API de Laguna sen censura
Laguna S 2.1 — unha base Mestura de Expertos de 118B servida sen capa de negativas, cunha xanela de contexto de 262K e chamada de ferramentas — ao prezo chan de $0.50 de entrada / $2.00 de saída por millón de tokens.
Resumo
A API de Laguna sen censura executa o Laguna S 2.1 de Poolside — 118B de parámetros totais, uns 8B activos por token, pesos abertos baixo OpenMDW-1.1 — cuantizado a W4A16 con AutoRound e REAP e servido no noso propio clúster de GPU. Obtés un contexto de 262,144 tokens, 16,384 tokens de saída por petición, streaming, chamada de ferramentas, reasoning_effort e ningún filtrado da saída. Unha advertencia, dita desde o principio: este é o único modelo do noso catálogo que non admite nin json_schema nin response_format. Se precisas JSON garantido, colle un irmán — a compilación Pro de MiMo-V2.5 faino ao mesmo prezo.
A maioría das páxinas de "modelo barato" pídenche aceptar unha base pequena e cansa a cambio dunha cifra baixa. Esta non. Laguna S 2.1 é unha publicación de Mestura de Expertos dispersa de xeración actual, adestrada en 4,096 H200 e entregada en menos de nove semanas, e está no mesmo chan de $0.50 / $2.00 ca todos os demais modelos de nivel de entrada que servimos. O intercambio é estreito e fácil de razoar: renuncias á saída estruturada imposta polo servidor e conservas todo o demais.
01Que é Laguna S 2.1?
Laguna S 2.1 é un modelo de pesos abertos publicado por Poolside o 21 de xullo de 2026 baixo a licenza permisiva OpenMDW-1.1 — o membro de tamaño medio da familia Laguna, entre Laguna XS 2.1 (33B/3B activos) e Laguna M.1 (225B/23B activos).
A arquitectura publicada é un enrutador de elección por token con portas softplus sobre 256 expertos enrutados máis un experto compartido, dez seleccionados por token, ao longo de 48 capas — doce de atención global, trinta e seis de xanela deslizante cunha xanela de 512 tokens, un intercalado que mantén o custo de atención das entradas moi longas preto do lineal en vez de cuadrático. A atención é de consulta agrupada con 8 cabezas de clave e valor e dimensión de cabeza 128.
Dúas consecuencias importan a quen consome a API. A activación dispersa é a razón pola que un modelo de 118B pode estar no prezo chan — só uns 8B de parámetros traballan por token, así que o cómputo por token está máis preto do dun modelo denso pequeno do que suxire o reconto de parámetros. E o intercalado de xanela deslizante é a razón pola que a xanela longa é xenuinamente utilizable e non só nominal. A publicación de Poolside admite 1,048,576 tokens; nós servimos 262,144, igual ca todos os demais modelos da pasarela.
02A única advertencia: sen saída estruturada
Laguna S 2.1 en Shannon AI non acepta nin json_schema nin response_format. É o único modelo do noso catálogo de doce sen compatibilidade con saída estruturada; enviar calquera dos dous parámetros non che dará unha resposta restrinxida por esquema. A chamada de ferramentas funciona. O streaming funciona. O razoamento funciona. Só falta o modelado da saída imposto polo servidor.
O que si funciona. A chamada de ferramentas está plenamente admitida, e os argumentos das chamadas de ferramenta seguen chegando como un obxecto JSON exactamente igual ca en calquera outro modelo de aquí. Se a "saída estruturada" da túa aplicación son en realidade argumentos de ferramenta — o caso da maioría dos marcos de axentes, dos servidores MCP e dos front-ends de base de datos — Laguna S 2.1 sérveche perfectamente. O streaming funciona nos tres dialectos; reasoning_effort funciona.
O que non. Non podes darlle ao endpoint un esquema JSON e ter garantido que a resposta de texto do asistente o valide, e response_format: {"type": "json_object"} non che dá nada. Pedir JSON no prompt adoita producir JSON — este é un modelo competente — pero "adoita" non é un contrato. A propia Poolside documenta o escapado incorrecto de JSON en chamadas de ferramenta moi aniñadas como unha limitación coñecida, un recordatorio de que a garantía, onde existe noutros modelos do noso catálogo, vén da capa de servizo e non das boas intencións do modelo.
