Sencenzura Laguna API
Laguna S 2.1 — fundamento laŭ Miksaĵo de Spertuloj kun 118 miliardoj da parametroj, servata kun neniu rifuza tavolo, kunteksta fenestro de 262K, kaj ilvokado — je la planka prezo de $0.50 enige / $2.00 elige por miliono da ĵetonoj.
Resume
La sencenzura Laguna API rulas Laguna S 2.1 de Poolside — 118 miliardoj da parametroj entute, ~8 miliardoj aktivaj po ĵetono, malfermaj pezoj sub OpenMDW-1.1 — kvantigita al W4A16 per AutoRound kaj REAP kaj servata sur nia propra GPU-aro. Vi ricevas kuntekston de 262,144 ĵetonoj, 16,384 eligajn ĵetonojn po peto, flusendadon, ilvokadon, reasoning_effort, kaj neniun filtradon de la eligo. Unu averto, dirita antaŭe: ĉi tio estas la sola modelo en nia listo, kiu subtenas nek json_schema nek response_format. Se vi bezonas garantiitan JSON-on, prenu fraton — la Pro-konstruo de MiMo-V2.5 faras tion je la identa prezo.
Plej multaj paĝoj pri "malmultekosta modelo" petas vin akcepti malgrandan, lacan fundamenton kontraŭ malalta cifero. Ĉi tiu ne. Laguna S 2.1 estas nuntempgeneracia eldono de maldensa Miksaĵo de Spertuloj, trejnita sur 4,096 H200-oj kaj liverita en malpli ol naŭ semajnoj, kaj ĝi sidas je la sama planko de $0.50 / $2.00 kiel ĉiu alia enirnivela modelo, kiun ni servas. La kompromiso estas mallarĝa kaj facile prijuĝebla: vi rezignas pri servil-devigita strukturita eligo kaj konservas ĉion alian.
01Kio estas Laguna S 2.1?
Laguna S 2.1 estas malfermpeza modelo eldonita de Poolside la 21-an de julio 2026 sub la permesema permesilo OpenMDW-1.1 — la mezgranda membro de la familio Laguna, inter Laguna XS 2.1 (33B/3B aktivaj) kaj Laguna M.1 (225B/23B aktivaj).
La publikigita arkitekturo estas enkursigilo laŭ ĵetona elekto kun softplus-kluzado super 256 enkursigitaj spertuloj plus unu komuna spertulo, dek elektitaj po ĵetono, tra 48 tavoloj — dek du kun tutmonda atento, tridek ses kun glitanta fenestro je fenestro de 512 ĵetonoj, interplektado, kiu tenas la atentan koston de tre longaj enigoj preskaŭ lineara anstataŭ kvadrata. La atento estas laŭ grupigitaj demandoj kun 8 ŝlosil-valoraj kapoj je kapdimensio 128.
Du sekvoj gravas al API-konsumanto. La maldensa aktivigo estas la kialo, kial modelo kun 118 miliardoj povas sidi je la planka prezo — nur ~8 miliardoj da parametroj laboras po ĵetono, do la kalkulo po ĵetono estas pli proksima al malgranda densa modelo ol la nombro de parametroj sugestas. Kaj la interplektado kun glitanta fenestro estas la kialo, kial la longa fenestro estas vere uzebla anstataŭ nominala. La eldono de Poolside subtenas 1,048,576 ĵetonojn; ni servas 262,144, kongrue kun ĉiu alia modelo sur la Enirejo.
02La unu averto: neniu strukturita eligo
Laguna S 2.1 ĉe Shannon AI akceptas nek json_schema nek response_format. Ĝi estas la sola modelo en nia dekdu-modela listo sen subteno de strukturita eligo; sendi iun el la du parametroj ne donos al vi respondon limigitan de skemo. Ilvokado funkcias. Flusendado funkcias. Rezonado funkcias. Mankas nur la servil-devigita formado de la eligo.
Kio ankoraŭ funkcias. Ilvokado estas plene subtenata, kaj la argumentoj de ilvokoj ankoraŭ alvenas kiel JSON-objekto ĝuste kiel ĉe iu ajn alia modelo ĉi tie. Se la "strukturita eligo" de via aplikaĵo fakte estas ilargumentoj — vera pri plej multaj agentaj framoj, MCP-serviloj kaj datumbazaj fasadoj — Laguna S 2.1 bone servas vin. Flusendado funkcias sur ĉiuj tri dialektoj; reasoning_effort funkcias.
