Zentsurarik gabeko Laguna APIa

"Eredu merke" orri gehienek eskatzen dizute oinarri txiki eta nekatu bat onar dezazun zenbaki baxu baten truke. Honek ez. Laguna S 2.1 egungo belaunaldiko Mixture-of-Experts bakan bat da, 4,096 H200 txartelekin entrenatua eta bederatzi aste baino gutxiagoan bidalia, eta zerbitzatzen ditugun sarrera-mailako gainerako eredu guztien $0.50 / $2.00 zoru berean dago. Trukea estua eta ulertzeko erraza da: zerbitzariak behartutako egituratutako irteerari uko egiten diozu eta gainerako guztia gordetzen duzu.

01Zer da Laguna S 2.1?

Laguna S 2.1 Poolside-ek 2026ko uztailaren 21ean kaleratutako pisu irekiko eredua da, OpenMDW-1.1 lizentzia zabalaren pean — Laguna familiako kide ertaina, Laguna XS 2.1 (33B/3B aktibo) eta Laguna M.1 (225B/23B aktibo) artean.

Argitaratutako arkitektura token-hautaketako bideratzaile bat da, softplus atearekin, 256 aditu bideratu eta partekatutako aditu bakar baten gainean; hamar hautatzen dira token bakoitzeko, 48 geruzatan zehar — hamabi arreta globalekoak eta hogeita hamasei leiho irristakorrekoak 512 tokeneko leihoarekin. Txandakatze horrek sarrera oso luzeen arreta-kostua koadratikoa izan beharrean linealetik hurbil mantentzen du. Arreta talde-kontsultakoa da, 8 gako-balio bururekin eta 128ko buru-dimentsioarekin.

Bi ondorio dira garrantzitsuak APIaren kontsumitzailearentzat. Aktibazio bakanak azaltzen du zergatik egon daitekeen 118B eredu bat zoruko prezioan — token bakoitzeko ~8B parametro baino ez dira lan egiten, beraz tokeneko konputazioa eredu trinko txiki batena bezalakoagoa da parametro-kopuruak iradokitzen duena baino. Eta leiho irristakorraren txandakatzeak azaltzen du zergatik den leiho luzea benetan erabilgarria eta ez nominala. Poolside-en kaleratzeak 1,048,576 token onartzen ditu; guk 262,144 zerbitzatzen ditugu, atebideko beste eredu guztien parean.

02Ohar bakarra: egituratutako irteerarik ez

Oraindik funtzionatzen duena. Tresna-deiak guztiz onartzen dira, eta tresna-deien argumentuak JSON objektu gisa iristen dira oraindik, hemengo beste edozein ereduren berdin. Zure aplikazioaren "egituratutako irteera" benetan tresna-argumentuak bada — agente-esparru, MCP zerbitzari eta datu-baseen aurrealde gehienetan hala da — Laguna S 2.1-ek ondo zerbitzatuko zaitu. Streamingak hiru dialektoetan funtzionatzen du; reasoning_effort-ek funtzionatzen du.

Funtzionatzen ez duena. Ezin diozu amaiera-puntuari JSON eskema bat eman eta laguntzailearen testu-erantzuna haren aurka balioztatuko dela bermatu, eta response_format: {"type": "json_object"}-ek ez dizu ezer erosten. JSON eskatzeak JSON sortzen du normalean — eredu gaitua da hau — baina "normalean" ez da kontratu bat. Poolside-ek berak JSON ihes-karaktere okerrak dokumentatzen ditu oso habiaratutako tresna-deietan muga ezagun gisa, eta hori gogorarazpen bat da: bermea, gure zerrendako beste tokietan existitzen denean, zerbitzu-geruzatik dator eta ez ereduaren asmo onetik.