Que irmán usar no seu lugar
Se a túa carga de traballo precisa JSON garantido, non pelexes con este modelo — cambia o identificador do modelo. Catro irmáns están ao prezo idéntico de $0.50 / $2.00 con compatibilidade completa con json_schema e response_format:
| Identificador do modelo | json_schema | Visión | Por que o escollerías |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Si | Non | O cambio directo — pesos de 8 bits, o nivel de maior fidelidade, mesmo prezo |
| MiMo-V2.5-W8A16 | Si | Si | O mesmo, máis entrada de imaxe |
| Hy3-W8A16 | Si | Non | Outro modelo de texto de 8 bits ao prezo chan |
| DeepSeek-V4-Flash-0731 | Si | Non | W4A16-AutoRound-REAP coma Laguna, coa compatibilidade de esquema intacta |
A opción natural por defecto é MiMo-V2.5-Pro (W8A16): só texto, ao prezo chan, cuantizado no nivel máis suave que executamos — os detalles están na ficha do modelo MiMo-V2.5. Como os doce modelos comparten endpoints, xanela de contexto e teito de saída, cambiar é modificar unha liña no campo model.
03Que significa W4A16-AUTOROUND-REAP?
O sufixo do identificador do modelo non é decoración — di exactamente como se comprimiron os pesos antes de cargalos no noso clúster de GPU. Tres partes.
W4A16 — pesos de 4 bits, activacións de 16 bits
Os pesos almacénanse a 4 bits; as activacións — os valores que flúen entre capas no momento da inferencia — quedan a 16. Reducir os pesos á cuarta parte da súa pegada en BF16 é o que fai que un modelo de 118B colla e se manteña rápido, mentres que manter as activacións anchas protexe a parte numericamente sensible da pasada cara adiante. Comprime o que é grande e estático, deixa en paz o que é pequeno e dinámico.
AutoRound — redondeo aprendido, non redondeo ao máis próximo
A forma inxenua de cuantizar é redondear ao máis próximo: axustar cada peso ao valor de 4 bits máis próximo e aceptar o erro. AutoRound, o kit aberto de cuantización posterior ao adestramento de Intel, faino mellor — o seu método SignRound usa descenso de gradiente con signo para optimizar conxuntamente as decisións de redondeo e os rangos de recorte ao longo dun par de centos de pasos, decidindo peso a peso se redondear cara arriba ou cara abaixo dana menos a saída real da capa. Toma prestada a idea do adestramento consciente da cuantización sen o custo de readestrar, e é a razón pola que unha compilación W4A16 pode ser un modelo serio e non unha curiosidade con perdas.
REAP — podar expertos en vez de fusionalos
REAP é o Router-weighted Expert Activation Pruning, publicado por Cerebras Research. Nun modelo MoE non todos os expertos arriman o ombreiro: o enrutador mándalles poucos tokens a algúns, e outros contribúen con pouca magnitude cando se activan. REAP puntúa cada experto polos dous sinais — os valores da porta do enrutador e as normas de activación do experto — e elimina dunha soa vez os de baixa saliencia, antes de cuantizar. É crucial que poda en vez de fusionar: fusionar mete varios expertos nun só, destruíndo o control de gran fino e dependente da entrada do enrutador e introducindo un chan de erro que ningún axuste elimina (os autores chámanlle colapso do subespazo funcional), mentres que podar deixa intactos os que sobreviven e o control que o enrutador ten sobre eles. Cerebras informa de eliminar ata o 50% dos expertos en modelos de billóns de parámetros mantendo en boa medida a calidade de referencia — nun modelo de programación de 480B cun 50% de poda, o 97.6% da capacidade de programación non baseada en axentes e o 96.7% no SWE-Bench con axentes. Esas son cifras de Cerebras para os seus propios modelos, non medicións da nosa compilación, pero son a razón pola que executamos esta pila sobre unha base cuxa forza principal é o código.
Xuntas, o sufixo lese como unha frase: poda os expertos que apenas se usaban, aprende o redondeo a 4 bits en vez de adiviñalo, mantén as activacións con largura completa.
04En que é realmente bo este modelo?
