API de Laguna sin censura
Laguna S 2.1 — una base Mixture-of-Experts de 118B servida sin capa de rechazo, con una ventana de contexto de 262K y tool calling — al precio mínimo de $0.50 de entrada / $2.00 de salida por millón de tokens.
Resumen
La API de Laguna sin censura ejecuta Laguna S 2.1 de Poolside — 118B de parámetros totales, ~8B activos por token, pesos abiertos bajo OpenMDW-1.1 — cuantizado a W4A16 con AutoRound y REAP y servido en nuestro propio clúster de GPU. Obtienes un contexto de 262,144 tokens, 16,384 tokens de salida por solicitud, streaming, tool calling, reasoning_effort y ningún filtrado de la salida. Una salvedad, por delante: este es el único modelo de nuestro catálogo que no admite ni json_schema ni response_format. Si necesitas JSON garantizado, toma un hermano: la compilación Pro de MiMo-V2.5 lo hace al mismo precio.
La mayoría de las páginas de «modelo barato» te piden aceptar una base pequeña y cansada a cambio de una cifra baja. Esta no. Laguna S 2.1 es un lanzamiento Mixture-of-Experts disperso de generación actual, entrenado en 4,096 H200 y publicado en menos de nueve semanas, y se sitúa en el mismo mínimo de $0.50 / $2.00 que cualquier otro modelo de nivel de entrada que servimos. El trueque es estrecho y fácil de razonar: renuncias a la salida estructurada impuesta por el servidor y conservas todo lo demás.
01¿Qué es Laguna S 2.1?
Laguna S 2.1 es un modelo de pesos abiertos publicado por Poolside el 21 de julio de 2026 bajo la licencia permisiva OpenMDW-1.1: el miembro intermedio de la familia Laguna, entre Laguna XS 2.1 (33B/3B activos) y Laguna M.1 (225B/23B activos).
La arquitectura publicada es un router de elección por token con compuertas softplus sobre 256 expertos enrutados más un experto compartido, diez seleccionados por token, a lo largo de 48 capas: doce de atención global y treinta y seis de ventana deslizante con una ventana de 512 tokens, un entrelazado que mantiene el coste de atención de entradas muy largas cerca de lo lineal en vez de lo cuadrático. La atención es grouped-query con 8 cabezas clave-valor de dimensión 128.
Dos consecuencias importan a quien consume la API. La activación dispersa es la razón de que un modelo de 118B pueda situarse en el precio mínimo: solo trabajan ~8B de parámetros por token, así que el cómputo por token se parece más al de un modelo denso pequeño de lo que sugiere el recuento de parámetros. Y el entrelazado de ventana deslizante es la razón de que la ventana larga sea realmente utilizable y no nominal. El lanzamiento de Poolside admite 1,048,576 tokens; nosotros servimos 262,144, igual que todos los demás modelos del gateway.
02La única salvedad: sin salida estructurada
Laguna S 2.1 en Shannon AI no acepta ni json_schema ni response_format. Es el único modelo de nuestro catálogo de doce sin soporte de salida estructurada; enviar cualquiera de los dos parámetros no te dará una respuesta restringida por esquema. El tool calling funciona. El streaming funciona. El razonamiento funciona. Solo falta el moldeado de la salida impuesto por el servidor.
Lo que sí funciona. El tool calling está plenamente admitido, y los argumentos de las llamadas a herramientas siguen llegando como un objeto JSON exactamente igual que en cualquier otro modelo de aquí. Si la «salida estructurada» de tu aplicación son en realidad argumentos de herramientas —lo cierto para la mayoría de los frameworks de agentes, los servidores MCP y los frontales de bases de datos—, Laguna S 2.1 te sirve perfectamente. El streaming funciona en los tres dialectos; reasoning_effort funciona.
Lo que no. No puedes entregar al endpoint un JSON Schema y tener garantizado que el texto de la respuesta del asistente lo valide, y response_format: {"type": "json_object"} no te compra nada. Pedir JSON en el prompt suele producir JSON —es un modelo competente—, pero «suele» no es un contrato. La propia Poolside documenta el escape incorrecto de JSON en llamadas a herramientas muy anidadas como una limitación conocida, un recordatorio de que la garantía, allí donde existe en el resto de nuestro catálogo, viene de la capa de servicio y no de las buenas intenciones del modelo.