Zein anaia erabili haren ordez

Zure lan-kargak JSON bermatua behar badu, ez borrokatu eredu honekin — aldatu ereduaren id-a. Lau anaia daude $0.50 / $2.00 prezio berean, json_schema eta response_format euskarri osoarekin:

Ereduaren id-a	json_schema	Ikusmena	Zergatik aukeratuko zenukeen
MiMo-V2.5-Pro-W8A16	Bai	Ez	Ordezko zuzena — 8 biteko pisuak, fideltasun handieneko maila, prezio bera
MiMo-V2.5-W8A16	Bai	Bai	Berdina, gehi irudi-sarrera
Hy3-W8A16	Bai	Ez	Zoruko prezioko beste 8 biteko testu-eredu bat
DeepSeek-V4-Flash-0731	Bai	Ez	W4A16-AutoRound-REAP Laguna bezala, eskema-euskarria oso-osorik

Aukera naturala MiMo-V2.5-Pro (W8A16) da: testua soilik, zoruko prezioan, exekutatzen dugun maila leunenean kuantizatua — xehetasunak MiMo-V2.5 ereduaren gidan. Hamabi ereduek amaiera-puntuak, testuinguru-leihoa eta irteera-sabaia partekatzen dituztenez, aldatzea model eremuko lerro bakarreko aldaketa da.

03Zer esan nahi du W4A16-AUTOROUND-REAP-ek?

Ereduaren id-ko atzizkia ez da apaingarria — pisuak gure GPU klusterrean kargatu aurretik nola konprimitu ziren esaten du zehazki. Hiru zati.

W4A16 — 4 biteko pisuak, 16 biteko aktibazioak

Pisuak 4 bitean gordetzen dira; aktibazioak — inferentzia-garaian geruzen artean doazen balioak — 16 bitean geratzen dira. Pisuak beren BF16 oinatzaren laurdenera mozteak 118B eredu bat kabitzea eta azkar mantentzea ahalbidetzen du, eta aktibazioak zabal mantentzeak aurrera-pasaldiaren zati zenbakizko sentikorra babesten du. Konprimitu handia eta estatikoa dena, eta utzi bakean txikia eta dinamikoa dena.

AutoRound — ikasitako biribiltzea, ez hurbilenera biribiltzea

Kuantizatzeko modu inuxentea hurbilenera biribiltzea da: itsatsi pisu bakoitza 4 biteko baliorik hurbilenera eta onartu errorea. AutoRound-ek, Intel-en entrenamendu osteko kuantizazio-tresna irekiak, hobeto egiten du — bere SignRound metodoak zeinu-gradientearen jaitsiera erabiltzen du biribiltze-erabakiak eta mozketa-tarteak batera optimizatzeko berrehun bat urratsetan, pisu bakoitzeko erabakiz gora ala behera biribiltzeak kalte gutxiago egiten dion geruzaren benetako irteerari. Kuantizazioaz jabetutako entrenamenduaren ideia hartzen du berrentrenatzeko kosturik gabe, eta horregatik izan daiteke W4A16 eraikuntza bat eredu serio bat eta ez bitxikeria galkor bat.

REAP — adituak batu beharrean inaustea

REAP Router-weighted Expert Activation Pruning da, Cerebras Research-ek argitaratua. MoE eredu batean aditu guztiek ez dute berdin lan egiten: bideratzaileak token gutxi bidaltzen dizkie batzuei, eta batzuek magnitude txikia ekartzen dute pizten direnean. REAP-ek aditu bakoitza bi seinaleen arabera puntuatzen du — bideratzailearen ate-balioak eta adituaren aktibazio-normak — eta garrantzi gutxienekoak kentzen ditu kolpe bakarrean, kuantizazioaren aurretik. Funtsezkoa: batu beharrean inausi egiten du. Batzeak hainbat aditu batean tolesten ditu, bideratzailearen kontrol xehea eta sarreraren araberakoa suntsituz eta doikuntzak kentzen ez duen errore-zoru bat sartuz (egileek azpiespazio funtzionalaren kolapsoa deitzen diote), inausketak, aldiz, bizirik geratzen direnak eta bideratzaileak haien gaineko kontrola osorik uzten ditu. Cerebras-ek bilioi bat parametroko ereduetatik adituen %50 arte kentzea jakinarazten du oinarrizko kalitateari neurri handi batean eutsiz — 480B kodetze-eredu batean %50eko inausketarekin, oinarrizko kodetze ez-agentikoaren gaitasunaren %97.6 eta SWE-Bench agentikoan %96.7. Horiek Cerebras-en datuak dira beren ereduentzat, ez gure eraikuntzaren neurketak, baina horregatik exekutatzen dugu pila hau kodea indargune nagusia duen oinarri baten gainean.

