અનસેન્સર્ડ Laguna API

મોટાભાગના "સસ્તું મોડેલ" પાનાં તમને ઓછા આંકડાના બદલામાં નાનું, થાકેલું ફાઉન્ડેશન સ્વીકારવાનું કહે છે. આ એક નથી કહેતું. Laguna S 2.1 એ વર્તમાન-પેઢીનું sparse મિક્સ્ચર-ઓફ-એક્સપર્ટ્સ રિલીઝ છે, 4,096 H200 પર તાલીમ પામેલું અને નવ અઠવાડિયાથી ઓછામાં મોકલાયેલું, અને તે અમે સર્વ કરીએ છીએ એ દરેક બીજા entry-tier મોડેલ જેવા જ $0.50 / $2.00 તળિયે બેસે છે. ટ્રેડ સાંકડો છે અને તર્ક કરવો સહેલો છે: તમે server-enforced સ્ટ્રક્ચર્ડ આઉટપુટ છોડો છો અને બાકીનું બધું રાખો છો.

01Laguna S 2.1 શું છે?

Laguna S 2.1 એ Poolside દ્વારા 21 જુલાઈ, 2026 ના રોજ પરમિસિવ OpenMDW-1.1 લાઇસન્સ હેઠળ રિલીઝ થયેલું ઓપન-વેઇટ્સ મોડેલ છે — Laguna XS 2.1 (33B/3B એક્ટિવ) અને Laguna M.1 (225B/23B એક્ટિવ) વચ્ચેનું Laguna પરિવારનું મધ્યમ-કદનું સભ્ય.

પ્રકાશિત આર્કિટેક્ચર 256 રાઉટેડ એક્સપર્ટ વત્તા એક શેર્ડ એક્સપર્ટ પર softplus ગેટિંગ ધરાવતું token-choice રાઉટર છે, ટોકન દીઠ દસ પસંદ થાય છે, 48 લેયર પર — બાર ગ્લોબલ-એટેન્શન, છત્રીસ sliding-window 512-ટોકન વિન્ડો પર, એક ઇન્ટરલીવિંગ જે ખૂબ લાંબા ઇનપુટના એટેન્શન ખર્ચને quadratic ને બદલે near-linear રાખે છે. એટેન્શન 128 head dimension પર 8 key-value head સાથે grouped-query છે.

API ગ્રાહક માટે બે પરિણામ મહત્વના છે. Sparse એક્ટિવેશન એ કારણ છે કે 118B મોડેલ તળિયાની કિંમતે બેસી શકે છે — ટોકન દીઠ ફક્ત ~8B પેરામીટર કામ કરે છે, એટલે ટોકન દીઠ કમ્પ્યુટ પેરામીટર ગણતરી સૂચવે છે એના કરતાં નાના dense મોડેલની નજીક છે. અને sliding-window ઇન્ટરલીવિંગ એ કારણ છે કે લાંબી વિન્ડો nominal ને બદલે ખરેખર વાપરી શકાય એવી છે. Poolside નું રિલીઝ 1,048,576 ટોકનને સમર્થન આપે છે; અમે 262,144 સર્વ કરીએ છીએ, ગેટવે પરના દરેક બીજા મોડેલ સાથે મેળ ખાતું.

02એક ચેતવણી: કોઈ સ્ટ્રક્ચર્ડ આઉટપુટ નહીં

શું હજુ કામ કરે છે. ટૂલ કૉલિંગ સંપૂર્ણપણે સમર્થિત છે, અને ટૂલ-કૉલ argument અહીંના બીજા કોઈપણ મોડેલ પર જેમ બરાબર એ જ રીતે JSON ઓબ્જેક્ટ તરીકે આવે છે. જો તમારી એપ્લિકેશનનું "સ્ટ્રક્ચર્ડ આઉટપુટ" ખરેખર ટૂલ argument છે — મોટાભાગના એજન્ટ ફ્રેમવર્ક, MCP સર્વર અને ડેટાબેઝ front-end માટે સાચું — Laguna S 2.1 તમને સારી રીતે સર્વ કરે છે. ત્રણેય ડાયલેક્ટ પર સ્ટ્રીમિંગ કામ કરે છે; reasoning_effort કામ કરે છે.

