Το API Laguna χωρίς λογοκρισία

Οι περισσότερες σελίδες για «φθηνά μοντέλα» σού ζητούν να δεχτείς ένα μικρό, κουρασμένο θεμέλιο με αντάλλαγμα ένα χαμηλό νούμερο. Αυτή δεν το κάνει. Το Laguna S 2.1 είναι μια κυκλοφορία αραιού Mixture-of-Experts τρέχουσας γενιάς, εκπαιδευμένη σε 4.096 H200 και παραδομένη σε λιγότερες από εννέα εβδομάδες, και κάθεται στην ίδια βάση των $0.50 / $2.00 με κάθε άλλο μοντέλο εισαγωγικής βαθμίδας που σερβίρουμε. Η ανταλλαγή είναι στενή και εύκολη στη σκέψη: παραιτείσαι από τη δομημένη έξοδο που επιβάλλει ο server και κρατάς όλα τα υπόλοιπα.

01Τι είναι το Laguna S 2.1;

Το Laguna S 2.1 είναι ένα μοντέλο ανοιχτών βαρών που κυκλοφόρησε η Poolside στις 21 Ιουλίου 2026 υπό την επιτρεπτική άδεια OpenMDW-1.1 — το μεσαίο μέλος της οικογένειας Laguna, ανάμεσα στο Laguna XS 2.1 (33B/3B ενεργά) και στο Laguna M.1 (225B/23B ενεργά).

Η δημοσιευμένη αρχιτεκτονική είναι ένας router επιλογής ανά token με πύλη softplus πάνω σε 256 δρομολογημένους ειδικούς συν έναν κοινό ειδικό, δέκα επιλεγμένους ανά token, σε 48 στρώματα — δώδεκα καθολικής προσοχής, τριάντα έξι με κυλιόμενο παράθυρο 512 tokens, μια εναλλαγή που κρατά το κόστος προσοχής για πολύ μακριές εισόδους κοντά στο γραμμικό αντί για τετραγωνικό. Η προσοχή είναι grouped-query με 8 κεφαλές key-value σε διάσταση κεφαλής 128.

Δύο συνέπειες μετράνε για όποιον καταναλώνει το API. Η αραιή ενεργοποίηση είναι ο λόγος που ένα μοντέλο 118B μπορεί να κάθεται στην τιμή βάσης — μόνο ~8B παράμετροι δουλεύουν ανά token, οπότε ο υπολογισμός ανά token είναι πιο κοντά σε ένα μικρό πυκνό μοντέλο απ' ό,τι υποδηλώνει το πλήθος παραμέτρων. Και η εναλλαγή με κυλιόμενο παράθυρο είναι ο λόγος που το μακρύ παράθυρο είναι πραγματικά χρήσιμο και όχι ονομαστικό. Η κυκλοφορία της Poolside υποστηρίζει 1.048.576 tokens· εμείς σερβίρουμε 262.144, όσο και κάθε άλλο μοντέλο στο gateway.

02Η μία επιφύλαξη: χωρίς δομημένη έξοδο

Τι εξακολουθεί να δουλεύει. Η κλήση εργαλείων υποστηρίζεται πλήρως, και τα ορίσματα των κλήσεων εργαλείων φτάνουν ως αντικείμενο JSON ακριβώς όπως σε κάθε άλλο μοντέλο εδώ. Αν η «δομημένη έξοδος» της εφαρμογής σου είναι στην πραγματικότητα ορίσματα εργαλείων — που ισχύει για τα περισσότερα frameworks πρακτόρων, τους διακομιστές MCP και τα front-end βάσεων δεδομένων — το Laguna S 2.1 σε εξυπηρετεί μια χαρά. Το streaming δουλεύει και στις τρεις διαλέκτους· το reasoning_effort δουλεύει.

Τι δεν δουλεύει. Δεν μπορείς να δώσεις στο endpoint ένα JSON Schema και να έχεις εγγύηση ότι η κειμενική απάντηση του βοηθού θα το επικυρώνει, και το response_format: {"type": "json_object"} δεν σου αγοράζει τίποτα. Το να ζητάς JSON στο prompt συνήθως παράγει JSON — αυτό είναι ικανό μοντέλο — αλλά το «συνήθως» δεν είναι συμβόλαιο. Η ίδια η Poolside τεκμηριώνει ως γνωστό περιορισμό τη λανθασμένη διαφυγή χαρακτήρων JSON σε βαθιά ένθετες κλήσεις εργαλείων, μια υπενθύμιση ότι η εγγύηση, όπου υπάρχει αλλού στον κατάλογό μας, προέρχεται από το επίπεδο σερβιρίσματος και όχι από τις καλές προθέσεις του μοντέλου.

