horizonte gebaut, nicht für Prosa. Das Post-Training lief über 409.000 Umgebungen, darunter 83.000 Terminal- und 168.000 Software-Engineering-Aufgaben, mit Reinforcement Learning in FP8. Poolsides berichtete Ergebnisse für das unquantisierte Release:

Benchmark	Mit Denken	Ohne Denken	Was er misst
SWE-Bench Multilingual	78.5%	—	Echte Bugfixes über viele Sprachen
Terminal-Bench 2.1	70.2%	60.4%	Mehrstufige Shell- und Werkzeugarbeit
SWE-Bench Pro	59.4%	—	Schwerere, kontaminationsresistente Repo-Aufgaben
Toolathlon Verified	49.7%	—	Breite der Tool-Nutzung über viele APIs
SWE Atlas	46.2%	—	Navigation in Repositorys über lange Horizonte
DeepSWE v1.1	40.4%	16.5%	Agentisches Software-Engineering

Der Abstand zwischen den beiden Spalten ist hier die handlungsrelevanteste Zahl: Bei DeepSWE verdoppelt sich der Wert mehr als, wenn Reasoning aktiviert ist, und bei Terminal-Bench gewinnt er fast zehn Punkte.

Von Poolside berichtete Zahlen für das unquantisierte Release von Laguna S 2.1, Juli 2026. Sie sind keine Messungen unseres W4A16-AutoRound-REAP-Builds, und wir veröffentlichen dazu keine eigenen Benchmark-Werte. Mit reasoning_effort steuern Sie das Denkbudget auf unserer API.

Für Dialog- und Kreativarbeit lautet die ehrliche Position so: Die Eigenschaften hinter langen agentischen Läufen — viel Zustand kohärent halten, bei der Sache bleiben, nicht abdriften — sind dieselben wie hinter langer Arbeit an einer Figur, und in der Praxis hält es die Stimme über ein sehr langes Fenster gut. Kein veröffentlichter Benchmark sagt das, und wir erfinden keinen. Testen Sie es mit Ihren eigenen Prompts; bei $0.50 pro Million Eingabe-Token ist das nahezu umsonst.

05Was kauft der Einstiegspreis wirklich?

$0.50 rein / $2.00 raus pro Million Token ist die Einstiegsstufe auf dem Shannon-AI-Gateway, geteilt mit MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro und Hy3. Konkret:

Arbeitslast	Eingabe	Ausgabe	Kosten
Eine Chat-Runde mit 100K Verlauf	100,000	2,000	$0.054
Ein Kapitel mit 5.000 Wörtern aus einem langen Briefing	30,000	7,000	$0.029
1.000 kurze Gesprächsrunden	4,000,000	500,000	$3.00
Ein voller Kontext von 262K Token	262,144	16,384	$0.164

Die letzte Zeile sollte man verinnerlichen: Das gesamte Kontextfenster zu füllen und die maximale Antwort von 16.384 Token zu erzeugen kostet rund sechzehn Cent. Ein ganzes Manuskript, ein Sitzungsprotokoll oder einen Dokumentensatz in einen einzigen Aufruf zu geben, ist keine Budgetentscheidung mehr, sondern eine Latenzentscheidung. Dieselbe Rechnung treibt den anderen Anwendungsfall des Einstiegspreises — Volumen: Klassifizierung im Batch, massenhaftes Umschreiben, synthetische Dialoge, erste Entwürfe, die ein stärkeres Modell später verfeinert. Siehe die Preisseite und den Forschungsindex.

06Was „unzensiert“ hier bedeutet

Es bedeutet, was es sagt: keine Ablehnungsschicht und keine Inhaltsfilterung der Ausgabe. Zwischen dem Modell und Ihrer Antwort sitzt kein Klassifikator, der entscheidet, ob Sie fragen durften; das Modell antwortet in dem Register, das Sie verlangt haben, und belehrt Sie nicht zuerst über die Prämisse.

Für kreative Arbeit ist das der Unterschied zwischen einem brauchbaren und einem unbrauchbaren Werkzeug. Fiktion enthält bedrohliche Gegenspieler, Figuren, die überzeugend lügen, Gewalt mit Konsequenzen, moralisch kompromittierte Erzähler — ein Modell, das aus der Rolle fällt, um einen Hinweis anzuhängen, hat die Aufgabe verfehlt und nicht Sicherheit erreicht. Dasselbe gilt für Security-Forschung, Red-Team-Dokumentation, medizinische und juristische Entwürfe sowie Übersetzungen, deren Quelle unverblümt ist: Kategorien, in denen eine Ablehnung schlicht eine falsche Antwort ist. Was es nicht bedeutet, ist, dass das Urteil aufhört, Ihres zu sein — Sie bleiben verantwortlich für das, was Sie erzeugen, gemäß unserer Richtlinie zur verantwortungsvollen Nutzung und dem geltenden Recht.

07So rufen Sie die unzensierte Laguna-API auf

Drei Dialekte, ein Modell: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Streaming funktioniert in allen dreien, eine bestehende Integration zieht also durch das Ändern einer Basis-URL und einer Modell-ID um — kein SDK-Tausch, kein Umschreiben Ihrer Nachrichtenverarbeitung.

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"
}

Ein paar praktische Hinweise:

• Senden Sie an diese Modell-ID kein response_format und kein json_schema — wenn Ihre Client-Bibliothek eines davon standardmäßig setzt, schalten Sie es ab oder wechseln Sie zu einem Geschwistermodell, das es unterstützt.
• Tools kommen in das übliche Array tools — Tool-Calling wird vollständig unterstützt; nur die Schema-Erzwingung für freien Text nicht.
• Planen Sie Ihr Reasoning-Budget. reasoning_effort wird berücksichtigt — niedrig oder aus hält die Dialoglatenz niedrig und die Ausgabe-Token billig; erhöhen Sie es für mehrstufige Werkzeugarbeit, wo der Benchmark-Abstand oben zeigt, was es einbringt.
• Die Ausgabeobergrenze liegt bei 16.384 Token pro Anfrage. Für Generierung in Buchlänge teilen Sie in Kapitel und streamen.
• Nur Text. Bei dieser Modell-ID keine Bildeingabe — nutzen Sie MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 oder inkling für Vision.

Vollständige Parameterreferenz, Authentifizierung, Fehlersemantik und ein Live-Playground: API-Dokumentation.

08Wann Sie es wählen sollten und wann nicht

Wählen Sie es, wenn Ihre Ausgabe Prosa, Dialog oder Code ist, den ein Mensch liest; wenn Sie Tool-Calling brauchen, aber keinen schemagebundenen Text; wenn die Kosten pro Token bei langem Kontext dominieren; oder wenn Sie eine zweite Meinung aus einer anderen Linie als den Familien DeepSeek, Kimi und MiMo wollen, die den Rest des Angebots füllen.

Wählen Sie etwas anderes, wenn Sie garantiertes JSON brauchen (MiMo-V2.5-Pro), Bildverständnis (Kimi-K2.6 oder MiMo-V2.5) oder das obere Ende der Schwierigkeit, wo der Preisunterschied neben der richtigen Antwort belanglos ist (DeepSeek-V4-Pro, Kimi-K3).

09Häufig gestellte Fragen

---

Quellen: Poolside — Modellkarte Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Architektur- und Benchmark-Zahlen sind vom Herausgeber für das unquantisierte Release berichtet und keine Messungen des Builds, den wir ausliefern. Shannon AI wird von Shannon Lab LLC, New Mexico, USA, betrieben.