Elkarrekin, atzizkia esaldi bat bezala irakurtzen da: inausi ozta-ozta erabilitako adituak, ikasi 4 biteko biribiltzea asmatu beharrean, eta mantendu aktibazioak zabalera osoan.

04Zertan da ona eredu hau benetan?

Zintzotasuna lehenik: Laguna S 2.1 testu hutsezko elkarrizketa-eredua da — ez dago irudi-sarrerarik ereduaren id honetan — eta Poolside-ek kodetze agentikorako eta epe luzeko lanerako eraiki zuen, ez prosarako. Entrenamendu ostekoa 409,000 ingurune baino gehiagotan egin zen, 83,000 terminal-zeregin eta 168,000 software-ingeniaritzako zeregin barne, FP8-ko ikaskuntza sendotzailearekin. Poolside-ek kuantizatu gabeko kaleratzerako jakinarazitako emaitzak:

Benchmark-a	Pentsatuz	Pentsatu gabe	Zer neurtzen duen
SWE-Bench Multilingual	78.5%	—	Benetako akats-konponketak hizkuntza askotan
Terminal-Bench 2.1	70.2%	60.4%	Urrats anitzeko shell eta tresna-lana
SWE-Bench Pro	59.4%	—	Biltegi-zeregin zailagoak, kutsadurari eutsiz
Toolathlon Verified	49.7%	—	Tresna-erabileraren zabalera API askotan
SWE Atlas	46.2%	—	Epe luzeko biltegi-nabigazioa
DeepSWE v1.1	40.4%	16.5%	Software-ingeniaritza agentikoa

Bi zutabeen arteko aldea da hemengo zenbakirik erabilgarriena: DeepSWE-n puntuazioa bikoiztu baino gehiago egiten da arrazoiketa gaituta dagoenean, eta Terminal-Bench-en ia hamar puntu irabazten ditu.

Poolside-ek jakinarazitako datuak kuantizatu gabeko Laguna S 2.1 kaleratzerako, 2026ko uztaila. Ez dira gure W4A16-AutoRound-REAP eraikuntzaren neurketak, eta ez dugu horretarako benchmark daturik argitaratzen. Erabili reasoning_effort gure APIan pentsamendu-aurrekontua kontrolatzeko.

Elkarrizketa- eta sorkuntza-lanerako jarrera zintzoa hau da: exekuzio agentiko luzeen atzean dauden ezaugarriak — egoera asko koherentziaz eustea, zereginean irautea, ez noraezean joatea — formatu luzeko pertsonaia-lanaren atzean daudenak berak dira, eta praktikan ahotsa ondo mantentzen du leiho oso luze batean zehar. Ez dago hori dioen benchmark argitaraturik, eta ez dugu bat asmatuko. Probatu zure prompt propioekin; milioi bat sarrera-tokeneko $0.50 prezioan hori ia doakoa da.

05Zer erosten du benetan zoruko prezioak?

Milioi bat tokeneko $0.50 sarreran / $2.00 irteeran Shannon AI atebideko sarrera-maila da, MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro eta Hy3 ereduekin partekatua. Zehazki:

Lan-karga	Sarrera	Irteera	Kostua
Elkarrizketa-txanda bat 100K historiarekin	100,000	2,000	$0.054
5,000 hitzeko kapitulua brief luze batetik	30,000	7,000	$0.029
1,000 elkarrizketa-txanda labur	4,000,000	500,000	$3.00
262K tokeneko testuinguru osoaren irakurketa	262,144	16,384	$0.164

Barneratu beharreko errenkada azkena da: testuinguru-leiho osoa betetzeak eta 16,384 tokeneko gehieneko erantzuna sortzeak hamasei zentimo inguru kostatzen du. Eskuizkribu oso bat, saio-transkripzio bat edo dokumentu-multzo bat dei bakar batera ematea aurrekontu-erabakia izateari uzten dio eta latentzia-erabaki bihurtzen da. Aritmetika berak zoruko prezioaren beste erabilera-kasua bultzatzen du — bolumena: lote-sailkapena, birridazketa masiboa, elkarrizketa sintetikoa, eredu indartsuago batek gero fintzen duen lehen zirriborroa. Ikus prezioen orria eta ikerketa-indizea.

