API Laguna Gun Chaisgireachd
Laguna S 2.1 — bunait Mixture-of-Experts le 118B paramadair air fhrithealadh gun sreath diùltaidh, le uinneag cho-theacsa 262K, agus gairm-inneal — aig prìs làr de $0.50 a-steach / $2.00 a-mach gach millean token.
Geàrr-chunntas
Bidh an API Laguna gun chaisgireachd a' ruith Laguna S 2.1 aig Poolside — 118B paramadair uile-gu-lèir, ~8B gnìomhach gach token, cuideaman fosgailte fo OpenMDW-1.1 — air an cuantachadh gu W4A16 le AutoRound agus REAP agus air fhrithealadh air a' chruinneachadh GPU againn fhìn. Gheibh thu co-theacsa 262,144-token, 16,384 token toraidh gach iarrtas, sruthadh, gairm-inneal, reasoning_effort, agus gun sìoladh toraidh. Aon rabhadh, air a ràdh sa bhad: seo an aon mhodail san loidhne againn nach eil a' toirt taic do json_schema no response_format. Ma dh'fheumas tu JSON cinnteach, gabh bràthair — nì togail Pro aig MiMo-V2.5 sin aig an aon phrìs.
Bidh a' mhòr-chuid de dhuilleagan "modail saor" ag iarraidh ort bunait beag, sgìth a ghabhail an àite àireamh ìosal. Chan eil am fear seo. 'S e sgaoileadh Mixture-of-Experts fànaisdeach an ginealaich làithrich a th' ann an Laguna S 2.1, air a thrèanadh air 4,096 H200 agus air a chur a-mach ann an nas lugha na naoi seachdainean, agus tha e na shuidhe aig an aon làr $0.50 / $2.00 ri gach modail ìre-inntrigidh eile a bhios sinn a' frithealadh. Tha an iomlaid caol agus furasta a reusanachadh: leigidh tu seachad toradh structarach fo smachd an fhrithealaiche agus cumaidh tu a h-uile càil eile.
01Dè th' ann an Laguna S 2.1?
'S e modail le cuideaman fosgailte a th' ann an Laguna S 2.1, air a chur a-mach le Poolside air 21 Iuchar 2026 fon cheadachas ceadaltach OpenMDW-1.1 — am ball meadhan-mheud den teaghlach Laguna, eadar Laguna XS 2.1 (33B/3B gnìomhach) agus Laguna M.1 (225B/23B gnìomhach).
'S e rianadair token-choice le geata softplus thairis air 256 eòlaiche stiùirichte a bharrachd air aon eòlaiche co-roinnte an ailtireachd fhoillsichte, deichnear air an taghadh gach token, thairis air 48 sreath — dusan le aire cho-fharsaing, sia-deug-thar-fhichead le uinneag-shleamhnachaidh aig uinneag 512-token, eadar-fhighe a chumas cosgais aire ionchuran fada gu math faisg air sreathach seach ceithir-cheàrnach. 'S e grouped-query a th' anns an aire le 8 cinn iuchair-luach aig tomhas-cinn 128.
Tha dà bhuil cudromach do neach-cleachdaidh API. 'S e a' ghnìomhachadh fànaisdeach as coireach gum faod modail 118B suidhe aig a' phrìs làr — chan eil ach ~8B paramadair ag obair gach token, agus mar sin tha an àireamhachd gach token nas fhaisge air modail beag dùmhail na tha an àireamh phàramadairean a' moladh. Agus 's e an eadar-fhighe uinneag-shleamhnachaidh as coireach gu bheil an uinneag fhada gu fìrinneach cleachdte seach ainmichte a-mhàin. Bidh sgaoileadh Poolside a' toirt taic do 1,048,576 token; bidh sinne a' frithealadh 262,144, a' freagairt gach modail eile air a' gheata.
02An aon rabhadh: gun toradh structarach
Cha ghabh Laguna S 2.1 air Shannon AI ri json_schema no response_format. 'S e an aon mhodail san loidhne dhà-dheug-mhodail againn gun taic do thoradh structarach; cha toir cur gin den dà pharamadair sin freagairt fo smachd sgeama dhut. Bidh gairm-inneal ag obair. Bidh sruthadh ag obair. Bidh reusanachadh ag obair. Chan eil a dhìth ach cumadh toraidh fo smachd an fhrithealaiche.