Qué hermano usar en su lugar
Si tu carga de trabajo necesita JSON garantizado, no pelees con este modelo: cambia el id del modelo. Cuatro hermanos están al mismo precio de $0.50 / $2.00 con soporte completo de json_schema y response_format:
| Id del modelo | json_schema | Visión | Por qué lo elegirías |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Sí | No | El reemplazo directo: pesos de 8 bits, el nivel de mayor fidelidad, mismo precio |
| MiMo-V2.5-W8A16 | Sí | Sí | Lo mismo, más entrada de imagen |
| Hy3-W8A16 | Sí | No | Otro modelo de texto de 8 bits al precio mínimo |
| DeepSeek-V4-Flash-0731 | Sí | No | W4A16-AutoRound-REAP como Laguna, con el soporte de esquema intacto |
La opción natural por defecto es MiMo-V2.5-Pro (W8A16): solo texto, al precio mínimo, cuantizado en el nivel más suave que ejecutamos — los detalles están en la ficha de MiMo-V2.5. Como los doce modelos comparten endpoints, ventana de contexto y techo de salida, cambiar es una modificación de una línea en el campo model.
03¿Qué significa W4A16-AUTOROUND-REAP?
El sufijo del id del modelo no es decoración: dice exactamente cómo se comprimieron los pesos antes de cargarlos en nuestro clúster de GPU. Tres partes.
W4A16 — pesos de 4 bits, activaciones de 16 bits
Los pesos se almacenan a 4 bits; las activaciones —los valores que fluyen entre capas en tiempo de inferencia— se quedan a 16. Recortar los pesos a una cuarta parte de su huella BF16 es lo que permite que un modelo de 118B quepa y siga siendo rápido, mientras que mantener anchas las activaciones protege la parte numéricamente sensible del paso hacia delante. Comprime lo que es grande y estático, deja en paz lo que es pequeño y dinámico.
AutoRound — redondeo aprendido, no redondeo al más cercano
La forma ingenua de cuantizar es redondear al más cercano: encajar cada peso en el valor de 4 bits más próximo y aceptar el error. AutoRound, el kit abierto de cuantización post-entrenamiento de Intel, lo hace mejor: su método SignRound usa descenso de gradiente con signo para optimizar conjuntamente las decisiones de redondeo y los rangos de recorte a lo largo de un par de centenares de pasos, decidiendo peso a peso si redondear hacia arriba o hacia abajo daña menos la salida real de la capa. Toma prestada la idea del entrenamiento consciente de la cuantización sin el coste de reentrenar, y es la razón de que una compilación W4A16 pueda ser un modelo serio y no una curiosidad con pérdidas.
REAP — podar expertos en lugar de fusionarlos
REAP es Router-weighted Expert Activation Pruning, publicado por Cerebras Research. En un modelo MoE no todos los expertos se ganan el sueldo: el router envía pocos tokens a algunos, y algunos aportan poca magnitud cuando se activan. REAP puntúa cada experto en ambas señales —valores de la compuerta del router y normas de activación del experto— y elimina de una sola vez los de baja relevancia, antes de la cuantización. Y algo crucial: poda en lugar de fusionar. Fusionar pliega varios expertos en uno, destruyendo el control fino y dependiente de la entrada del router e introduciendo un suelo de error que ningún ajuste elimina (los autores lo llaman colapso del subespacio funcional), mientras que podar deja intactos a los supervivientes y el control del router sobre ellos. Cerebras informa de la eliminación de hasta el 50% de los expertos en modelos de un billón de parámetros manteniendo en gran medida la calidad de referencia: en un modelo de código de 480B con un 50% de poda, el 97.6% de la capacidad de codificación no agéntica de referencia y el 96.7% en el SWE-Bench agéntico. Esas son cifras de Cerebras para sus propios modelos, no mediciones de nuestra compilación, pero son la razón de que ejecutemos este stack sobre una base cuya fuerza principal es el código.
Juntas, el sufijo se lee como una frase: poda los expertos que apenas se usaban, aprende el redondeo de 4 bits en vez de adivinarlo, mantén las activaciones a ancho completo.
04¿En qué es bueno de verdad este modelo?
