अनसेंसर्ड Laguna API

ज़्यादातर "सस्ते मॉडल" वाले पन्ने आपसे कहते हैं कि कम कीमत के बदले कोई छोटा, थका हुआ फ़ाउंडेशन क़बूल कर लीजिए। यह वैसा नहीं है। Laguna S 2.1 मौजूदा पीढ़ी का विरल Mixture-of-Experts रिलीज़ है, जिसे 4,096 H200 पर ट्रेन किया गया और नौ हफ़्तों से कम में भेजा गया, और यह उसी $0.50 / $2.00 के फ़र्श पर बैठता है जिस पर हमारा हर दूसरा प्रवेश-स्तर मॉडल है। सौदा सीमित है और उस पर तर्क करना आसान: आप सर्वर द्वारा लागू स्ट्रक्चर्ड आउटपुट छोड़ते हैं और बाक़ी सब रखते हैं।

01Laguna S 2.1 क्या है?

Laguna S 2.1, Poolside द्वारा 21 जुलाई 2026 को उदार OpenMDW-1.1 लाइसेंस के तहत जारी किया गया ओपन-वेट्स मॉडल है — यह Laguna परिवार का मध्यम आकार वाला सदस्य है, Laguna XS 2.1 (33B/3B सक्रिय) और Laguna M.1 (225B/23B सक्रिय) के बीच।

प्रकाशित आर्किटेक्चर एक टोकन-चॉइस राउटर है जिसमें 256 राउटेड एक्सपर्ट और एक साझा एक्सपर्ट पर सॉफ़्टप्लस गेटिंग होती है, प्रति टोकन दस चुने जाते हैं, और यह सब 48 लेयरों में फैला है — बारह ग्लोबल-अटेंशन, छत्तीस 512-टोकन विंडो वाली स्लाइडिंग-विंडो — यह गुँथाई बहुत लंबे इनपुट की अटेंशन लागत को वर्गाकार के बजाय लगभग रैखिक रखती है। अटेंशन ग्रुप्ड-क्वेरी है, जिसमें हेड डाइमेंशन 128 पर 8 की-वैल्यू हेड हैं।

API इस्तेमाल करने वाले के लिए इसके दो नतीजे मायने रखते हैं। विरल सक्रियण ही वजह है कि 118B का मॉडल न्यूनतम कीमत पर बैठ सकता है — प्रति टोकन सिर्फ़ ~8B पैरामीटर काम करते हैं, इसलिए प्रति टोकन कंप्यूट पैरामीटर संख्या के सुझाव से कहीं ज़्यादा किसी छोटे सघन मॉडल के क़रीब है। और स्लाइडिंग-विंडो की गुँथाई ही वजह है कि लंबी विंडो नाम भर की नहीं, सचमुच इस्तेमाल लायक है। Poolside का रिलीज़ 1,048,576 टोकन सपोर्ट करता है; हम 262,144 परोसते हैं, जो गेटवे के हर दूसरे मॉडल से मेल खाता है।

02इकलौती चेतावनी: कोई स्ट्रक्चर्ड आउटपुट नहीं

जो अब भी काम करता है। टूल कॉलिंग पूरी तरह समर्थित है, और टूल-कॉल तर्क अब भी ठीक वैसे ही JSON ऑब्जेक्ट के रूप में आते हैं जैसे यहाँ किसी भी दूसरे मॉडल पर। अगर आपके एप्लिकेशन का "स्ट्रक्चर्ड आउटपुट" असल में टूल तर्क ही है — जो ज़्यादातर एजेंट फ़्रेमवर्क, MCP सर्वर और डेटाबेस फ़्रंट-एंड के लिए सच है — तो Laguna S 2.1 आपका काम ठीक चला देगा। स्ट्रीमिंग तीनों बोलियों पर काम करती है; reasoning_effort काम करता है।

जो नहीं करता। आप एंडपॉइंट को कोई JSON Schema देकर यह गारंटी नहीं पा सकते कि असिस्टेंट का टेक्स्ट जवाब उसके अनुसार वैध होगा, और response_format: {"type": "json_object"} से आपको कुछ नहीं मिलता। JSON माँगने पर आमतौर पर JSON मिल ही जाता है — यह सक्षम मॉडल है — पर "आमतौर पर" कोई अनुबंध नहीं है। ख़ुद Poolside गहराई से नेस्टेड टूल कॉलों में ग़लत JSON एस्केपिंग को एक ज्ञात सीमा के रूप में दर्ज करता है, जो याद दिलाता है कि हमारी सूची में जहाँ कहीं यह गारंटी है, वह सर्विंग परत से आती है, मॉडल की नेकनीयती से नहीं।