Kio ne. Vi ne povas transdoni JSON-skemon al la finpunkto kaj esti garantiita, ke la teksta respondo de la asistanto validiĝos kontraŭ ĝi, kaj response_format: {"type": "json_object"} aĉetas al vi nenion. Peti JSON-on kutime produktas JSON-on — ĉi tio estas kompetenta modelo — sed "kutime" ne estas kontrakto. Poolside mem dokumentas malĝustan JSON-eskapadon en profunde ingitaj ilvokoj kiel konatan limigon, memorigilon, ke la garantio, kie ĝi ekzistas aliloke en nia listo, venas de la serva tavolo anstataŭ de la bonaj intencoj de la modelo.
Kiun fraton uzi anstataŭe
Se via ŝarĝo bezonas garantiitan JSON-on, ne batalu kontraŭ ĉi tiu modelo — ŝanĝu la modelidentigilon. Kvar fratoj sidas je la identa prezo de $0.50 / $2.00 kun plena subteno de json_schema kaj response_format:
| Modelidentigilo | json_schema | Vido | Kial vi elektus ĝin |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Jes | Ne | La rekta anstataŭigo — 8-bitaj pezoj, la plej altfidela nivelo, sama prezo |
| MiMo-V2.5-W8A16 | Jes | Jes | Sama, plus bilda enigo |
| Hy3-W8A16 | Jes | Ne | Alia 8-bita teksta modelo je la planka prezo |
| DeepSeek-V4-Flash-0731 | Jes | Ne | W4A16-AutoRound-REAP kiel Laguna, kun la skema subteno netuŝita |
La natura defaŭlto estas MiMo-V2.5-Pro (W8A16): nur-teksta, je la planka prezo, kvantigita je la plej milda nivelo, kiun ni rulas — detaloj sur la modelkarto pri MiMo-V2.5. Ĉar ĉiuj dek du modeloj dividas finpunktojn, kuntekstan fenestron kaj eligan plafonon, la ŝanĝo estas unulinia modifo de la kampo model.
03Kion signifas W4A16-AUTOROUND-REAP?
La sufikso sur la modelidentigilo ne estas ornamo — ĝi diras precize, kiel la pezoj estis kunpremitaj antaŭ ol ili estis ŝargitaj sur nian GPU-aron. Tri partoj.
W4A16 — 4-bitaj pezoj, 16-bitaj aktivigoj
La pezoj estas konservataj je 4 bitoj; la aktivigoj — la valoroj fluantaj inter tavoloj je la inferenca tempo — restas je 16. Tranĉi la pezojn al kvarono de ilia BF16-spuro estas tio, kio ebligas al modelo kun 118 miliardoj enteniĝi kaj resti rapida, dum teni la aktivigojn larĝaj protektas la nombre senteman parton de la antaŭenira paŝo. Kunpremu tion, kio estas granda kaj senmova, lasu trankvila tion, kio estas malgranda kaj dinamika.
AutoRound — lernita rondigo, ne rondigo al la plej proksima
La naiva maniero kvantigi estas rondigo al la plej proksima: klaki ĉiun pezon al la plej proksima 4-bita valoro, akcepti la eraron. AutoRound, la malferma ilaro de Intel por posttrejna kvantigo, faras pli bone — ĝia metodo SignRound uzas signuman gradientan descendon por kune optimumigi rondigajn decidojn kaj tondajn gamojn tra kelkcent paŝoj, decidante po pezo, ĉu rondigi supren aŭ malsupren faras malpli da damaĝo al la reala eligo de la tavolo. Ĝi pruntas la ideon el kvantig-konscia trejnado sen la kosto de retrejnado, kaj ĝi estas la kialo, kial W4A16-konstruo povas esti serioza modelo anstataŭ perdiga kuriozaĵo.
