API של Laguna ללא צנזורה

רוב הדפים על "מודל זול" מבקשים ממך לקבל מודל יסוד קטן ועייף בתמורה למספר נמוך. הדף הזה לא. Laguna S 2.1 הוא שחרור Mixture-of-Experts דליל מהדור הנוכחי, שאומן על 4,096 מאיצי H200 ונשלח תוך פחות מתשעה שבועות, והוא יושב על אותה רצפה של $0.50 / $2.00 כמו כל מודל דרג-כניסה אחר שאנחנו מגישים. הפשרה צרה וקל להבין אותה: אתה מוותר על פלט מובנה שנאכף בשרת ושומר על כל השאר.

01מהו Laguna S 2.1?

Laguna S 2.1 הוא מודל במשקלים פתוחים ששוחרר על ידי Poolside ב-21 ביולי 2026 תחת הרישיון המתירני OpenMDW-1.1 — האיבר בגודל הבינוני במשפחת Laguna, בין Laguna XS 2.1 (33B/3B פעילים) לבין Laguna M.1 (225B/23B פעילים).

הארכיטקטורה שפורסמה היא נתב token-choice עם שיעור softplus על פני 256 מומחים מנותבים ועוד מומחה משותף אחד, עשרה נבחרים לכל טוקן, על פני 48 שכבות — שתים-עשרה עם תשומת לב גלובלית ושלושים ושש עם חלון מחליק ברוחב 512 טוקנים, שזירה ששומרת על עלות תשומת הלב של קלטים ארוכים מאוד קרוב לליניארית במקום ריבועית. תשומת הלב היא grouped-query עם 8 ראשי מפתח-ערך בממד ראש 128.

שתי השלכות חשובות לצרכן API. ההפעלה הדלילה היא הסיבה שמודל בן 118B יכול לשבת במחיר הרצפה — רק כ-8B פרמטרים עובדים לכל טוקן, כך שהחישוב לכל טוקן קרוב יותר למודל צפוף קטן משמספר הפרמטרים מרמז. ושזירת החלון המחליק היא הסיבה שהחלון הארוך שמיש באמת ולא רק נומינלי. השחרור של Poolside תומך ב-1,048,576 טוקנים; אנחנו מגישים 262,144, בהתאמה לכל מודל אחר בשער.

02ההסתייגות האחת: אין פלט מובנה

מה כן עובד. קריאת כלים נתמכת במלואה, וארגומנטי קריאות הכלים עדיין מגיעים כאובייקט JSON בדיוק כמו בכל מודל אחר כאן. אם ה"פלט המובנה" של האפליקציה שלך הוא למעשה ארגומנטים של כלים — נכון לרוב מסגרות הסוכנים, שרתי MCP וממשקי חזית למסדי נתונים — Laguna S 2.1 משרת אותך היטב. ההזרמה עובדת בשלושת הדיאלקטים; reasoning_effort עובד.

מה לא. אינך יכול למסור לנקודת הקצה סכמת JSON ולקבל הבטחה שתשובת הטקסט של העוזר תעמוד בה, ו-response_format: {"type": "json_object"} לא קונה לך דבר. הנחיה שמבקשת JSON בדרך כלל מייצרת JSON — זהו מודל מוכשר — אבל "בדרך כלל" אינו חוזה. Poolside עצמה מתעדת בריחת תווים שגויה ב-JSON בקריאות כלים מקוננות עמוק כמגבלה ידועה, תזכורת לכך שההבטחה, במקומות שבהם היא קיימת אצלנו, מגיעה משכבת ההגשה ולא מכוונותיו הטובות של המודל.