इसके बजाय कौन सा सहोदर इस्तेमाल करें

अगर आपके वर्कलोड को गारंटीशुदा JSON चाहिए, तो इस मॉडल से मत जूझिए — मॉडल आईडी बदल दीजिए। चार सहोदर उसी $0.50 / $2.00 कीमत पर बैठते हैं और पूरा json_schema तथा response_format समर्थन देते हैं:

मॉडल आईडी	json_schema	विज़न	आप इसे क्यों चुनेंगे
MiMo-V2.5-Pro-W8A16	हाँ	नहीं	सीधा विकल्प — 8-बिट वेट्स, सर्वोच्च-निष्ठा स्तर, वही कीमत
MiMo-V2.5-W8A16	हाँ	हाँ	वही, साथ में इमेज इनपुट
Hy3-W8A16	हाँ	नहीं	न्यूनतम कीमत पर एक और 8-बिट टेक्स्ट मॉडल
DeepSeek-V4-Flash-0731	हाँ	नहीं	Laguna की तरह W4A16-AutoRound-REAP, पर स्कीमा समर्थन बरकरार

स्वाभाविक डिफ़ॉल्ट MiMo-V2.5-Pro (W8A16) है: सिर्फ़ टेक्स्ट, न्यूनतम कीमत वाला, और हमारे सबसे नरम स्तर पर क्वांटाइज़ किया हुआ — ब्योरा MiMo-V2.5 मॉडल कार्ड पर है। चूँकि बारहों मॉडल एंडपॉइंट, कॉन्टेक्स्ट विंडो और आउटपुट सीमा साझा करते हैं, इसलिए अदला-बदली model फ़ील्ड में एक पंक्ति का बदलाव भर है।

03W4A16-AUTOROUND-REAP का क्या मतलब है?

मॉडल आईडी पर लगा प्रत्यय सजावट नहीं है — यह ठीक-ठीक बताता है कि हमारे GPU क्लस्टर पर लोड होने से पहले वेट्स को कैसे कंप्रेस किया गया। तीन हिस्से।

W4A16 — 4-बिट वेट्स, 16-बिट एक्टिवेशन

वेट्स 4 बिट पर संग्रहित होते हैं; एक्टिवेशन — यानी इन्फ़रेंस के वक़्त लेयरों के बीच बहने वाले मान — 16 पर रहते हैं। वेट्स को उनके BF16 फ़ुटप्रिंट के चौथाई पर काटना ही 118B मॉडल को समाने और तेज़ बने रहने लायक बनाता है, जबकि एक्टिवेशन को चौड़ा रखना फ़ॉरवर्ड पास के संख्यात्मक रूप से संवेदनशील हिस्से की रक्षा करता है। जो बड़ा और स्थिर है उसे कंप्रेस कीजिए, जो छोटा और गतिशील है उसे छेड़िए मत।

AutoRound — सीखी हुई राउंडिंग, निकटतम राउंडिंग नहीं

क्वांटाइज़ करने का सीधा-सादा तरीक़ा राउंड-टू-नियरेस्ट है: हर वेट को निकटतम 4-बिट मान पर सटा दीजिए, त्रुटि क़बूल कर लीजिए। Intel की ओपन पोस्ट-ट्रेनिंग क्वांटाइज़ेशन टूलकिट AutoRound इससे बेहतर करती है — उसकी SignRound विधि साइन्ड ग्रेडिएंट डिसेंट से कुछ सौ चरणों में राउंडिंग के फ़ैसलों और क्लिपिंग रेंज का संयुक्त अनुकूलन करती है, और प्रति वेट तय करती है कि ऊपर राउंड करने से या नीचे, लेयर के असली आउटपुट को कम नुक़सान होता है। यह क्वांटाइज़ेशन-अवेयर ट्रेनिंग का विचार दोबारा ट्रेनिंग की लागत के बिना उधार लेती है, और यही वजह है कि कोई W4A16 बिल्ड किसी हानिपूर्ण कौतुक के बजाय गंभीर मॉडल हो सकता है।