REAP — pritondi spertulojn anstataŭ kunfandi ilin
REAP estas Router-weighted Expert Activation Pruning, publikigita de Cerebras Research. En MoE-modelo ne ĉiuj spertuloj tiras sian pezon: la enkursigilo sendas malmultajn ĵetonojn al kelkaj, kaj kelkaj kontribuas malmulte da grando, kiam ili ja ekbrulas. REAP taksas ĉiun spertulon laŭ ambaŭ signaloj — la kluzaj valoroj de la enkursigilo kaj la normoj de la aktivigoj de la spertulo — kaj forigas la malaltelstarajn per unu sola pafo, antaŭ la kvantigo. Esence ĝi pritondas anstataŭ kunfandi: kunfandado faldas plurajn spertulojn en unu, detruante la fajngrajnan, enig-dependan regadon de la enkursigilo kaj enkondukante eraran plankon, kiun neniu agordado forigas (la aŭtoroj nomas ĝin kolapso de la funkcia subspaco), dum pritondado lasas la postvivantojn kaj la regadon de la enkursigilo super ili netuŝitaj. Cerebras raportas forigon de ĝis 50% de la spertuloj el modeloj kun biliono da parametroj dum plejparte konserviĝas la bazlinia kvalito — sur koda modelo kun 480 miliardoj je 50% pritondado, 97.6% de la bazlinia neagenta koda kapablo kaj 96.7% ĉe la agenta SWE-Bench. Tiuj estas ciferoj de Cerebras pri iliaj propraj modeloj, ne mezuroj de nia konstruo, sed ili estas la kialo, kial ni rulas ĉi tiun stakon sur fundamento, kies ĉefa forto estas kodo.
Kune la sufikso legiĝas kiel frazo: pritondu la spertulojn, kiuj estis apenaŭ uzataj, lernu la 4-bitan rondigon anstataŭ diveni ĝin, tenu la aktivigojn je plena larĝo.
04Pri kio ĉi tiu modelo efektive bonas?
Unue la honesteco: Laguna S 2.1 estas nur-teksta konversacia modelo — neniu bilda enigo sur ĉi tiu modelidentigilo — kaj Poolside konstruis ĝin por agenta kodado kaj longhorizonta laboro, ne por prozo. La posttrejnado ruliĝis super 409,000 medioj, inkluzive de 83,000 terminalaj kaj 168,000 programaraj taskoj, kun plifortiga lernado en FP8. La raportitaj rezultoj de Poolside pri la nekvantigita eldono:
| Benchmark | Kun pensado | Sen pensado | Kion ĝi mezuras |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Veraj cimriparoj tra multaj lingvoj |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Plurpaŝa ŝela kaj ilara laboro |
| SWE-Bench Pro | 59.4% | — | Pli malfacilaj, kontraŭ-poluaj deponejaj taskoj |
| Toolathlon Verified | 49.7% | — | Larĝo de ilouzo tra multaj API-oj |
| SWE Atlas | 46.2% | — | Longhorizonta navigado en deponejo |
| DeepSWE v1.1 | 40.4% | 16.5% | Agenta programara inĝenierado |
La breĉo inter la du kolumnoj estas la plej agebla cifero ĉi tie: ĉe DeepSWE la poento pli ol duobliĝas, kiam la rezonado estas ŝaltita, kaj ĉe Terminal-Bench ĝi gajnas preskaŭ dek poentojn.
Ciferoj raportitaj de Poolside pri la nekvantigita eldono de Laguna S 2.1, julio 2026. Ili ne estas mezuroj de nia konstruo W4A16-AutoRound-REAP, kaj ni publikigas neniujn proprajn benchmark-ciferojn pri ĝi. Uzu reasoning_effort por regi la pensan buĝeton sur nia API.
Por konversacia kaj krea laboro la honesta pozicio estas jena: la ecoj malantaŭ longaj agentaj ruloj — teni multe da stato kohere, resti ĉe la tasko, ne forderivi — estas la samaj, kiuj staras malantaŭ longforma rolverkado, kaj praktike ĝi tenas la voĉon bone tra tre longa fenestro. Neniu publikigita benchmark diras tion, kaj ni ne elpensos ĝin. Testu ĝin sur viaj propraj petoj; je $0.50 por miliono da enigaj ĵetonoj tio estas preskaŭ senpaga.
05Kion la planka prezo efektive aĉetas?