શું નથી કરતું. તમે એન્ડપોઇન્ટને JSON Schema આપી શકતા નથી અને assistant નો ટેક્સ્ટ જવાબ તેની સામે વેલિડેટ થાય એની ગેરંટી નથી, અને response_format: {"type": "json_object"} તમને કંઈ ખરીદતું નથી. JSON માટે prompt કરવાથી સામાન્ય રીતે JSON ઉત્પન્ન થાય છે — આ સક્ષમ મોડેલ છે — પણ "સામાન્ય રીતે" કરાર નથી. Poolside પોતે ઊંડા nested ટૂલ કૉલમાં ખોટા JSON escaping ને જાણીતી મર્યાદા તરીકે દસ્તાવેજીકૃત કરે છે, એક રિમાઇન્ડર કે ગેરંટી, જ્યાં તે અમારી યાદીમાં બીજે અસ્તિત્વ ધરાવે છે, મોડેલના સારા ઇરાદાને બદલે serving layer માંથી આવે છે.

તેના બદલે કયો સાથી વાપરવો

જો તમારા વર્કલોડને ગેરંટીકૃત JSON જોઈએ, તો આ મોડેલ સામે લડો નહીં — મોડેલ id બદલો. ચાર સાથી પૂરા json_schema અને response_format સમર્થન સાથે એ જ $0.50 / $2.00 કિંમતે બેસે છે:

મોડેલ id	json_schema	વિઝન	તમે તેને કેમ પસંદ કરશો
MiMo-V2.5-Pro-W8A16	હા	ના	સીધો સ્વેપ — 8-બિટ વેઇટ્સ, સૌથી ઊંચી-ફિડેલિટીનું ટાયર, એ જ કિંમત
MiMo-V2.5-W8A16	હા	હા	એ જ, વત્તા ઇમેજ ઇનપુટ
Hy3-W8A16	હા	ના	તળિયાની કિંમતે બીજું 8-બિટ ટેક્સ્ટ મોડેલ
DeepSeek-V4-Flash-0731	હા	ના	Laguna જેવું W4A16-AutoRound-REAP, સ્કીમા સમર્થન અકબંધ

કુદરતી ડિફૉલ્ટ MiMo-V2.5-Pro (W8A16) છે: ફક્ત-ટેક્સ્ટ, તળિયાની કિંમતે, અમે ચલાવીએ છીએ એ સૌથી હળવા ટાયર પર ક્વોન્ટાઇઝ કરેલું — વિગતો MiMo-V2.5 મોડેલ કાર્ડ પર છે. કારણ કે બધા બાર મોડેલ એન્ડપોઇન્ટ, કોન્ટેક્સ્ટ વિન્ડો અને આઉટપુટ સીલિંગ શેર કરે છે, સ્વિચ કરવું model ફિલ્ડમાં એક-લાઇનનો ફેરફાર છે.

03W4A16-AUTOROUND-REAP નો શું અર્થ થાય છે?

મોડેલ id પરનો પ્રત્યય શણગાર નથી — તે બરાબર જણાવે છે કે અમારા GPU ક્લસ્ટર પર લોડ થાય એ પહેલાં વેઇટ્સ કેવી રીતે કમ્પ્રેસ કરાયા. ત્રણ ભાગ.