Dè a dh'obraicheas fhathast. Tha làn taic aig gairm-inneal, agus thig argamaidean gairm-inneil fhathast mar nì JSON dìreach mar air modail sam bith eile an seo. Ma 's e argamaidean-inneil a th' anns an "toradh structarach" agad dha-rìribh — fìor airson a' mhòr-chuid de fhrèamaichean àidseant, frithealaichean MCP agus aghaidhean stòr-dàta — nì Laguna S 2.1 an gnothach dhut gu math. Bidh sruthadh ag obair air na trì dualchainntean; bidh reasoning_effort ag obair.
Dè nach obraich. Chan urrainn dhut Sgeama JSON a thoirt seachad don oir-phuing agus a bhith cinnteach gun dearbh am freagairt teacsa aig an neach-cuideachaidh na aghaidh, agus cha cheannaich response_format: {"type": "json_object"} càil dhut. Mar as trice bheir brosnachadh airson JSON JSON a-mach — 's e modail comasach a tha seo — ach chan e cùmhnant a th' ann an "mar as trice". Bidh Poolside fhèin a' clàradh teiceadh JSON ceàrr ann an gairmean-inneil dlùth-neadaichte mar chrìoch aithnichte, cuimhneachan gu bheil am barantas, far a bheil e ann an àiteachan eile san loidhne againn, a' tighinn bhon t-sreath fhrithealaidh seach o dheagh-rùn a' mhodail.
Cò am bràthair a chleachdas tu na àite
Ma dh'fheumas an t-uallach-obrach agad JSON cinnteach, na strì ris a' mhodail seo — atharraich an aithne-mhodail. Tha ceathrar bhràithrean nan suidhe aig an aon phrìs $0.50 / $2.00 le làn thaic do json_schema agus response_format:
| Aithne a' mhodail | json_schema | Lèirsinn | Carson a thaghadh tu e |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Tha | Chan eil | An suidse dìreach — cuideaman 8-bit, an ìre as àirde dìlseachd, an aon phrìs |
| MiMo-V2.5-W8A16 | Tha | Tha | An aon rud, a bharrachd air ionchur dhealbhan |
| Hy3-W8A16 | Tha | Chan eil | Modail teacsa 8-bit eile aig a' phrìs làr |
| DeepSeek-V4-Flash-0731 | Tha | Chan eil | W4A16-AutoRound-REAP dìreach mar Laguna, taic sgeama fhathast slàn |
'S e MiMo-V2.5-Pro (W8A16) am bun-roghainn nàdarra: teacsa a-mhàin, aig prìs làr, cuantaichte aig an ìre as bàighiche a bhios sinn a' ruith — mion-fhiosrachadh air cairt mhodail MiMo-V2.5. A chionn 's gu bheil an dà mhodail dheug a' co-roinneadh oir-phuingean, uinneag cho-theacsa agus mullach toraidh, chan eil ann an suidse ach atharrachadh aon-loidhne air an raon model.
03Dè tha W4A16-AUTOROUND-REAP a' ciallachadh?
Chan e sgeadachadh a th' anns an iar-leasachan air aithne a' mhodail — tha e ag ràdh gu mionaideach mar a chaidh na cuideaman a theannachadh mus deach an luchdachadh air a' chruinneachadh GPU againn. Trì pìosan.
W4A16 — cuideaman 4-bit, gnìomhachaidhean 16-bit
Thèid cuideaman a stòradh aig 4 bit; fanaidh gnìomhachaidhean — na luachan a shruthas eadar sreathan aig àm co-dhùnaidh — aig 16. 'S e gearradh chuideaman gu cairteal an làraich BF16 aca a nì e comasach do mhodail 118B freagairt a-steach agus fuireach luath, fhad 's a bhios cumail gnìomhachaidhean farsaing a' dìon a' phàirt àireamhach mhothachail den char-adhartach. Teannaich na tha mòr agus statach, fàg na tha beag agus fuaimneach na aonar.