Primero, la honestidad: Laguna S 2.1 es un modelo conversacional solo de texto —sin entrada de imagen en este id de modelo— y Poolside lo construyó para codificación agéntica y trabajo de horizonte largo, no para prosa. El post-entrenamiento recorrió más de 409,000 entornos, incluidos 83,000 de terminal y 168,000 de ingeniería de software, con aprendizaje por refuerzo en FP8. Resultados reportados por Poolside para el lanzamiento sin cuantizar:
| Benchmark | Con razonamiento | Sin razonamiento | Qué mide |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Correcciones de errores reales en muchos lenguajes |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Trabajo de shell y herramientas en varios pasos |
| SWE-Bench Pro | 59.4% | — | Tareas de repositorio más duras y resistentes a la contaminación |
| Toolathlon Verified | 49.7% | — | Amplitud de uso de herramientas en muchas API |
| SWE Atlas | 46.2% | — | Navegación de repositorios de horizonte largo |
| DeepSWE v1.1 | 40.4% | 16.5% | Ingeniería de software agéntica |
La diferencia entre las dos columnas es la cifra más accionable de aquí: en DeepSWE la puntuación más que se duplica cuando se activa el razonamiento, y en Terminal-Bench gana casi diez puntos.
Cifras reportadas por Poolside para el lanzamiento sin cuantizar de Laguna S 2.1, julio de 2026. No son mediciones de nuestra compilación W4A16-AutoRound-REAP, y no publicamos números de benchmark propios para ella. Usa reasoning_effort para controlar el presupuesto de razonamiento en nuestra API.
Para el trabajo conversacional y creativo, la posición honesta es esta: las cualidades que hay detrás de las ejecuciones agénticas largas —sostener mucho estado de forma coherente, no salirse de la tarea, no derivar— son las mismas que hay detrás del trabajo de personaje de formato largo, y en la práctica mantiene bien la voz a lo largo de una ventana muy larga. Ningún benchmark publicado lo dice, y no vamos a inventar uno. Pruébalo con tus propios prompts; a $0.50 por millón de tokens de entrada eso es casi gratis.
05¿Qué compra realmente el precio mínimo?
$0.50 de entrada / $2.00 de salida por millón de tokens es el nivel de entrada del Shannon AI Gateway, compartido con MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro y Hy3. En concreto:
| Carga de trabajo | Entrada | Salida | Coste |
|---|---|---|---|
| Un turno de chat con 100K de historial | 100,000 | 2,000 | $0.054 |
| Un capítulo de 5,000 palabras a partir de un brief largo | 30,000 | 7,000 | $0.029 |
| 1,000 turnos conversacionales cortos | 4,000,000 | 500,000 | $3.00 |
| Una lectura completa de contexto de 262K tokens | 262,144 | 16,384 | $0.164 |
La última fila es la que hay que interiorizar: llenar la ventana de contexto entera y generar la respuesta máxima de 16,384 tokens cuesta unos dieciséis centavos. Meter un manuscrito completo, una transcripción de sesión o un conjunto de documentos en una sola llamada deja de ser una decisión de presupuesto y pasa a ser una decisión de latencia. La misma aritmética impulsa el otro caso de uso del precio mínimo: el volumen. Clasificación por lotes, reescritura masiva, diálogo sintético, primeros borradores que un modelo más fuerte refina después. Consulta la página de precios y el índice de investigación.
06Qué significa aquí «sin censura»
Significa lo que dice: sin capa de rechazo y sin filtrado de contenido en la salida. Ningún clasificador se interpone entre el modelo y tu respuesta decidiendo si tenías permiso para preguntar; el modelo responde en el registro que pediste y no te sermonea antes sobre la premisa.
Para el trabajo creativo esa es la diferencia entre una herramienta usable y una inservible. La ficción contiene antagonistas amenazantes, personajes que mienten de forma convincente, violencia con consecuencias, narradores moralmente comprometidos; un modelo que rompe el personaje para añadir un descargo de responsabilidad ha fallado la tarea, no ha triunfado en seguridad. Lo mismo vale para la investigación de seguridad, la documentación de red team, la redacción médica y jurídica y la traducción cuando el original es brusco: categorías donde un rechazo es sencillamente una respuesta equivocada. Lo que no significa es que el criterio deje de ser tuyo: sigues siendo responsable de lo que generas, bajo nuestra Política de Uso Responsable y la legislación aplicable.
07Cómo llamar a la API de Laguna sin censura
Tres dialectos, un modelo: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. El streaming funciona en los tres, así que una integración existente se muda cambiando una URL base y un id de modelo: sin cambiar de SDK, sin reescribir el manejo de mensajes.