W4A16 — 4-બિટ વેઇટ્સ, 16-બિટ એક્ટિવેશન

વેઇટ્સ 4 બિટ પર સ્ટોર થાય છે; એક્ટિવેશન — ઇન્ફરન્સ સમયે લેયર વચ્ચે વહેતા મૂલ્યો — 16 પર રહે છે. વેઇટ્સને તેમના BF16 ફૂટપ્રિન્ટના ચોથા ભાગ સુધી કાપવું એ છે જે 118B મોડેલને ફિટ થવા અને ઝડપી રહેવા દે છે, જ્યારે એક્ટિવેશનને પહોળા રાખવું forward pass ના numerically સંવેદનશીલ ભાગનું રક્ષણ કરે છે. જે મોટું અને સ્ટેટિક છે તેને કમ્પ્રેસ કરો, જે નાનું અને ડાયનેમિક છે તેને એકલું છોડો.

AutoRound — શીખેલું રાઉન્ડિંગ, નજીકનું રાઉન્ડિંગ નહીં

ક્વોન્ટાઇઝ કરવાની નાઇવ રીત round-to-nearest છે: દરેક વેઇટને નજીકના 4-બિટ મૂલ્ય પર snap કરો, ભૂલ સ્વીકારો. Intel નું ઓપન post-training ક્વોન્ટાઇઝેશન ટૂલકિટ AutoRound વધુ સારું કરે છે — તેની SignRound પદ્ધતિ રાઉન્ડિંગ નિર્ણયો અને ક્લિપિંગ રેન્જને સંયુક્ત રીતે ઑપ્ટિમાઇઝ કરવા થોડાસો પગલાં પર signed gradient descent વાપરે છે, દરેક વેઇટ માટે નક્કી કરે છે કે ઉપર કે નીચે રાઉન્ડ કરવાથી લેયરના ખરા આઉટપુટને ઓછું નુકસાન થાય છે. તે પુનઃ-તાલીમના ખર્ચ વગર quantization-aware training નો વિચાર ઉધાર લે છે, અને એ જ કારણ છે કે W4A16 બિલ્ડ lossy curiosity ને બદલે ગંભીર મોડેલ બની શકે છે.

REAP — એક્સપર્ટને મર્જ કરવાને બદલે પ્રુન કરવા

Cerebras Research દ્વારા પ્રકાશિત REAP એ Router-weighted Expert Activation Pruning છે. MoE મોડેલમાં બધા એક્સપર્ટ પોતાનું વજન ખેંચતા નથી: રાઉટર કેટલાકને થોડા ટોકન મોકલે છે, અને કેટલાક ફાયર થાય ત્યારે થોડું જ magnitude યોગદાન આપે છે. REAP દરેક એક્સપર્ટને બંને સિગ્નલ પર સ્કોર કરે છે — router gate value અને expert activation norm — અને ક્વોન્ટાઇઝેશન પહેલાં એક જ શોટમાં ઓછી-saliency ને દૂર કરે છે. મહત્વનું, તે મર્જ કરવાને બદલે પ્રુન કરે છે: મર્જિંગ ઘણા એક્સપર્ટને એકમાં ફોલ્ડ કરે છે, રાઉટરના ઝીણા, ઇનપુટ-આધારિત નિયંત્રણનો નાશ કરે છે અને એવો error floor દાખલ કરે છે જેને કોઈ ટ્યુનિંગ દૂર કરતું નથી (લેખકો તેને functional subspace collapse કહે છે), જ્યારે પ્રુનિંગ બચેલાને અને તેમના પર રાઉટરના નિયંત્રણને અકબંધ છોડે છે. Cerebras ટ્રિલિયન-પેરામીટર મોડેલોમાંથી 50% સુધીના એક્સપર્ટ દૂર કરવાનું જણાવે છે જ્યારે મોટાભાગે બેઝલાઇન ગુણવત્તા જાળવે છે — 480B કોડર મોડેલ પર 50% પ્રુનિંગ પર, બેઝલાઇન નોન-એજન્ટિક કોડિંગ ક્ષમતાનું 97.6% અને agentic SWE-Bench પર 96.7%. એ Cerebras ના પોતાના મોડેલો માટેના આંકડા છે, અમારા બિલ્ડનું માપ નથી, પણ એ જ કારણ છે કે અમે આ સ્ટેકને એવા ફાઉન્ડેશન પર ચલાવીએ છીએ જેની પ્રાથમિક તાકાત કોડ છે.