AutoRound — cruinneachadh ionnsaichte, chan e cruinneachadh gu ìre-as-fhaisge
'S e cruinneachadh gu ìre-as-fhaisge an dòigh shìmplidh air cuantachadh: snap gach cuideam chun luach 4-bit as fhaisge, gabh ris a' mhearachd. Bidh AutoRound, uidheam cuantachaidh iar-thrèanaidh fosgailte aig Intel, a' dèanamh nas fheàrr — bidh an dòigh SignRound aige a' cleachdadh signed gradient descent gus na co-dhùnaidhean cruinneachaidh agus na raointean gearraidh a bharrachadh còmhla thairis air paidhir cheud ceum, a' co-dhùnadh gach cuideim a bheil cruinneachadh suas no sìos a' dèanamh nas lugha de mhilleadh air fìor thoradh na sreatha. Bidh e a' faighinn iasad den bheachd o thrèanadh mothachail air cuantachadh gun chosgais ath-thrèanaidh, agus sin as coireach gum faod togail W4A16 a bhith na fhìor mhodail seach na annas call-dàta.
REAP — bearradh eòlaichean seach gam measgachadh
'S e Router-weighted Expert Activation Pruning, air fhoillseachadh le Cerebras Research, a th' ann an REAP. Ann am modail MoE chan eil a h-uile eòlaiche a' tarraing a chuideam: cuiridh an rianadair beagan tokenan gu cuid, agus cha chuir cuid mòran meud ris nuair a lasas iad. Bidh REAP a' toirt sgòr do gach eòlaiche air an dà chomharra — luachan geata an rianadair agus norm gnìomhachaidh an eòlaiche — agus a' toirt air falbh na feadhainn as lugha buaidh ann an aon char, mus tèid an cuantachadh. Gu deatamach bidh e a' bearradh seach a' measgachadh: bidh measgachadh a' pasgadh grunn eòlaichean gu aon fhear, a' sgrios smachd mion-ghràinneach, eisimeileach air an ionchur aig an rianadair agus a' toirt a-steach làr mearachd nach toir gleusadh sam bith air falbh (canaidh na h-ùghdaran tuiteam fo-àite gnìomhach ris), fhad 's a dh'fhàgas bearradh na thàinig beò agus smachd an rianadair orra slàn. Bidh Cerebras ag aithris toirt air falbh suas ri 50% de dh'eòlaichean o mhodailean trillean-paramadair fhad 's a chumas iad a' mhòr-chuid de chàileachd na bun-loidhne — air modail còdaiche 480B aig 50% bearraidh, 97.6% de chomas còdaidh neo-àidseantach na bun-loidhne agus 96.7% air SWE-Bench àidseantach. 'S e àireamhan Cerebras airson na modailean aca fhèin a th' annta sin, chan e tomhasan air an togail againn, ach 's iad as coireach gu bheil sinn a' ruith an stac seo air bunait aig a bheil an fheart as làidire ann an còd.
Còmhla bidh an t-iar-leasachan a' leughadh mar sheantans: bearr na h-eòlaichean nach deach an cleachdadh ach ainneamh, ionnsaich an cruinneachadh 4-bit seach a bhith ga thomhas, cum gnìomhachaidhean aig làn leud.
04Dè aig a bheil am modail seo dha-rìribh math?