REAP — एक्सपर्ट मिलाने के बजाय हटाना

REAP यानी Router-weighted Expert Activation Pruning, जिसे Cerebras Research ने प्रकाशित किया। किसी MoE मॉडल में सारे एक्सपर्ट अपना बोझ नहीं उठाते: राउटर कुछ के पास कम टोकन भेजता है, और कुछ जब चलते भी हैं तो कम परिमाण का योगदान देते हैं। REAP हर एक्सपर्ट को दोनों संकेतों पर स्कोर देता है — राउटर गेट वैल्यू और एक्सपर्ट एक्टिवेशन नॉर्म — और कम महत्व वालों को क्वांटाइज़ेशन से पहले एक ही झटके में हटा देता है। अहम बात यह है कि यह मिलाने के बजाय हटाता है: मिलाने से कई एक्सपर्ट एक में सिमट जाते हैं, राउटर का बारीक, इनपुट-निर्भर नियंत्रण नष्ट हो जाता है और एक ऐसी त्रुटि की तलहटी बन जाती है जिसे कोई ट्यूनिंग नहीं हटाती (लेखक इसे कार्यात्मक उपस्थान संकुचन कहते हैं), जबकि प्रूनिंग बचे हुओं को और उन पर राउटर के नियंत्रण को अछूता छोड़ देती है। Cerebras बताता है कि ट्रिलियन-पैरामीटर मॉडलों से 50% तक एक्सपर्ट हटाए गए और बेसलाइन गुणवत्ता काफ़ी हद तक बनी रही — 480B वाले किसी कोडर मॉडल पर 50% प्रूनिंग पर बेसलाइन की 97.6% ग़ैर-एजेंटिक कोडिंग क्षमता और एजेंटिक SWE-Bench पर 96.7%। ये Cerebras के अपने मॉडलों के लिए Cerebras के आँकड़े हैं, हमारे बिल्ड के माप नहीं, पर यही वजह है कि हम यह ढाँचा ऐसे फ़ाउंडेशन पर चलाते हैं जिसकी मुख्य ताक़त कोड है।

मिलाकर यह प्रत्यय एक वाक्य की तरह पढ़ा जाता है: जिन एक्सपर्ट का शायद ही इस्तेमाल हुआ उन्हें काटिए, 4-बिट राउंडिंग का अंदाज़ा लगाने के बजाय उसे सीखिए, और एक्टिवेशन को पूरी चौड़ाई पर रखिए।

04यह मॉडल असल में किस चीज़ में अच्छा है?

पहले ईमानदारी: Laguna S 2.1 सिर्फ़ टेक्स्ट वाला संवादी मॉडल है — इस मॉडल आईडी पर कोई विज़न इनपुट नहीं — और Poolside ने इसे एजेंटिक कोडिंग तथा लंबी अवधि के काम के लिए बनाया, गद्य के लिए नहीं। पोस्ट-ट्रेनिंग 4,09,000 से ज़्यादा एनवायरनमेंट पर चली, जिनमें 83,000 टर्मिनल और 1,68,000 सॉफ़्टवेयर-इंजीनियरिंग काम शामिल थे, और रीइन्फ़ोर्समेंट लर्निंग FP8 में हुई। बिना क्वांटाइज़ किए रिलीज़ के लिए Poolside के रिपोर्ट किए नतीजे:

बेंचमार्क	थिंकिंग	बिना थिंकिंग	यह क्या नापता है
SWE-Bench Multilingual	78.5%	—	कई भाषाओं में असली बग सुधार
Terminal-Bench 2.1	70.2%	60.4%	बहु-चरणीय शेल और टूलिंग काम
SWE-Bench Pro	59.4%	—	कठिन, संदूषण-प्रतिरोधी रिपॉज़िटरी काम
Toolathlon Verified	49.7%	—	कई API में टूल-उपयोग की व्यापकता
SWE Atlas	46.2%	—	लंबी अवधि की रिपॉज़िटरी नेविगेशन
DeepSWE v1.1	40.4%	16.5%	एजेंटिक सॉफ़्टवेयर इंजीनियरिंग