સાથે મળીને પ્રત્યય એક વાક્ય તરીકે વાંચે છે: ભાગ્યે જ વપરાયેલા એક્સપર્ટને પ્રુન કરો, 4-બિટ રાઉન્ડિંગનું અનુમાન કરવાને બદલે તેને શીખો, એક્ટિવેશનને પૂરી પહોળાઈ પર રાખો.

04આ મોડેલ ખરેખર શેમાં સારું છે?

પ્રામાણિકતા પહેલાં: Laguna S 2.1 ફક્ત-ટેક્સ્ટનું વાતચીત મોડેલ છે — આ મોડેલ id પર કોઈ વિઝન ઇનપુટ નહીં — અને Poolside એ તેને એજન્ટિક કોડિંગ અને long-horizon કામ માટે બનાવ્યું, prose માટે નહીં. પોસ્ટ-ટ્રેઇનિંગ 409,000 એન્વાયર્નમેન્ટ પર ચાલ્યું, જેમાં 83,000 ટર્મિનલ અને 168,000 સોફ્ટવેર-એન્જિનિયરિંગ ટાસ્ક સામેલ, FP8 માં reinforcement learning સાથે. અનક્વોન્ટાઇઝ્ડ રિલીઝ માટે Poolside ના જણાવેલા પરિણામ:

બેન્ચમાર્ક	Thinking	No-thinking	તે શું માપે છે
SWE-Bench Multilingual	78.5%	—	ઘણી ભાષાઓ પર ખરા bug fix
Terminal-Bench 2.1	70.2%	60.4%	મલ્ટિ-સ્ટેપ shell અને ટૂલિંગ કામ
SWE-Bench Pro	59.4%	—	અઘરા, contamination-resistant repo ટાસ્ક
Toolathlon Verified	49.7%	—	ઘણા API પર ટૂલ-યુઝ પહોળાઈ
SWE Atlas	46.2%	—	Long-horizon repository navigation
DeepSWE v1.1	40.4%	16.5%	એજન્ટિક સોફ્ટવેર એન્જિનિયરિંગ

અહીં બે કૉલમ વચ્ચેનો ગેપ સૌથી actionable આંકડો છે: DeepSWE પર જ્યારે રિઝનિંગ ચાલુ કરાય છે ત્યારે સ્કોર બમણા કરતાં વધુ થાય છે, અને Terminal-Bench પર તે લગભગ દસ પોઇન્ટ મેળવે છે.

અનક્વોન્ટાઇઝ્ડ Laguna S 2.1 રિલીઝ, જુલાઈ 2026 માટે Poolside-જણાવેલા આંકડા. તે અમારા W4A16-AutoRound-REAP બિલ્ડનું માપ નથી, અને અમે તેના માટે અમારો પોતાનો કોઈ બેન્ચમાર્ક આંકડો પ્રકાશિત કરતા નથી. અમારા API પર thinking બજેટને નિયંત્રિત કરવા reasoning_effort વાપરો.

વાતચીત અને ક્રિએટિવ કામ માટે પ્રામાણિક સ્થિતિ આ છે: લાંબા એજન્ટિક રન પાછળના ગુણો — ઘણી સ્ટેટને સુસંગત રીતે ધારણ કરવી, ટાસ્ક પર રહેવું, drift ન થવું — લાંબા-ફોર્મના character કામ પાછળના એ જ ગુણો છે, અને વ્યવહારમાં તે ખૂબ લાંબી વિન્ડોમાં voice સારી રીતે ધારણ કરે છે. કોઈ પ્રકાશિત બેન્ચમાર્ક એમ કહેતું નથી, અને અમે એક શોધીશું નહીં. તેને તમારા પોતાના પ્રોમ્પ્ટ પર ટેસ્ટ કરો; 1 મિલિયન ઇનપુટ ટોકન દીઠ $0.50 પર તે લગભગ મફત છે.