Primeiro a honestidade: Laguna S 2.1 é un modelo conversacional só de texto — sen entrada de imaxe neste identificador de modelo — e Poolside construíuno para a programación con axentes e o traballo a longo horizonte, non para a prosa. O post-adestramento correu sobre 409,000 contornos, incluídas 83,000 tarefas de terminal e 168,000 de enxeñaría do software, con aprendizaxe por reforzo en FP8. Estes son os resultados informados por Poolside para a publicación sen cuantizar:
| Benchmark | Con pensamento | Sen pensamento | Que mide |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Correccións reais de erros en moitas linguaxes |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Traballo de shell e ferramentas en varios pasos |
| SWE-Bench Pro | 59.4% | — | Tarefas de repositorio máis difíciles e resistentes á contaminación |
| Toolathlon Verified | 49.7% | — | Amplitude de uso de ferramentas en moitas API |
| SWE Atlas | 46.2% | — | Navegación de repositorios a longo horizonte |
| DeepSWE v1.1 | 40.4% | 16.5% | Enxeñaría do software con axentes |
A distancia entre as dúas columnas é a cifra máis accionable de aquí: en DeepSWE a puntuación máis que se duplica cando se activa o razoamento, e en Terminal-Bench gaña case dez puntos.
Cifras informadas por Poolside para a publicación de Laguna S 2.1 sen cuantizar, xullo de 2026. Non son medicións da nosa compilación W4A16-AutoRound-REAP, e non publicamos cifras de benchmark propias para ela. Usa reasoning_effort para controlar o orzamento de pensamento na nosa API.
Para o traballo conversacional e creativo a posición honesta é esta: as calidades que hai detrás das execucións longas con axentes — soster moito estado con coherencia, non saírse da tarefa, non derivar — son as mesmas que hai detrás do traballo longo de personaxe, e na práctica mantén ben a voz ao longo dunha xanela moi longa. Ningún benchmark publicado o di, e non imos inventar un. Próbao cos teus propios prompts; a $0.50 por millón de tokens de entrada iso é practicamente de balde.
05Que compra realmente o prezo chan?
$0.50 de entrada / $2.00 de saída por millón de tokens é o nivel de entrada da pasarela de Shannon AI, compartido con MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro e Hy3. En concreto:
| Carga de traballo | Entrada | Saída | Custo |
|---|---|---|---|
| Unha quenda de chat con 100K de historial | 100,000 | 2,000 | $0.054 |
| Un capítulo de 5,000 palabras a partir dun resumo longo | 30,000 | 7,000 | $0.029 |
| 1,000 quendas conversacionais curtas | 4,000,000 | 500,000 | $3.00 |
| Unha lectura completa dun contexto de 262K tokens | 262,144 | 16,384 | $0.164 |
A última fila é a que hai que interiorizar: encher a xanela de contexto enteira e xerar a resposta máxima de 16,384 tokens custa arredor de dezaseis céntimos. Meter un manuscrito enteiro, unha transcrición de sesión ou un conxunto de documentos nunha soa chamada deixa de ser unha decisión de orzamento e pasa a ser unha decisión de latencia. A mesma aritmética impulsa o outro caso de uso do prezo chan — o volume: clasificación por lotes, reescrita masiva, diálogo sintético, borradores de primeira pasada que un modelo máis forte refina despois. Consulta a páxina de prezos e o índice de investigación.
06Que significa aquí "sen censura"
Significa o que di: sen capa de negativas e sen filtrado de contido na saída. Ningún clasificador se sitúa entre o modelo e a túa resposta decidindo se tiñas permiso para preguntar; o modelo responde no rexistro que pediches e non che dá primeiro unha lección sobre a premisa.
Para o traballo creativo esa é a diferenza entre unha ferramenta utilizable e unha inservible. A ficción contén antagonistas ameazantes, personaxes que menten de forma convincente, violencia con consecuencias, narradores moralmente comprometidos — un modelo que rompe o personaxe para engadir unha advertencia fallou a tarefa, non triunfou na seguridade. O mesmo vale para a investigación en seguridade, a documentación de red team, a redacción médica e xurídica e a tradución cando a fonte é crúa: categorías nas que unha negativa é sinxelamente unha resposta errada. O que non significa é que o criterio deixe de ser teu — segues sendo responsable do que xeras, baixo a nosa Política de Uso Responsable e a lei aplicable.
07Como chamar á API de Laguna sen censura
Tres dialectos, un modelo: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. O streaming funciona nos tres, así que unha integración existente móvese cambiando unha URL base e un identificador de modelo — sen cambiar de SDK, sen reescribir a xestión de mensaxes.
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"
}
Unhas cantas notas prácticas:
- Non lle envíes
response_formatninjson_schemaa este identificador de modelo — se a túa biblioteca cliente pon un por defecto, quítao ou pásate a un irmán que o admita. - As ferramentas van no habitual array
tools— a chamada de ferramentas está plenamente admitida; o único que non hai é a imposición de esquema sobre o texto libre. - Orzamenta o teu razoamento.
reasoning_effortrespéctase — baixo ou apagado mantén a latencia conversacional a raia e os tokens de saída baratos; súbeo para o traballo con ferramentas en varios pasos, onde a distancia de benchmark de arriba amosa o que che compra. - O teito de saída é de 16,384 tokens por petición. Para xeración de lonxitude de libro, divídea por capítulos e usa streaming.