Onarachd an toiseach: 's e modail còmhraidh teacsa-a-mhàin a th' ann an Laguna S 2.1 — gun ionchur lèirsinn air an aithne-mhodail seo — agus thog Poolside e airson còdadh àidseantach agus obair fad-fhàire, chan ann airson rosg. Ruith an t-iar-thrèanadh thairis air 409,000 àrainneachd, a' gabhail a-steach 83,000 obair tèirmineil agus 168,000 obair innleadaireachd bathar-bhog, le ionnsachadh ath-neartachaidh ann am FP8. Toraidhean Poolside a chaidh aithris airson an sgaoilidh neo-chuantaichte:
| Deuchainn-choimeis | A' smaoineachadh | Gun smaoineachadh | Dè a thomhaiseas e |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Fìor chàradh mhearachdan thar iomadh cànan |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Obair slige is uidheamachd ioma-cheumnach |
| SWE-Bench Pro | 59.4% | — | Obraichean tasglainn nas cruaidhe, dìonach an aghaidh truailleadh |
| Toolathlon Verified | 49.7% | — | Farsaingeachd cleachdadh-inneil thar iomadh API |
| SWE Atlas | 46.2% | — | Seòladh tasglainn fad-fhàire |
| DeepSWE v1.1 | 40.4% | 16.5% | Innleadaireachd bathar-bhog àidseantach |
'S e am beàrn eadar an dà cholbh an àireamh as gnìomhaiche an seo: air DeepSWE bidh an sgòr nas motha na dà uiread nuair a thèid reusanachadh a chur air, agus air Terminal-Bench buannaichidh e faisg air deich puingean.
Àireamhan air an aithris le Poolside airson sgaoileadh neo-chuantaichte Laguna S 2.1, Iuchar 2026. Chan e tomhasan air an togail W4A16-AutoRound-REAP againn a th' annta, agus cha bhith sinn a' foillseachadh àireamhan deuchainn-choimeis fhìn air a shon. Cleachd reasoning_effort gus am buidseat smaoineachaidh a smachdachadh air an API againn.
Airson obair chòmhraidh agus chruthachail, seo an suidheachadh onarach: 's iad na feartan a tha air cùl ruithean àidseantach fada — a' cumail tòrr staid gu ciallach, a' fuireach air an obair, gun seachran — na h-aon fheartan a tha air cùl obair charactair fada, agus ann an cleachdadh cumaidh e guth gu math thairis air uinneag glè fhada. Chan eil deuchainn-choimeis foillsichte ag ràdh sin, agus cha dèan sinne fear suas. Dèan deuchainn air na brosnachaidhean agad fhèin; aig $0.50 gach millean token a-steach tha sin cha mhòr saor an-asgaidh.
05Dè a cheannaicheas am prìs làr dha-rìribh?
'S e $0.50 a-steach / $2.00 a-mach gach millean token an ìre inntrigidh air Geata Shannon AI, air a cho-roinneadh le MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro agus Hy3. Gu cinnteach:
| Uallach-obrach | A-steach | A-mach | Cosgais |
|---|---|---|---|
| Aon char còmhraidh le 100K eachdraidh | 100,000 | 2,000 | $0.054 |
| Caibideil 5,000-facal o bhrath fada | 30,000 | 7,000 | $0.029 |
| 1,000 char còmhraidh goirid | 4,000,000 | 500,000 | $3.00 |
| Leughadh co-theacsa slàn 262K-token | 262,144 | 16,384 | $0.164 |
'S e an sreath mu dheireadh am fear a ghabhas a-steach: cosgaidh lìonadh na h-uinneig cho-theacsa gu lèir agus gineadh an fhreagairt as motha 16,384-token mu shia sgillinnean deug. Sguiridh biathadh làmh-sgrìobhainn shlàn, tar-sgrìobhadh seisein, no seata sgrìobhainnean a-steach do dh'aon ghairm a bhith na cho-dhùnadh buidseit agus fàsaidh e na cho-dhùnadh dàilich. Bidh an aon àireamhachd a' stiùireadh an dàrna cleachdadh phrìs-làr — tomhas: seòrsachadh baids, ath-sgrìobhadh mòr, còmhradh synteataig, dreach-thoiseach a leasaicheas modail nas làidire às a dhèidh. Faic an duilleag phrìsean agus an clàr-amais rannsachaidh.
06Dè tha "gun chaisgireachd" a' ciallachadh an seo
Tha e a' ciallachadh dìreach na tha e ag ràdh: gun sreath diùltaidh agus gun sìoladh susbaint air an toradh. Chan eil seòrsaichear sam bith na shuidhe eadar am modail agus am freagairt agad a' co-dhùnadh am b' urrainn dhut faighneachd; freagraidh am modail san ìre-chainnt a dh'iarr thu agus cha toir e òraid dhut mun bhun-bheachd an toiseach.