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"
}
Unas cuantas notas prácticas:
- No envíes
response_formatnijson_schemaa este id de modelo: si tu librería cliente pone uno por defecto, quítalo o pásate a un hermano que lo admita. - Las herramientas van en el array
toolsde siempre: el tool calling está plenamente admitido; lo que no lo está es la imposición de esquema sobre el texto libre. - Presupuesta tu razonamiento.
reasoning_effortse respeta: bajo o desactivado mantiene baja la latencia conversacional y baratos los tokens de salida; súbelo para trabajo de herramientas en varios pasos, donde la diferencia del benchmark de arriba muestra lo que compra. - El techo de salida es de 16,384 tokens por solicitud. Para generación de longitud de libro, divídela en capítulos y usa streaming.
- Solo texto. Sin entrada de imagen en este id de modelo: usa MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 o inkling para visión.
Referencia completa de parámetros, autenticación, semántica de errores y un playground en vivo: documentación de la API.
08Cuándo elegirlo y cuándo no
Elígelo cuando tu salida sea prosa, diálogo o código que lee una persona; necesites tool calling pero no texto restringido por esquema; el coste por token domine sobre el contexto largo; o quieras una segunda opinión de un linaje distinto de las familias DeepSeek, Kimi y MiMo que llenan el resto del catálogo.
Elige otra cosa cuando necesites JSON garantizado (MiMo-V2.5-Pro), comprensión de imágenes (Kimi-K2.6 o MiMo-V2.5), o el extremo frontera de dificultad donde la diferencia de precio es irrelevante frente a acertar la respuesta (DeepSeek-V4-Pro, Kimi-K3).
json_schema y response_format. Lee la ficha de MiMo-V2.5, o consulta los doce en el índice de investigación.
Cada afirmación arquitectónica y de benchmark que hay aquí procede del editor del modelo o de los autores de los métodos de compresión. Compruébalas tú mismo.
09Preguntas frecuentes
¿Qué es la API de Laguna sin censura?
Es Laguna S 2.1 de Poolside, un modelo de pesos abiertos —118 mil millones de parámetros, unos 8 mil millones activos por token— servido en el clúster de GPU propio de Shannon, sin capa de rechazo y sin filtrado de la salida. El id del modelo es Laguna-S-2.1-W4A16-AUTOROUND-REAP, la ventana de contexto es de 262,144 tokens y cuesta $0.50 por millón de tokens de entrada y $2.00 por millón de tokens de salida.
¿Laguna S 2.1 admite json_schema o response_format en Shannon AI?
No. Es el único modelo del catálogo de Shannon que no acepta ninguno de los dos. El tool calling y el streaming funcionan con normalidad y los argumentos de las llamadas a herramientas siguen llegando como JSON, pero no hay ningún esquema impuesto por el servidor sobre el texto que devuelve el asistente. Para JSON garantizado al mismo precio de $0.50 / $2.00, usa MiMo-V2.5-Pro (W8A16).
¿Qué significa W4A16-AUTOROUND-REAP?
W4A16 significa que los pesos se almacenan a 4 bits mientras que las activaciones se mantienen a 16 bits. AutoRound es el método de cuantización post-entrenamiento de Intel, que usa descenso de gradiente con signo para aprender las decisiones de redondeo y recorte en lugar de redondear al valor más cercano. REAP es el Router-weighted Expert Activation Pruning de Cerebras Research, que elimina de un modelo Mixture-of-Experts los expertos poco y débilmente enrutados antes de la cuantización, en lugar de fusionarlos.
¿Laguna S 2.1 sirve para escritura creativa y conversación?
Es un modelo conversacional solo de texto —sin entrada de imagen— y sostiene prosa larga, coherente y en personaje a lo largo de una ventana de 262K sin ninguna capa de rechazo de por medio. El historial de benchmarks publicado por Poolside es de codificación agéntica, no de prosa, así que prueba la calidad creativa con tus propios prompts en vez de fiarte de una tabla de clasificación.
¿Cuánto cuesta la API de Laguna sin censura?
$0.50 por millón de tokens de entrada y $2.00 por millón de tokens de salida: el precio mínimo del Shannon AI Gateway, compartido con MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro y Hy3. Una conversación de 100,000 tokens que produce 2,000 tokens de respuesta cuesta unos 5.4 centavos.
Prueba la API de Laguna sin censura
MoE de 118B · 262K de contexto · tools y streaming · $0.50 / $2.00 por 1M de tokens.
Leer la documentación de la API Empezar a chatearSin capa de rechazo · sin filtrado de la salida · tu criterio, tu responsabilidad
Fuentes: Poolside — ficha del modelo Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Las cifras de arquitectura y benchmarks son las reportadas por el editor para el lanzamiento sin cuantizar, no mediciones de la compilación que servimos. Shannon AI es operado por Shannon Lab LLC, Nuevo México, EE. UU.