दोनों कॉलमों के बीच का अंतर यहाँ सबसे काम की संख्या है: DeepSWE पर रीज़निंग चालू करने पर स्कोर दोगुने से ज़्यादा हो जाता है, और Terminal-Bench पर वह करीब दस अंक बढ़ता है।

जुलाई 2026 में बिना क्वांटाइज़ किए Laguna S 2.1 रिलीज़ के लिए Poolside द्वारा रिपोर्ट किए गए आँकड़े। ये हमारे W4A16-AutoRound-REAP बिल्ड के माप नहीं हैं, और हम उसके लिए अपने कोई बेंचमार्क आँकड़े प्रकाशित नहीं करते। हमारे API पर थिंकिंग बजट नियंत्रित करने के लिए reasoning_effort इस्तेमाल कीजिए।

संवादी और रचनात्मक काम के लिए ईमानदार स्थिति यह है: जो गुण लंबे एजेंटिक रन के पीछे होते हैं — बहुत सारी अवस्था सुसंगत ढंग से थामे रखना, काम पर टिके रहना, न भटकना — वही गुण लंबे चरित्र-लेखन के पीछे भी होते हैं, और व्यवहार में यह बहुत लंबी विंडो में आवाज़ अच्छी तरह थामे रखता है। कोई प्रकाशित बेंचमार्क ऐसा नहीं कहता, और हम कोई गढ़ेंगे नहीं। इसे अपने ही प्रॉम्प्ट पर परखिए; $0.50 प्रति दस लाख इनपुट टोकन पर यह लगभग मुफ़्त है।

05न्यूनतम कीमत असल में क्या ख़रीदती है?

$0.50 इन / $2.00 आउट प्रति दस लाख टोकन, Shannon AI Gateway का प्रवेश स्तर है, जो MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro और Hy3 के साथ साझा है। ठोस रूप में:

वर्कलोड	इनपुट	आउटपुट	लागत
1,00,000 इतिहास वाला एक चैट टर्न	100,000	2,000	$0.054
लंबे ब्रीफ़ से 5,000 शब्दों का अध्याय	30,000	7,000	$0.029
1,000 छोटे संवादी टर्न	4,000,000	500,000	$3.00
पूरे 262K-टोकन कॉन्टेक्स्ट का एक पाठ	262,144	16,384	$0.164

आख़िरी पंक्ति ही आत्मसात करने लायक है: पूरी कॉन्टेक्स्ट विंडो भरने और अधिकतम 16,384-टोकन जवाब पैदा करने की लागत लगभग सोलह सेंट है। पूरी पांडुलिपि, सत्र प्रतिलेख या दस्तावेज़ों का पूरा समुच्चय एक ही कॉल में डालना बजट का फ़ैसला नहीं रह जाता और विलंबता का फ़ैसला बन जाता है। वही अंकगणित न्यूनतम कीमत के दूसरे इस्तेमाल को भी चलाता है — मात्रा: बैच वर्गीकरण, थोक पुनर्लेखन, सिंथेटिक संवाद, और पहला मसौदा जिसे बाद में कोई मज़बूत मॉडल निखारता है। कीमत पृष्ठ और रिसर्च इंडेक्स देखिए।

06यहाँ "अनसेंसर्ड" का क्या मतलब है

मतलब वही है जो कहा गया है: कोई रिफ्यूज़ल लेयर नहीं और आउटपुट पर कोई कंटेंट फ़िल्टरिंग नहीं। मॉडल और आपके जवाब के बीच कोई क्लासिफ़ायर नहीं बैठा जो तय करे कि आपको पूछने की इजाज़त थी या नहीं; मॉडल उसी लहजे में जवाब देता है जो आपने माँगा और पहले आपको आपकी बात के आधार पर उपदेश नहीं देता।