06Zer esan nahi duen hemen "zentsurarik gabe"

Dioena esan nahi du: uko egiteko geruzarik ez eta eduki-iragazketarik ez irteeran. Ez dago sailkatzailerik ereduaren eta zure erantzunaren artean galdetzeko baimena zenuen erabakitzen; ereduak eskatu duzun erregistroan erantzuten du eta ez dizu lehenik premisari buruz sermoirik egiten.

Sorkuntza-lanerako hori da tresna erabilgarri baten eta erabilezin baten arteko aldea. Fikzioak antagonista mehatxagarriak ditu, sinesgarritasunez gezurra esaten duten pertsonaiak, ondorioak dituen indarkeria, moralki kutsatutako narratzaileak — pertsonaia hausten duen eta ohartarazpen bat eransten duen eredu batek zeregina huts egin du, ez du segurtasuna lortu. Gauza bera balio du segurtasun-ikerketarako, talde gorriaren dokumentaziorako, testu mediko eta juridikoak idazteko, eta iturria zorrotza den itzulpenerako: ukoa erantzun okerra besterik ez den kategoriak. Esan nahi ez duena da judizioa zurea izateari uzten diola — sortzen duzunaren erantzukizuna zurea da, gure Erabilera Arduratsuaren Politikaren eta indarrean dagoen legeriaren pean.

07Nola deitu zentsurarik gabeko Laguna APIari

Hiru dialekto, eredu bat: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Streamingak hiruretan funtzionatzen du, beraz lehendik dagoen integrazio bat oinarrizko URLa eta ereduaren id-a aldatuz mugitzen da — SDK aldaketarik gabe, mezuen kudeaketa berridatzi gabe.

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"
}

Ohar praktiko batzuk:

• Ez bidali response_format edo json_schema ereduaren id honetara — zure bezero-liburutegiak bat lehenetsita ezartzen badu, kendu edo pasa hori onartzen duen anaia batera.
• Tresnak ohiko tools arrayera doaz — tresna-deiak guztiz onartzen dira; testu askeko eskema-behartzea baino ez da falta.
• Aurrekontua jarri zure arrazoiketari. reasoning_effort errespetatzen da — baxua edo itzalita elkarrizketaren latentzia baxu eta irteera-tokenak merke mantentzen ditu; igo ezazu urrats anitzeko tresna-lanerako, non goiko benchmark aldeak erakusten baitu zer erosten duen.
• Irteera-sabaia eskaerako 16,384 token da. Liburu luzerako sorkuntzarako, zatitu kapituluka eta bidali streaming bidez.
• Testua soilik. Ez dago irudi-sarrerarik ereduaren id honetan — erabili MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 edo inkling ikusmenerako.

Parametroen erreferentzia osoa, autentifikazioa, erroreen semantika eta proba-eremu bizia: APIaren dokumentazioa.

08Noiz aukeratu, eta noiz ez

Aukeratu ezazu zure irteera pertsona batek irakurtzen duen prosa, elkarrizketa edo kodea denean; tresna-deiak behar dituzunean baina eskemak mugatutako testua ez; tokeneko kostua testuinguru luzearen gainetik dagoenean; edo zerrendaren gainerakoa betetzen duten DeepSeek, Kimi eta MiMo familietatik kanpoko leinu bateko bigarren iritzia nahi duzunean.

Aukeratu beste zerbait JSON bermatua (MiMo-V2.5-Pro), irudien ulermena (Kimi-K2.6 edo MiMo-V2.5), edo erantzuna asmatzearen ondoan prezio-aldea axolagabea den zailtasun-mugako muturra (DeepSeek-V4-Pro, Kimi-K3) behar dituzunean.

09Maiz egiten diren galderak

---

Iturriak: Poolside — Laguna S 2.1 ereduaren txartela · Laguna S 2.1 aurkezpena · REAP the Experts (Cerebras Research) · Intel AutoRound. Arkitektura- eta benchmark-datuak argitaratzaileak jakinarazitakoak dira kuantizatu gabeko kaleratzerako, ez zerbitzatzen dugun eraikuntzaren neurketak. Shannon AI Shannon Lab LLC-k kudeatzen du, New Mexico, AEB.