Airson obair chruthachail sin an diofar eadar inneal so-chleachdte agus fear neo-chleachdte. Bidh ficsean a' gabhail a-steach nàimhdean bagarrach, caractaran a dh'innseas breugan gu earbsach, fòirneart le builean, luchd-aithris le moraltachd air a chur an cunnart — tha modail a bhriseas caractar gus fios-àicheidh a chur ris air fàilligeadh an obair, chan e air soirbheachadh air tèarainteachd. Tha an aon rud fìor airson rannsachadh tèarainteachd, sgrìobhainnean sgioba-dhearg, dreachdadh meidigeach is laghail, agus eadar-theangachadh far a bheil an tùs dìreach: roinnean far nach eil ann an diùltadh ach freagairt cheàrr. Chan eil e a' ciallachadh gun sguir am breithneachadh bhith agadsa — bidh thu fhathast an urra ris na ghineas tu, fon Phoileasaidh Cleachdaidh Cunntachail againn agus lagh iomchaidh.
07Mar a ghairmeas tu API Laguna gun chaisgireachd
Trì dualchainntean, aon mhodail: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Bidh sruthadh ag obair air na trì, agus mar sin gluaisidh aonachadh a th' ann mu thràth le bhith ag atharrachadh bun-URL agus aithne-mhodail — gun suidse SDK, gun ath-sgrìobhadh air làimhseachadh do theachdaireachdan.
POST https://api.shannon-ai.com/v1/chat/completions
{
"model": "Laguna-S-2.1-W4A16-AUTOROUND-REAP",
"messages": [
{ "role": "system", "content": "Tha thu nad neach-aithris cruaidh. Fan san aon ghuth." },
{ "role": "user", "content": "Fosgail caibideil a naoi." }
],
"stream": true,
"max_tokens": 4096,
"reasoning_effort": "low"
}
Beagan nota practaigeach:
- Na cuir
response_formatnojson_schemachun aithne-mhodail seo — ma tha an leabharlann-teachdaiche agad a' suidheachadh fear mar bhun-roghainn, dì-shuidhich e no gluais gu bràthair aig a bheil taic dha. - Thèid innealan a-steach don raon
toolsàbhaisteach — tha làn thaic aig gairm-inneal; chan eil ach sparradh sgeama air teacsa-saor a dhìth. - Buidseataich do reusanachadh. Tha
reasoning_effortair a chumail — cumaidh ìseal no dheth an dàil chòmhraidh sìos agus tokenan toraidh saor; àrdaich e airson obair-inneil ioma-cheumnach, far a bheil am beàrn deuchainn-choimeis gu h-àrd a' sealltainn dè a cheannaicheas e. - 'S e 16,384 token an mullach toraidh gach iarrtas. Airson gineadh fad-leabhair, cuir ann an caibideilean e agus sruth e.
- Teacsa a-mhàin. Gun ionchur dhealbhan air an aithne-mhodail seo — cleachd MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 no inkling airson lèirsinn.
Iomradh slàn air paramadairean, dearbhadh, semantaigs mhearachd agus raon-cluiche beò: sgrìobhainnean API.
08Cuin a thaghas tu e, agus cuin nach tagh
Tagh e nuair a tha an toradh agad na rosg, còmhradh no còd a leughas duine; feum agad air gairm-inneal ach chan ann air teacsa fo smachd sgeama; prìs gach token os cionn co-theacsa fhada; no ma tha thu ag iarraidh dàrna beachd o shinnsireachd eile seach na teaghlaichean DeepSeek, Kimi agus MiMo a lìonas an còrr den loidhne.
Tagh rudeigin eile nuair a dh'fheumas tu JSON cinnteach (MiMo-V2.5-Pro), tuigse dhealbhan (Kimi-K2.6 no MiMo-V2.5), no ceann ìre-toisich na duilgheadais far nach eil am beàrn prìse iomchaidh an taca ri bhith a' faighinn am freagairt ceart (DeepSeek-V4-Pro, Kimi-K3).
json_schema agus response_format. Leugh cairt mhodail MiMo-V2.5, no rùraich na dhà-dheug gu lèir anns a' chlàr-amais rannsachaidh.