Ποιο αδελφό μοντέλο να χρησιμοποιήσεις αντ' αυτού

Αν ο φόρτος σου χρειάζεται εγγυημένο JSON, μην παλεύεις με αυτό το μοντέλο — άλλαξε το model id. Τέσσερα αδελφά μοντέλα κάθονται στην ίδια ακριβώς τιμή $0.50 / $2.00 με πλήρη υποστήριξη json_schema και response_format:

Model id	json_schema	Όραση	Γιατί θα το διάλεγες
MiMo-V2.5-Pro-W8A16	Ναι	Όχι	Η άμεση αντικατάσταση — βάρη 8 bit, βαθμίδα υψηλότερης πιστότητας, ίδια τιμή
MiMo-V2.5-W8A16	Ναι	Ναι	Το ίδιο, συν είσοδο εικόνας
Hy3-W8A16	Ναι	Όχι	Άλλο ένα μοντέλο κειμένου 8 bit στην τιμή βάσης
DeepSeek-V4-Flash-0731	Ναι	Όχι	W4A16-AutoRound-REAP όπως το Laguna, με τη στήριξη σχήματος άθικτη

Η φυσική προεπιλογή είναι το MiMo-V2.5-Pro (W8A16): μόνο κείμενο, στην τιμή βάσης, κβαντισμένο στην ηπιότερη βαθμίδα που τρέχουμε — λεπτομέρειες στον οδηγό μοντέλου MiMo-V2.5. Επειδή και τα δώδεκα μοντέλα μοιράζονται endpoints, παράθυρο context και οροφή εξόδου, η αλλαγή είναι μια αλλαγή μίας γραμμής στο πεδίο model.

03Τι σημαίνει W4A16-AUTOROUND-REAP;

Η κατάληξη στο model id δεν είναι διακόσμηση — λέει ακριβώς πώς συμπιέστηκαν τα βάρη πριν φορτωθούν στο cluster GPU μας. Τρία μέρη.

W4A16 — βάρη 4 bit, ενεργοποιήσεις 16 bit

Τα βάρη αποθηκεύονται στα 4 bit· οι ενεργοποιήσεις — οι τιμές που ρέουν ανάμεσα στα στρώματα κατά την εξαγωγή συμπερασμάτων — μένουν στα 16. Το κόψιμο των βαρών στο ένα τέταρτο του αποτυπώματος BF16 είναι αυτό που κάνει ένα μοντέλο 118B να χωρά και να μένει γρήγορο, ενώ το να κρατάς τις ενεργοποιήσεις πλατιές προστατεύει το αριθμητικά ευαίσθητο κομμάτι του εμπρόσθιου περάσματος. Συμπίεσε ό,τι είναι μεγάλο και στατικό, άσε ήσυχο ό,τι είναι μικρό και δυναμικό.

AutoRound — μαθημένη στρογγυλοποίηση, όχι στρογγυλοποίηση στο πλησιέστερο

Ο αφελής τρόπος κβαντισμού είναι η στρογγυλοποίηση στο πλησιέστερο: κουμπώνεις κάθε βάρος στην κοντινότερη τιμή 4 bit και δέχεσαι το σφάλμα. Το AutoRound, το ανοιχτό εργαλείο κβαντισμού μετά την εκπαίδευση της Intel, τα πάει καλύτερα — η μέθοδός του SignRound χρησιμοποιεί προσημασμένη κατάβαση κλίσης για να βελτιστοποιήσει από κοινού τις αποφάσεις στρογγυλοποίησης και τα εύρη ψαλιδίσματος σε μερικές εκατοντάδες βήματα, αποφασίζοντας ανά βάρος αν η στρογγυλοποίηση προς τα πάνω ή προς τα κάτω κάνει λιγότερη ζημιά στην πραγματική έξοδο του στρώματος. Δανείζεται την ιδέα από την εκπαίδευση με επίγνωση κβαντισμού χωρίς το κόστος της επανεκπαίδευσης, και γι' αυτό ένα build W4A16 μπορεί να είναι σοβαρό μοντέλο και όχι μια απωλεστική περιέργεια.