05તળિયાની કિંમત ખરેખર શું ખરીદે છે?

1 મિલિયન ટોકન દીઠ $0.50 ઇન / $2.00 આઉટ એ Shannon AI ગેટવે પરનું entry ટાયર છે, MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro અને Hy3 સાથે શેર થયેલું. ચોક્કસપણે:

વર્કલોડ	ઇનપુટ	આઉટપુટ	ખર્ચ
100K ઇતિહાસ સાથે એક ચેટ ટર્ન	100,000	2,000	$0.054
લાંબા brief માંથી 5,000-શબ્દનું ચેપ્ટર	30,000	7,000	$0.029
1,000 ટૂંકા વાતચીત ટર્ન	4,000,000	500,000	$3.00
પૂરું 262K-ટોકન કોન્ટેક્સ્ટ વાચન	262,144	16,384	$0.164

અંતિમ પંક્તિ આંતરિક કરવા યોગ્ય છે: આખી કોન્ટેક્સ્ટ વિન્ડોને ભરવાની અને મહત્તમ 16,384-ટોકનનો રિસ્પોન્સ જનરેટ કરવાની કિંમત લગભગ સોળ સેન્ટ છે. આખું manuscript, session transcript, કે document set એક જ કૉલમાં ફીડ કરવું બજેટ નિર્ણય બનવાનું બંધ કરે છે અને latency નિર્ણય બને છે. એ જ ગણિત બીજા તળિયા-કિંમતના ઉપયોગના કેસને ચલાવે છે — વોલ્યુમ: બેચ વર્ગીકરણ, બલ્ક rewriting, સિન્થેટિક સંવાદ, first-pass ડ્રાફ્ટિંગ જેને પછી મજબૂત મોડેલ રિફાઇન કરે છે. કિંમત પાનું અને રિસર્ચ ઇન્ડેક્સ જુઓ.

06અહીં "અનસેન્સર્ડ" નો શું અર્થ થાય છે

તેનો અર્થ એ જ છે જે તે કહે છે: કોઈ ઇનકાર સ્તર નહીં અને આઉટપુટ પર કોઈ કન્ટેન્ટ ફિલ્ટરિંગ નહીં. મોડેલ અને તમારા રિસ્પોન્સ વચ્ચે કોઈ ક્લાસિફાયર બેસીને નક્કી કરતું નથી કે તમને પૂછવાની મંજૂરી હતી કે નહીં; મોડેલ તમે માંગેલા register માં જવાબ આપે છે અને પહેલાં premise વિશે તમને lecture આપતું નથી.

ક્રિએટિવ કામ માટે એ વાપરી શકાય એવા ટૂલ અને વાપરી ન શકાય એવા ટૂલ વચ્ચેનો ફરક છે. ફિક્શનમાં ધમકીભર્યા antagonist, વિશ્વાસપાત્ર રીતે જૂઠું બોલતા characters, પરિણામો ધરાવતી હિંસા, નૈતિક રીતે compromised narrator હોય છે — જે મોડેલ disclaimer ઉમેરવા character તોડે છે એ ટાસ્કમાં નિષ્ફળ ગયું છે, સેફ્ટીમાં સફળ થયું નથી. એ જ સિક્યુરિટી રિસર્ચ, red-team દસ્તાવેજીકરણ, મેડિકલ અને કાનૂની ડ્રાફ્ટિંગ, અને અનુવાદ માટે લાગુ પડે છે જ્યાં સોર્સ blunt છે: કેટેગરી જ્યાં ઇનકાર ફક્ત ખોટો જવાબ છે. તેનો અર્થ એ નથી કે નિર્ણય તમારો રહેવાનું બંધ કરે છે — તમે અમારી જવાબદાર ઉપયોગ નીતિ અને લાગુ કાયદા હેઠળ તમે જે જનરેટ કરો છો એ માટે જવાબદાર રહો છો.