Tha gach tagradh ailtireachd is deuchainn-choimeis an seo a' tighinn o fhoillsichear a' mhodail no o ùghdaran nan dòighean teannachaidh. Sgrùd iad thu fhèin.
09Ceistean cumanta
Dè th' ann an API Laguna gun chaisgireachd?
'S e Laguna S 2.1 le cuideaman fosgailte aig Poolside a th' ann — 118 billean paramadair, timcheall air 8 billean gnìomhach gach token — air fhrithealadh air a' chruinneachadh GPU aig Shannon fhèin gun sreath diùltaidh agus gun sìoladh toraidh. 'S e Laguna-S-2.1-W4A16-AUTOROUND-REAP aithne a' mhodail, tha an uinneag cho-theacsa aig 262,144 token, agus cosgaidh e $0.50 gach millean a-steach agus $2.00 gach millean a-mach.
A bheil taic aig Laguna S 2.1 airson json_schema no response_format air Shannon AI?
Chan eil. 'S e an aon mhodail ann an loidhne Shannon nach gabh ri gin dhiubh. Bidh gairm-inneal agus sruthadh ag obair mar as àbhaist agus thig argamaidean gairm-inneil fhathast mar JSON, ach chan eil sgeama fo smachd an fhrithealaiche air toradh teacsa an neach-cuideachaidh. Airson JSON cinnteach aig an aon phrìs $0.50 / $2.00, cleachd MiMo-V2.5-Pro (W8A16).
Dè tha W4A16-AUTOROUND-REAP a' ciallachadh?
Tha W4A16 a' ciallachadh gu bheil na cuideaman air an stòradh aig 4 bit fhad 's a dh'fhanas gnìomhachaidhean aig 16 bit. 'S e dòigh cuantachaidh iar-thrèanaidh aig Intel a th' ann an AutoRound, a chleachdas signed gradient descent gus na co-dhùnaidhean cruinneachaidh is gearraidh ionnsachadh an àite cruinneachadh gu ìre-as-fhaisge. 'S e Router-weighted Expert Activation Pruning aig Cerebras Research a th' ann an REAP, a leigeas às eòlaichean a thèid an stiùireadh ainneamh no gu lag o mhodail Mixture-of-Experts mus tèid a chuantachadh seach gam measgachadh.
A bheil Laguna S 2.1 math airson sgrìobhadh cruthachail agus còmhradh?
'S e modail còmhraidh teacsa-a-mhàin a th' ann — gun ionchur lèirsinn — agus cumaidh e rosg fada, ciallach, san aon charactar thairis air uinneag 262K gun sreath diùltaidh sa rathad. 'S ann ann an còdadh àidseantach a tha clàr deuchainn-choimeis foillsichte Poolside, chan ann ann an rosg, agus mar sin dèan deuchainn air càileachd chruthachail air na brosnachaidhean agad fhèin seach a bhith an urra ri clàr-ìre.
Dè a chosgas an API Laguna gun chaisgireachd?
$0.50 gach millean token a-steach agus $2.00 gach millean token a-mach — am prìs làr air Geata Shannon AI, air a cho-roinneadh le MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro agus Hy3. Cosgaidh còmhradh 100,000-token a bheir seachad 2,000 token de fhreagairt mu 5.4 sgillinn.
Feuch API Laguna gun chaisgireachd
MoE 118B · co-theacsa 262K · innealan agus sruthadh · $0.50 / $2.00 gach 1M token.
Leugh Sgrìobhainnean an API Tòisich a' ChòmhradhGun sreath diùltaidh · gun sìoladh toraidh · do bhreithneachadh fhèin, d' uallach fhèin
Tùsan: Poolside — cairt mhodail Laguna S 2.1 · A' toirt a-steach Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Tha àireamhan ailtireachd is deuchainn-choimeis air an aithris leis an fhoillsichear airson an sgaoilidh neo-chuantaichte, chan e tomhasan air an togail a bhios sinn a' frithealadh. Tha Shannon AI air a ruith le Shannon Lab LLC, New Mexico, na SA.