- Só texto. Sen entrada de imaxe neste identificador de modelo — usa MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 ou inkling para visión.
Referencia completa de parámetros, autenticación, semántica de erros e un playground en vivo: documentación da API.
08Cando escollelo e cando non
Escóllelo cando a túa saída sexa prosa, diálogo ou código que le unha persoa; precises chamada de ferramentas pero non texto restrinxido por esquema; o custo por token domine sobre o contexto longo; ou queiras unha segunda opinión dunha liñaxe distinta das familias DeepSeek, Kimi e MiMo que enchen o resto do catálogo.
Escolle outra cousa cando precises JSON garantido (MiMo-V2.5-Pro), comprensión de imaxes (Kimi-K2.6 ou MiMo-V2.5), ou o extremo de fronteira da dificultade, onde a diferenza de prezo é irrelevante ao lado de acertar coa resposta (DeepSeek-V4-Pro, Kimi-K3).
json_schema e response_format. Le a ficha do modelo MiMo-V2.5, ou percorre os doce no índice de investigación.
Todas as afirmacións de arquitectura e de benchmark de aquí veñen de quen publica o modelo ou dos autores dos métodos de compresión. Compróbaas ti mesmo.
09Preguntas frecuentes
Que é a API de Laguna sen censura?
É o Laguna S 2.1 de pesos abertos de Poolside — 118 mil millóns de parámetros, arredor de 8 mil millóns activos por token — servido no propio clúster de GPU de Shannon sen capa de negativas e sen filtrado da saída. O identificador do modelo é Laguna-S-2.1-W4A16-AUTOROUND-REAP, a xanela de contexto é de 262,144 tokens e custa $0.50 por millón de tokens de entrada e $2.00 por millón de saída.
Admite Laguna S 2.1 json_schema ou response_format en Shannon AI?
Non. É o único modelo do catálogo de Shannon que non acepta ningún dos dous. A chamada de ferramentas e o streaming funcionan con normalidade e os argumentos das chamadas de ferramenta seguen chegando como JSON, pero non hai un esquema imposto polo servidor sobre a saída de texto do asistente. Para JSON garantido ao mesmo prezo de $0.50 / $2.00, usa MiMo-V2.5-Pro (W8A16).
Que significa W4A16-AUTOROUND-REAP?
W4A16 significa que os pesos se almacenan a 4 bits mentres que as activacións se manteñen a 16 bits. AutoRound é o método de cuantización posterior ao adestramento de Intel, que usa descenso de gradiente con signo para aprender as decisións de redondeo e de recorte en vez de redondear ao máis próximo. REAP é o Router-weighted Expert Activation Pruning de Cerebras Research, que elimina dun modelo de Mestura de Expertos os expertos pouco e febremente enrutados antes de cuantizar, en vez de fusionalos.
É Laguna S 2.1 bo para a escrita creativa e a conversa?
É un modelo conversacional só de texto — sen entrada de imaxe — e mantén prosa longa, coherente e en personaxe ao longo dunha xanela de 262K sen unha capa de negativas polo medio. O rexistro de benchmarks publicado por Poolside é en programación con axentes, non en prosa, así que proba a calidade creativa cos teus propios prompts en vez de fiarte dun ranking.
Canto custa a API de Laguna sen censura?
$0.50 por millón de tokens de entrada e $2.00 por millón de tokens de saída — o prezo chan da pasarela de Shannon AI, compartido con MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro e Hy3. Unha conversa de 100,000 tokens que produce 2,000 tokens de resposta custa arredor de 5.4 céntimos.
Proba a API de Laguna sen censura
MoE de 118B · 262K de contexto · ferramentas e streaming · $0.50 / $2.00 por 1M de tokens.
Ler a documentación da API Comezar a conversarSen capa de negativas · sen filtrado da saída · o teu criterio, a túa responsabilidade
Fontes: Poolside — ficha do modelo Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. As cifras de arquitectura e de benchmark están informadas por quen publica o modelo e refírense á publicación sen cuantizar, non a medicións da compilación que servimos. Shannon AI está operado por Shannon Lab LLC, Novo México, EUA.