$0.50 enige / $2.00 elige por miliono da ĵetonoj estas la enirnivelo sur la Enirejo de Shannon AI, dividata kun MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro kaj Hy3. Konkrete:
| Ŝarĝo | Enigo | Eligo | Kosto |
|---|---|---|---|
| Unu babila vico kun 100K da historio | 100,000 | 2,000 | $0.054 |
| Ĉapitro de 5,000 vortoj el longa instrukcio | 30,000 | 7,000 | $0.029 |
| 1,000 mallongaj konversaciaj vicoj | 4,000,000 | 500,000 | $3.00 |
| Plena lego de kunteksto de 262K ĵetonoj | 262,144 | 16,384 | $0.164 |
La lasta vico estas tiu, kiun indas enkapigi: plenigi la tutan kuntekstan fenestron kaj generi la maksimuman respondon de 16,384 ĵetonoj kostas proksimume dek ses cendojn. Enigi tutan manuskripton, seancan transskribon aŭ dokumentaron en unu vokon ĉesas esti buĝeta decido kaj fariĝas latenteca decido. La sama aritmetiko movas la alian uzkazon de la planka prezo — volumenon: amasan klasifikadon, amasan reverkadon, sintezan dialogon, unuapaŝan skizadon, kiun pli forta modelo poste rafinas. Vidu la prezopaĝon kaj la esplorindekson.
06Kion "sencenzura" signifas ĉi tie
Ĝi signifas tion, kion ĝi diras: neniu rifuza tavolo kaj neniu enhavfiltrado de la eligo. Neniu klasifikilo sidas inter la modelo kaj via respondo decidante, ĉu vi rajtis demandi; la modelo respondas en la registro, kiun vi petis, kaj ne prelegas al vi pri la premiso unue.
Por krea laboro tio estas la diferenco inter uzebla ilo kaj neuzebla. Fikcio enhavas minacajn kontraŭulojn, rolulojn, kiuj konvinke mensogas, perforton kun konsekvencoj, morale kompromititajn rakontantojn — modelo, kiu rompas la rolon por aldoni malgarantion, malsukcesis ĉe la tasko, ne sukcesis ĉe la sekureco. La sama validas por sekureca esplorado, dokumentado de ruĝaj teamoj, medicina kaj jura redaktado, kaj tradukado, kie la fonto estas senornama: kategorioj, kie rifuzo estas simple malĝusta respondo. Kion ĝi ne signifas, estas ke la juĝo ĉesas esti la via — vi restas respondeca pri tio, kion vi generas, laŭ nia politiko pri respondeca uzo kaj la aplikebla juro.
07Kiel voki la sencenzuran Laguna API
Tri dialektoj, unu modelo: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Flusendado funkcias sur ĉiuj tri, do ekzistanta integriĝo transiras per ŝanĝo de baza URL kaj modelidentigilo — neniu SDK-ŝanĝo, neniu reverkado de via mesaĝotraktado.
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"
}
Kelkaj praktikaj notoj:
- Ne sendu
response_formataŭjson_schemaal ĉi tiu modelidentigilo — se via klienta biblioteko agordas iun el ili defaŭlte, malŝaltu ĝin aŭ transiru al frato, kiu subtenas ĝin. - Iloj iras en la kutiman tabelon
tools— ilvokado estas plene subtenata; nur la devigo de skemo sur libera teksto ne. - Buĝetu vian rezonadon.
reasoning_effortestas honorata — malalta aŭ malŝaltita tenas la konversacian latentecon malalta kaj la eligajn ĵetonojn malmultekostaj; levu ĝin por plurpaŝa illaboro, kie la benchmark-breĉo supre montras, kion tio aĉetas. - La eliga plafono estas 16,384 ĵetonoj po peto. Por generado je libra longo, dividu ĝin en ĉapitrojn kaj flusendu.
- Nur teksto. Neniu bilda enigo sur ĉi tiu modelidentigilo — uzu MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 aŭ inkling por vido.
La plena referenco pri parametroj, la aŭtentigo, la erarsemantiko kaj viva ludejo: API-dokumentado.
08Kiam elekti ĝin, kaj kiam ne
Elektu ĝin, kiam via eligo estas prozo, dialogo aŭ kodo legata de homo; vi bezonas ilvokadon sed ne skem-limigitan tekston; la kosto po ĵetono regas super longa kunteksto; aŭ vi volas duan opinion el deveno alia ol la familioj DeepSeek, Kimi kaj MiMo, kiuj plenigas la reston de la listo.