REAP — κλάδεμα ειδικών αντί για συγχώνευσή τους

Το REAP είναι το Router-weighted Expert Activation Pruning, δημοσιευμένο από τη Cerebras Research. Σε ένα μοντέλο MoE δεν τραβούν όλοι οι ειδικοί το βάρος τους: ο router στέλνει λίγα tokens σε κάποιους, και κάποιοι συνεισφέρουν μικρό μέγεθος όταν πυροδοτούνται. Το REAP βαθμολογεί κάθε ειδικό και στα δύο σήματα — τιμές πύλης του router και νόρμες ενεργοποίησης ειδικών — και αφαιρεί τους χαμηλής προεξοχής με μία βολή, πριν τον κβαντισμό. Κρίσιμα, κλαδεύει αντί να συγχωνεύει: η συγχώνευση διπλώνει πολλούς ειδικούς σε έναν, καταστρέφοντας τον λεπτομερή, εξαρτώμενο από την είσοδο έλεγχο του router και εισάγοντας ένα δάπεδο σφάλματος που καμία ρύθμιση δεν αφαιρεί (οι συγγραφείς το ονομάζουν κατάρρευση λειτουργικού υποχώρου), ενώ το κλάδεμα αφήνει άθικτους τους επιζώντες και τον έλεγχο του router πάνω τους. Η Cerebras αναφέρει αφαίρεση έως και 50% των ειδικών από μοντέλα τρισεκατομμυρίου παραμέτρων διατηρώντας σε μεγάλο βαθμό την ποιότητα βάσης — σε ένα μοντέλο κώδικα 480B με 50% κλάδεμα, 97,6% της μη αντζεντικής ικανότητας κώδικα της βάσης και 96,7% στο αντζεντικό SWE-Bench. Αυτά είναι νούμερα της Cerebras για τα δικά της μοντέλα, όχι μετρήσεις του δικού μας build, αλλά είναι ο λόγος που τρέχουμε αυτή τη στοίβα πάνω σε ένα θεμέλιο του οποίου η κύρια δύναμη είναι ο κώδικας.

Μαζί, η κατάληξη διαβάζεται σαν πρόταση: κλάδεψε τους ειδικούς που μόλις και μετά βίας χρησιμοποιούνταν, μάθε τη στρογγυλοποίηση των 4 bit αντί να τη μαντεύεις, κράτα τις ενεργοποιήσεις σε πλήρες πλάτος.

04Σε τι είναι πραγματικά καλό αυτό το μοντέλο;

Πρώτα η ειλικρίνεια: το Laguna S 2.1 είναι ένα συνομιλιακό μοντέλο μόνο κειμένου — χωρίς είσοδο εικόνας σε αυτό το model id — και η Poolside το έχτισε για αντζεντικό κώδικα και δουλειά μακρού ορίζοντα, όχι για πεζό λόγο. Η μετεκπαίδευση έτρεξε σε πάνω από 409.000 περιβάλλοντα, ανάμεσά τους 83.000 εργασίες τερματικού και 168.000 εργασίες μηχανικής λογισμικού, με ενισχυτική μάθηση σε FP8. Τα αποτελέσματα που ανέφερε η Poolside για την ακβάντιστη κυκλοφορία:

Benchmark	Με σκέψη	Χωρίς σκέψη	Τι μετρά
SWE-Bench Multilingual	78.5%	—	Πραγματικές διορθώσεις σφαλμάτων σε πολλές γλώσσες
Terminal-Bench 2.1	70.2%	60.4%	Δουλειά κελύφους και εργαλείων σε πολλά βήματα
SWE-Bench Pro	59.4%	—	Δυσκολότερες εργασίες αποθετηρίου, ανθεκτικές σε μόλυνση
Toolathlon Verified	49.7%	—	Εύρος χρήσης εργαλείων σε πολλά API
SWE Atlas	46.2%	—	Πλοήγηση αποθετηρίου μακρού ορίζοντα
DeepSWE v1.1	40.4%	16.5%	Αντζεντική μηχανική λογισμικού

Η απόσταση ανάμεσα στις δύο στήλες είναι το πιο αξιοποιήσιμο νούμερο εδώ: στο DeepSWE το σκορ πάνω από διπλασιάζεται όταν ενεργοποιείται η συλλογιστική, και στο Terminal-Bench κερδίζει σχεδόν δέκα μονάδες.