באיזה מודל אח להשתמש במקום

אם העומס שלך זקוק ל-JSON מובטח, אל תילחם במודל הזה — החלף את מזהה המודל. ארבעה מודלים אחים יושבים במחיר זהה של $0.50 / $2.00 עם תמיכה מלאה ב-json_schema וב-response_format:

מזהה מודל	json_schema	ראייה	למה תבחר בו
MiMo-V2.5-Pro-W8A16	כן	לא	ההחלפה הישירה — משקלים ב-8 סיביות, דרג הנאמנות הגבוה ביותר, אותו מחיר
MiMo-V2.5-W8A16	כן	כן	אותו דבר, בתוספת קלט תמונה
Hy3-W8A16	כן	לא	עוד מודל טקסט ב-8 סיביות במחיר הרצפה
DeepSeek-V4-Flash-0731	כן	לא	W4A16-AutoRound-REAP כמו Laguna, עם תמיכת סכמה שלמה

ברירת המחדל הטבעית היא MiMo-V2.5-Pro (W8A16): טקסט בלבד, במחיר הרצפה, מקוונטז בדרג העדין ביותר שאנחנו מריצים — הפרטים בכרטיס המודל של MiMo-V2.5. מאחר שכל שנים-עשר המודלים חולקים נקודות קצה, חלון הקשר ותקרת פלט, המעבר הוא שינוי של שורה אחת בשדה model.

03מה המשמעות של W4A16-AUTOROUND-REAP?

הסיומת במזהה המודל אינה קישוט — היא אומרת בדיוק כיצד נדחסו המשקלים לפני שנטענו לאשכול ה-GPU שלנו. שלושה חלקים.

W4A16 — משקלים ב-4 סיביות, הפעלות ב-16 סיביות

המשקלים נשמרים ב-4 סיביות; ההפעלות — הערכים שזורמים בין השכבות בזמן ההסקה — נשארות ב-16. קיצוץ המשקלים לרבע מטביעת הרגל שלהם ב-BF16 הוא מה שמכניס מודל בן 118B ומשאיר אותו מהיר, בעוד שהשארת ההפעלות רחבות מגינה על החלק הרגיש נומרית של המעבר קדימה. דחוס את מה שגדול וסטטי, השאר את מה שקטן ודינמי לנפשו.

AutoRound — עיגול נלמד, לא עיגול לערך הקרוב

הדרך הנאיבית לקוונטז היא עיגול לערך הקרוב: הצמד כל משקל לערך ה-4 סיביות הקרוב וקבל את השגיאה. AutoRound, ערכת הקוונטיזציה הפתוחה שאחרי האימון של Intel, עושה טוב יותר — שיטת SignRound שלה משתמשת בירידת גרדיאנט מסומנת כדי למטב יחד את החלטות העיגול ואת טווחי הגזירה על פני כמה מאות צעדים, ומחליטה לכל משקל אם עיגול למעלה או למטה פוגע פחות בפלט האמיתי של השכבה. היא שואלת את הרעיון מאימון מודע-קוונטיזציה בלי עלות האימון מחדש, וזו הסיבה שבנייה ב-W4A16 יכולה להיות מודל רציני ולא סקרנות מאבדת-מידע.

REAP — גיזום מומחים במקום מיזוגם

REAP היא Router-weighted Expert Activation Pruning, שפורסמה על ידי Cerebras Research. במודל MoE לא כל המומחים מושכים בעול: הנתב שולח לחלקם מעט טוקנים, וחלקם תורמים עוצמה מועטה כשהם כן נדלקים. REAP מדרגת כל מומחה לפי שני האותות — ערכי שער הנתב ונורמות ההפעלה של המומחה — ומסירה את בעלי הבולטות הנמוכה בשלב יחיד, לפני הקוונטיזציה. ובאופן מכריע היא גוזמת ולא ממזגת: מיזוג מקפל כמה מומחים לאחד, הורס את השליטה העדינה ותלוית-הקלט של הנתב ומכניס רצפת שגיאה שאף כוונון לא מסיר (המחברים קוראים לזה קריסת תת-מרחב פונקציונלי), בעוד שגיזום משאיר את הנותרים ואת שליטת הנתב בהם שלמות. Cerebras מדווחת על הסרה של עד 50% מהמומחים ממודלים בני טריליון פרמטרים תוך שמירה במידה רבה על איכות הבסיס — במודל קוד בן 480B בגיזום של 50%, 97.6% מיכולת הקוד הלא-סוכנית של הבסיס ו-96.7% ב-SWE-Bench הסוכני. אלה נתוני Cerebras למודלים שלה עצמה, לא מדידות של הבנייה שלנו, אבל הם הסיבה שאנחנו מריצים את הערימה הזו על מודל יסוד שחוזקו העיקרי הוא קוד.