Elektu ion alian, kiam vi bezonas garantiitan JSON-on (MiMo-V2.5-Pro), bildkomprenon (Kimi-K2.6 aŭ MiMo-V2.5), aŭ la pintnivelan finon de malfacileco, kie la preza breĉo estas sensignifa apud tio, ke la respondo estu ĝusta (DeepSeek-V4-Pro, Kimi-K3).
json_schema kaj response_format. Legu la modelkarton pri MiMo-V2.5, aŭ trarigardu ĉiujn dek du en la esplorindekso.
Ĉiu arkitektura kaj benchmark-aserto ĉi tie venas de la eldoninto de la modelo aŭ de la aŭtoroj de la kunpremaj metodoj. Kontrolu ilin mem.
09Oftaj demandoj
Kio estas la sencenzura Laguna API?
Ĝi estas la malfermpeza Laguna S 2.1 de Poolside — 118 miliardoj da parametroj, proksimume 8 miliardoj aktivaj po ĵetono — servata sur la propra GPU-aro de Shannon kun neniu rifuza tavolo kaj neniu filtrado de la eligo. La modelidentigilo estas Laguna-S-2.1-W4A16-AUTOROUND-REAP, la kunteksta fenestro estas 262,144 ĵetonoj, kaj ĝi kostas $0.50 por miliono enige kaj $2.00 por miliono da eligaj ĵetonoj.
Ĉu Laguna S 2.1 subtenas json_schema aŭ response_format ĉe Shannon AI?
Ne. Ĝi estas la sola modelo en la listo de Shannon, kiu akceptas nek unu nek la alian. Ilvokado kaj flusendado funkcias normale kaj la argumentoj de ilvokoj ankoraŭ alvenas kiel JSON, sed ekzistas neniu servil-devigita skemo sur la teksta eligo de la asistanto. Por garantiita JSON je la sama prezo de $0.50 / $2.00, uzu MiMo-V2.5-Pro (W8A16).
Kion signifas W4A16-AUTOROUND-REAP?
W4A16 signifas, ke la pezoj estas konservataj je 4 bitoj dum la aktivigoj restas je 16 bitoj. AutoRound estas la posttrejna kvantiga metodo de Intel, kiu uzas signuman gradientan descendon por lerni la rondigajn kaj tondajn decidojn anstataŭ rondigi al la plej proksima. REAP estas la Router-weighted Expert Activation Pruning de Cerebras Research, kiu forlasas malofte kaj malforte enkursigitajn spertulojn el modelo laŭ Miksaĵo de Spertuloj antaŭ la kvantigo anstataŭ kunfandi ilin.
Ĉu Laguna S 2.1 taŭgas por krea verkado kaj konversacio?
Ĝi estas nur-teksta konversacia modelo — neniu bilda enigo — kaj ĝi tenas longan, koheran, rolfidelan prozon tra fenestro de 262K sen rifuza tavolo survoje. La publikigita benchmark-historio de Poolside estas pri agenta kodado, ne pri prozo, do testu la krean kvaliton sur viaj propraj petoj anstataŭ fidi tabelon.
Kiom kostas la sencenzura Laguna API?
$0.50 por miliono da enigaj ĵetonoj kaj $2.00 por miliono da eligaj ĵetonoj — la planka prezo sur la Enirejo de Shannon AI, dividata kun MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro kaj Hy3. Konversacio de 100,000 ĵetonoj, kiu produktas 2,000 ĵetonojn da respondo, kostas proksimume 5.4 cendojn.
Provu la sencenzuran Laguna API
118B MoE · 262K kunteksto · iloj kaj flusendado · $0.50 / $2.00 por 1M ĵetonoj.
Legu la API-dokumentojn EkbabiluNeniu rifuza tavolo · neniu filtrado de la eligo · via juĝo, via respondeco
Fontoj: Poolside — modelkarto de Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. La ciferoj pri arkitekturo kaj benchmark-oj estas raportitaj de la eldoninto pri la nekvantigita eldono, ne mezuroj de la konstruo, kiun ni servas. Shannon AI estas funkciigata de Shannon Lab LLC, Nov-Meksiko, Usono.