Νούμερα δηλωμένα από την Poolside για την ακβάντιστη κυκλοφορία Laguna S 2.1, Ιούλιος 2026. Δεν είναι μετρήσεις του δικού μας build W4A16-AutoRound-REAP, και δεν δημοσιεύουμε δικά μας νούμερα benchmark γι' αυτό. Χρησιμοποίησε το reasoning_effort για να ελέγξεις τον προϋπολογισμό σκέψης στο API μας.

Για συνομιλιακή και δημιουργική δουλειά η ειλικρινής θέση είναι αυτή: οι ιδιότητες πίσω από τα μακριά αντζεντικά τρεξίματα — το να κρατάς πολλή κατάσταση με συνοχή, να μένεις στο θέμα, να μην παρασύρεσαι — είναι οι ίδιες που στηρίζουν τη μακροσκελή δουλειά με χαρακτήρες, και στην πράξη κρατά καλά τη φωνή σε ένα πολύ μακρύ παράθυρο. Κανένα δημοσιευμένο benchmark δεν το λέει, και δεν θα εφεύρουμε ένα. Δοκίμασέ το στα δικά σου prompts· στα $0.50 ανά εκατομμύριο tokens εισόδου αυτό είναι σχεδόν δωρεάν.

05Τι αγοράζει πραγματικά η τιμή βάσης;

Τα $0.50 in / $2.00 out ανά εκατομμύριο tokens είναι η εισαγωγική βαθμίδα στο Shannon AI Gateway, κοινή με τα MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro και Hy3. Συγκεκριμένα:

Φόρτος	Είσοδος	Έξοδος	Κόστος
Ένας γύρος συνομιλίας με 100K ιστορικό	100,000	2,000	$0.054
Ένα κεφάλαιο 5.000 λέξεων από ένα μακρύ brief	30,000	7,000	$0.029
1.000 σύντομοι γύροι συνομιλίας	4,000,000	500,000	$3.00
Μια πλήρης ανάγνωση context 262K tokens	262,144	16,384	$0.164

Η τελευταία γραμμή είναι αυτή που πρέπει να εσωτερικεύσεις: το γέμισμα ολόκληρου του παραθύρου context και η παραγωγή της μέγιστης απόκρισης 16.384 tokens κοστίζει περίπου δεκαέξι σεντς. Το να ταΐζεις ένα ολόκληρο χειρόγραφο, μια απομαγνητοφώνηση συνεδρίας ή ένα σύνολο εγγράφων σε μία κλήση παύει να είναι απόφαση προϋπολογισμού και γίνεται απόφαση καθυστέρησης. Η ίδια αριθμητική οδηγεί και την άλλη περίπτωση χρήσης της τιμής βάσης — τον όγκο: μαζική ταξινόμηση, ομαδική ξαναγραφή, συνθετικό διάλογο, πρώτο πέρασμα σύνταξης που ένα δυνατότερο μοντέλο βελτιώνει αργότερα. Δες τη σελίδα τιμολόγησης και το ευρετήριο ερευνών.

06Τι σημαίνει εδώ «χωρίς λογοκρισία»

Σημαίνει αυτό που λέει: κανένα επίπεδο άρνησης και κανένα φιλτράρισμα περιεχομένου στην έξοδο. Κανένας ταξινομητής δεν κάθεται ανάμεσα στο μοντέλο και στην απάντησή σου αποφασίζοντας αν σου επιτρεπόταν να ρωτήσεις· το μοντέλο απαντά στο ύφος που ζήτησες και δεν σου κάνει πρώτα κήρυγμα για την προκείμενη.