יחד הסיומת נקראת כמשפט: גזום את המומחים שכמעט לא היו בשימוש, למד את העיגול ל-4 סיביות במקום לנחש אותו, השאר את ההפעלות ברוחב מלא.

04במה המודל הזה באמת טוב?

כנות קודם: Laguna S 2.1 הוא מודל שיחה טקסטואלי בלבד — אין קלט ראייה במזהה המודל הזה — ו-Poolside בנתה אותו לקוד סוכני ולעבודה ארוכת אופק, לא לפרוזה. האימון שאחרי האימון המקדים רץ על פני 409,000 סביבות, ובהן 83,000 משימות טרמינל ו-168,000 משימות הנדסת תוכנה, עם למידת חיזוק ב-FP8. התוצאות שדיווחה Poolside על השחרור הלא מקוונטז:

בנצ'מרק	עם חשיבה	בלי חשיבה	מה זה מודד
SWE-Bench Multilingual	78.5%	—	תיקוני באגים אמיתיים בשפות רבות
Terminal-Bench 2.1	70.2%	60.4%	עבודת מעטפת וכלים רבת-שלבים
SWE-Bench Pro	59.4%	—	משימות מאגר קשות יותר ועמידות לזיהום
Toolathlon Verified	49.7%	—	רוחב שימוש בכלים על פני ממשקי API רבים
SWE Atlas	46.2%	—	ניווט במאגר לאורך אופק ארוך
DeepSWE v1.1	40.4%	16.5%	הנדסת תוכנה סוכנית

הפער בין שתי העמודות הוא המספר בעל ההשלכה המעשית הגדולה ביותר כאן: ב-DeepSWE הציון יותר מכפיל את עצמו כשהחשיבה מופעלת, וב-Terminal-Bench הוא מוסיף כמעט עשר נקודות.

נתונים שדיווחה Poolside על שחרור Laguna S 2.1 הלא מקוונטז, יולי 2026. אלה אינם מדידות של הבנייה שלנו ב-W4A16-AutoRound-REAP, ואנחנו לא מפרסמים לה מספרי בנצ'מרק משלנו. השתמש ב-reasoning_effort כדי לשלוט בתקציב החשיבה ב-API שלנו.

לעבודה שיחתית ויוצרת העמדה הכנה היא זו: התכונות שמאחורי הרצות סוכניות ארוכות — החזקת מצב רב באופן קוהרנטי, הישארות במשימה, אי-סחיפה — הן אותן תכונות שמאחורי עבודת דמות ארוכה, ובפועל הוא מחזיק קול היטב על פני חלון ארוך מאוד. שום בנצ'מרק שפורסם לא אומר זאת, ואנחנו לא נמציא אחד. בדוק אותו על ההנחיות שלך; ב-$0.50 למיליון טוקני קלט זה כמעט בחינם.

05מה מחיר הרצפה באמת קונה?

$0.50 קלט / $2.00 פלט למיליון טוקנים הוא דרג הכניסה בשער של Shannon AI, המשותף ל-MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro ו-Hy3. באופן מוחשי:

עומס עבודה	קלט	פלט	עלות
סבב שיחה אחד עם 100K של היסטוריה	100,000	2,000	$0.054
פרק בן 5,000 מילים מתוך תדריך ארוך	30,000	7,000	$0.029
1,000 סבבי שיחה קצרים	4,000,000	500,000	$3.00
קריאה של הקשר מלא בן 262K טוקנים	262,144	16,384	$0.164

השורה האחרונה היא זו שכדאי להפנים: מילוי חלון ההקשר כולו וייצור התשובה המרבית בת 16,384 הטוקנים עולים בערך שישה-עשר סנט. הזנת כתב יד שלם, תמליל מפגש או אוסף מסמכים לקריאה אחת מפסיקה להיות החלטה תקציבית והופכת להחלטת השהיה. אותה אריתמטיקה מניעה את מקרה השימוש השני של מחיר הרצפה — נפח: סיווג באצווה, שכתוב המוני, דיאלוג סינתטי, טיוטה ראשונה שמודל חזק יותר משכלל אחר כך. ראה את דף התמחור ואת אינדקס המחקר.