07અનસેન્સર્ડ Laguna API ને કેવી રીતે કૉલ કરવું

ત્રણ ડાયલેક્ટ, એક મોડેલ: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. ત્રણેય પર સ્ટ્રીમિંગ કામ કરે છે, એટલે હાલનું ઇન્ટિગ્રેશન base URL અને મોડેલ id બદલીને ખસે છે — કોઈ SDK સ્વેપ નહીં, તમારા મેસેજ હેન્ડલિંગનું કોઈ ફરીથી લખાણ નહીં.

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"
}

થોડી વ્યવહારુ નોંધો:

• આ મોડેલ id ને response_format કે json_schema ન મોકલો — જો તમારી ક્લાયન્ટ લાઇબ્રેરી ડિફૉલ્ટ રીતે એક સેટ કરે છે, તો તેને unset કરો કે એ સમર્થન આપતા સાથી તરફ ખસો.
• ટૂલ સામાન્ય tools array માં જાય છે — ટૂલ કૉલિંગ સંપૂર્ણપણે સમર્થિત છે; ફક્ત free-text સ્કીમા enforcement નથી.
• તમારા રિઝનિંગનું બજેટ બનાવો. reasoning_effort નું સન્માન થાય છે — low કે off વાતચીતની latency ને નીચે અને આઉટપુટ ટોકનને સસ્તા રાખે છે; મલ્ટિ-સ્ટેપ ટૂલ કામ માટે તેને વધારો, જ્યાં ઉપરનું બેન્ચમાર્ક ગેપ બતાવે છે તે શું ખરીદે છે.
• આઉટપુટ સીલિંગ વિનંતી દીઠ 16,384 ટોકન છે. બુક-લેંગ્થ જનરેશન માટે, તેને chapter કરો અને stream કરો.
• ફક્ત ટેક્સ્ટ. આ મોડેલ id પર કોઈ ઇમેજ ઇનપુટ નહીં — વિઝન માટે MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 કે inkling વાપરો.

પૂરો પેરામીટર સંદર્ભ, ઓથેન્ટિકેશન, ભૂલ સિમેન્ટિક્સ અને લાઇવ પ્લેગ્રાઉન્ડ: API ડોક્યુમેન્ટેશન.

08ક્યારે તેને પસંદ કરવું, અને ક્યારે નહીં

તેને પસંદ કરો જ્યારે તમારું આઉટપુટ prose, dialogue, કે માણસ વાંચે એવો કોડ છે; તમને ટૂલ કૉલિંગ જોઈએ પણ schema-constrained ટેક્સ્ટ નહીં; ટોકન દીઠ ખર્ચ લાંબા કોન્ટેક્સ્ટ કરતાં પ્રભુત્વ ધરાવે છે; અથવા તમને બાકીની યાદી ભરતા DeepSeek, Kimi અને MiMo પરિવારો સિવાયના વંશમાંથી બીજો અભિપ્રાય જોઈએ છે.

બીજું કંઈક પસંદ કરો જ્યારે તમને ગેરંટીકૃત JSON જોઈએ (MiMo-V2.5-Pro), ઇમેજ સમજણ જોઈએ (Kimi-K2.6 કે MiMo-V2.5), કે મુશ્કેલીની ફ્રન્ટિયર જ્યાં જવાબ સાચો કરવાની સામે કિંમતનો ગેપ અપ્રસ્તુત છે (DeepSeek-V4-Pro, Kimi-K3).

09વારંવાર પુછાતા પ્રશ્નો

---

સોર્સ: Poolside — Laguna S 2.1 મોડેલ કાર્ડ · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. આર્કિટેક્ચર અને બેન્ચમાર્ક આંકડા અનક્વોન્ટાઇઝ્ડ રિલીઝ માટે પ્રકાશક-જણાવેલા છે, અમે સર્વ કરીએ છીએ એ બિલ્ડનું માપ નથી. Shannon AI, Shannon Lab LLC, ન્યૂ મેક્સિકો, USA દ્વારા સંચાલિત છે.