रचनात्मक काम के लिए यही फ़र्क है काम आने वाले औज़ार और बेकार औज़ार के बीच। कथा-साहित्य में डरावने खलनायक होते हैं, ऐसे पात्र जो यक़ीन दिलाकर झूठ बोलते हैं, नतीजों वाली हिंसा, नैतिक रूप से समझौता कर चुके कथावाचक — जो मॉडल चरित्र तोड़कर अस्वीकरण जोड़ देता है वह काम में विफल हुआ है, सुरक्षा में सफल नहीं। यही बात सुरक्षा अनुसंधान, रेड-टीम दस्तावेज़ीकरण, चिकित्सकीय तथा कानूनी मसौदे, और ऐसे अनुवाद पर लागू है जहाँ स्रोत ही सपाट है: ये वे श्रेणियाँ हैं जहाँ इनकार बस एक ग़लत जवाब है। इसका मतलब यह नहीं कि विवेक अब आपका नहीं रहा — आप जो बनाते हैं उसके लिए आप ज़िम्मेदार बने रहते हैं, हमारी ज़िम्मेदार उपयोग नीति और लागू कानून के तहत।

07अनसेंसर्ड Laguna API को कैसे बुलाएँ

तीन बोलियाँ, एक मॉडल: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses। स्ट्रीमिंग तीनों पर काम करती है, इसलिए कोई मौजूदा इंटीग्रेशन बस बेस URL और मॉडल आईडी बदलकर यहाँ आ जाता है — न SDK बदलना, न अपने संदेश प्रबंधन को दोबारा लिखना।

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"
}

कुछ व्यावहारिक नोट:

• इस मॉडल आईडी को response_format या json_schema मत भेजिए — अगर आपकी क्लाइंट लाइब्रेरी डिफ़ॉल्ट रूप से कोई सेट करती है, तो उसे हटाइए या किसी ऐसे सहोदर पर जाइए जो उसे सपोर्ट करता है।
• टूल हमेशा की तरह tools ऐरे में जाते हैं — टूल कॉलिंग पूरी तरह समर्थित है; सिर्फ़ मुक्त-टेक्स्ट पर स्कीमा लागू करना नहीं है।
• अपनी रीज़निंग का बजट बनाइए। reasoning_effort का पालन होता है — कम या बंद रखने से संवादी विलंबता घटी रहती है और आउटपुट टोकन सस्ते; बहु-चरणीय टूल काम के लिए इसे बढ़ाइए, जहाँ ऊपर का बेंचमार्क अंतर दिखाता है कि इससे क्या मिलता है।
• आउटपुट सीमा प्रति अनुरोध 16,384 टोकन है। किताब जितनी लंबी जनरेशन के लिए उसे अध्यायों में बाँटिए और स्ट्रीम कीजिए।
• सिर्फ़ टेक्स्ट। इस मॉडल आईडी पर कोई इमेज इनपुट नहीं — विज़न के लिए MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 या inkling इस्तेमाल कीजिए।

पूरा पैरामीटर संदर्भ, प्रमाणीकरण, त्रुटि शब्दार्थ और एक लाइव प्लेग्राउंड: API दस्तावेज़ीकरण।

08इसे कब चुनें, और कब नहीं

इसे तब चुनिए जब आपका आउटपुट गद्य, संवाद या ऐसा कोड हो जिसे कोई इंसान पढ़े; आपको टूल कॉलिंग चाहिए पर स्कीमा-बद्ध टेक्स्ट नहीं; लंबे कॉन्टेक्स्ट पर प्रति टोकन लागत हावी हो; या आप DeepSeek, Kimi और MiMo परिवारों के अलावा किसी और वंश से दूसरी राय चाहते हों, जो बाक़ी सूची भरते हैं।

कुछ और तब चुनिए जब आपको गारंटीशुदा JSON चाहिए (MiMo-V2.5-Pro), इमेज समझ चाहिए (Kimi-K2.6 या MiMo-V2.5), या कठिनाई का वह फ्रंटियर सिरा चाहिए जहाँ सही जवाब पाने के आगे कीमत का फ़र्क बेमानी है (DeepSeek-V4-Pro, Kimi-K3)।

09अक्सर पूछे जाने वाले सवाल

---

स्रोत: Poolside — Laguna S 2.1 मॉडल कार्ड · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound। आर्किटेक्चर और बेंचमार्क आँकड़े बिना क्वांटाइज़ किए रिलीज़ के लिए प्रकाशक द्वारा रिपोर्ट किए गए हैं, न कि उस बिल्ड के माप जो हम परोसते हैं। Shannon AI का संचालन Shannon Lab LLC, न्यू मैक्सिको, USA करती है।