06מה המשמעות של "ללא צנזורה" כאן

המשמעות היא מה שכתוב: אין שכבת סירוב ואין סינון תוכן על הפלט. שום מסווג לא יושב בין המודל לתשובה שלך ומחליט אם היה מותר לך לשאול; המודל עונה במשלב שביקשת ולא מטיף לך על ההנחה קודם.

לעבודה יוצרת זה ההבדל בין כלי שמיש לכלי בלתי שמיש. סיפורת מכילה יריבים מאיימים, דמויות שמשקרות בשכנוע, אלימות עם השלכות, מספרים מפוקפקים מוסרית — מודל ששובר את הדמות כדי להוסיף כתב ויתור נכשל במשימה, לא הצליח בבטיחות. הדבר נכון גם למחקר אבטחה, לתיעוד צוותים אדומים, לניסוח רפואי ומשפטי ולתרגום שבו המקור בוטה: קטגוריות שבהן סירוב הוא פשוט תשובה שגויה. מה שזה לא אומר הוא שהשיפוט מפסיק להיות שלך — אתה נשאר אחראי למה שאתה מייצר, תחת מדיניות השימוש האחראי שלנו ותחת החוק החל.

07איך קוראים ל-API של Laguna ללא צנזורה

שלושה דיאלקטים, מודל אחד: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. ההזרמה עובדת בשלושתם, כך שאינטגרציה קיימת עוברת בשינוי כתובת בסיס ומזהה מודל — בלי החלפת SDK, בלי לכתוב מחדש את הטיפול בהודעות.

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"
}

כמה הערות מעשיות:

• אל תשלח response_format או json_schema למזהה המודל הזה — אם ספריית הלקוח שלך מגדירה אחד מהם כברירת מחדל, בטל אותו או עבור למודל אח שתומך בו.
• כלים נשלחים במערך tools הרגיל — קריאת כלים נתמכת במלואה; רק אכיפת סכמה על טקסט חופשי אינה.
• תקצב את החשיבה שלך. reasoning_effort מכובד — נמוך או כבוי שומר על השהיית שיחה נמוכה ועל טוקני פלט זולים; העלה אותו לעבודת כלים רבת-שלבים, שם פער הבנצ'מרק שלמעלה מראה מה הוא קונה.
• תקרת הפלט היא 16,384 טוקנים לבקשה. לייצור באורך ספר, חלק לפרקים והזרם.
• טקסט בלבד. אין קלט תמונה במזהה המודל הזה — לראייה השתמש ב-MiMo-V2.5, ב-Kimi-K2.6, ב-Kimi-K3, ב-MiniMax-M3 או ב-inkling.

הפניה מלאה לפרמטרים, אימות, סמנטיקת שגיאות ומגרש משחקים חי: תיעוד ה-API.

08מתי לבחור בו, ומתי לא

בחר בו כאשר הפלט שלך הוא פרוזה, דיאלוג או קוד שאדם קורא; אתה זקוק לקריאת כלים אבל לא לטקסט מוגבל-סכמה; העלות לטוקן שולטת על פני הקשר ארוך; או שאתה רוצה חוות דעת שנייה משושלת אחרת מאלה של DeepSeek, Kimi ו-MiMo שממלאות את שאר הקטלוג.

בחר במשהו אחר כאשר אתה זקוק ל-JSON מובטח (MiMo-V2.5-Pro), להבנת תמונות (Kimi-K2.6 או MiMo-V2.5), או לקצה החזיתי של הקושי שבו פער המחיר חסר משמעות לצד קליעה לתשובה הנכונה (DeepSeek-V4-Pro, Kimi-K3).

09שאלות נפוצות

---

מקורות: Poolside — כרטיס המודל של Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. נתוני הארכיטקטורה והבנצ'מרקים מדווחים על ידי המפרסם עבור השחרור הלא מקוונטז, ואינם מדידות של הבנייה שאנחנו מגישים. Shannon AI מופעלת על ידי Shannon Lab LLC, ניו מקסיקו, ארה"ב.