Για δημιουργική δουλειά αυτή είναι η διαφορά ανάμεσα σε ένα χρήσιμο και σε ένα άχρηστο εργαλείο. Η μυθοπλασία περιέχει απειλητικούς ανταγωνιστές, χαρακτήρες που λένε πειστικά ψέματα, βία με συνέπειες, ηθικά εκτεθειμένους αφηγητές — ένα μοντέλο που βγαίνει από τον ρόλο για να προσθέσει μια αποποίηση ευθύνης έχει αποτύχει στην εργασία, δεν έχει πετύχει στην ασφάλεια. Το ίδιο ισχύει για την έρευνα ασφάλειας, την τεκμηρίωση red team, τη σύνταξη ιατρικών και νομικών κειμένων και τη μετάφραση όπου το πρωτότυπο είναι ωμό: κατηγορίες όπου μια άρνηση είναι απλώς λάθος απάντηση. Αυτό που δεν σημαίνει είναι ότι η κρίση παύει να είναι δική σου — παραμένεις υπεύθυνος για ό,τι παράγεις, υπό την Πολιτική Υπεύθυνης Χρήσης μας και την ισχύουσα νομοθεσία.

07Πώς να καλέσεις το API Laguna χωρίς λογοκρισία

Τρεις διάλεκτοι, ένα μοντέλο: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Το streaming δουλεύει και στις τρεις, οπότε μια υπάρχουσα ενσωμάτωση μετακομίζει αλλάζοντας ένα base URL και ένα model id — χωρίς αλλαγή SDK, χωρίς ξαναγράψιμο του χειρισμού μηνυμάτων σου.

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"
}

Μερικές πρακτικές σημειώσεις:

• Μη στέλνεις response_format ή json_schema σε αυτό το model id — αν η βιβλιοθήκη client σου ορίζει κάποιο από προεπιλογή, απενεργοποίησέ το ή πήγαινε σε ένα αδελφό μοντέλο που το υποστηρίζει.
• Τα εργαλεία πάνε στον συνηθισμένο πίνακα tools — η κλήση εργαλείων υποστηρίζεται πλήρως· μόνο η επιβολή σχήματος σε ελεύθερο κείμενο δεν υποστηρίζεται.
• Βάλε προϋπολογισμό στη συλλογιστική σου. Το reasoning_effort τηρείται — χαμηλό ή κλειστό κρατά χαμηλά τη συνομιλιακή καθυστέρηση και φθηνά τα tokens εξόδου· ανέβασέ το για δουλειά εργαλείων πολλών βημάτων, όπου η απόσταση στα benchmark παραπάνω δείχνει τι αγοράζει.
• Η οροφή εξόδου είναι 16.384 tokens ανά αίτημα. Για παραγωγή σε μέγεθος βιβλίου, χώρισέ το σε κεφάλαια και κάνε streaming.
• Μόνο κείμενο. Χωρίς είσοδο εικόνας σε αυτό το model id — χρησιμοποίησε MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 ή inkling για όραση.

Πλήρης αναφορά παραμέτρων, ταυτοποίηση, σημασιολογία σφαλμάτων και ζωντανό playground: τεκμηρίωση του API.

08Πότε να το διαλέξεις και πότε όχι

Διάλεξέ το όταν η έξοδός σου είναι πεζός λόγος, διάλογος ή κώδικας που τον διαβάζει άνθρωπος· χρειάζεσαι κλήση εργαλείων αλλά όχι κείμενο περιορισμένο από σχήμα· το κόστος ανά token κυριαρχεί πάνω στο μακρύ context· ή θέλεις μια δεύτερη γνώμη από μια καταγωγή άλλη από τις οικογένειες DeepSeek, Kimi και MiMo που γεμίζουν τον υπόλοιπο κατάλογο.

Διάλεξε κάτι άλλο όταν χρειάζεσαι εγγυημένο JSON (MiMo-V2.5-Pro), κατανόηση εικόνας (Kimi-K2.6 ή MiMo-V2.5), ή το άκρο αιχμής της δυσκολίας όπου η διαφορά τιμής είναι ασήμαντη μπροστά στο να βγει σωστή η απάντηση (DeepSeek-V4-Pro, Kimi-K3).

09Συχνές ερωτήσεις

---

Πηγές: Poolside — οδηγός μοντέλου Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Τα νούμερα αρχιτεκτονικής και benchmark είναι δηλωμένα από τον εκδότη για την ακβάντιστη κυκλοφορία, όχι μετρήσεις του build που σερβίρουμε. Το Shannon AI λειτουργεί από τη Shannon Lab LLC, Νέο Μεξικό, ΗΠΑ.