Cenzúrázatlan Laguna API

A legtöbb „olcsó modell” oldal azt kéri, hogy fogadjon el egy kicsi, fáradt alapmodellt egy alacsony szám fejében. Ez nem olyan. A Laguna S 2.1 jelenlegi generációs, ritka szakértőkeverékes kiadás, 4096 H200-on tanítva és kilenc hét alatt kiszállítva, és ugyanazon a 0,50 $ / 2,00 $ küszöbön ül, mint minden más belépőszintű modellünk. A csere szűk és könnyen átlátható: lemond a szerveroldalon kikényszerített strukturált kimenetről, és megtart minden mást.

01Mi az a Laguna S 2.1?

A Laguna S 2.1 a Poolside nyílt súlyú modellje, amelyet 2026. július 21-én adtak ki a megengedő OpenMDW-1.1 licenc alatt — a Laguna család középméretű tagja, a Laguna XS 2.1 (33B/3B aktív) és a Laguna M.1 (225B/23B aktív) között.

A közzétett architektúra tokenválasztó útválasztó softplus kapuzással 256 útvonalazott szakértő plusz egy megosztott szakértő felett, tokenenként tíz kiválasztottal, 48 rétegen át — tizenkettő globális figyelmű, harminchat csúszóablakos 512 tokenes ablakkal —, és ez az összefésülés tartja a nagyon hosszú bemenetek figyelmi költségét közel lineárison a négyzetes helyett. A figyelem csoportosított lekérdezésű, 8 kulcs-érték fejjel, 128-as fejdimenzióval.

Két következmény számít egy API-fogyasztónak. A ritka aktiválás miatt ülhet egy 118B-s modell a legalacsonyabb áron — tokenenként csak ~8B paraméter dolgozik, tehát a tokenenkénti számítás közelebb van egy kis sűrű modellhez, mint amit a paraméterszám sugall. A csúszóablakos összefésülés miatt pedig a hosszú ablak valóban használható, nem csak névleges. A Poolside kiadása 1 048 576 tokent támogat; mi 262 144-et szolgálunk ki, ahogy az átjáró minden más modelljénél.

02Az egyetlen fenntartás: nincs strukturált kimenet

Ami továbbra is működik. Az eszközhívás teljes körűen támogatott, és az eszközhívási argumentumok pontosan úgy érkeznek JSON-objektumként, mint bármely más itteni modellnél. Ha az alkalmazása „strukturált kimenete” valójában eszközargumentum — ami a legtöbb ügynökkeretrendszerre, MCP-kiszolgálóra és adatbázis-előtétre igaz —, a Laguna S 2.1 jól kiszolgálja. A streamelés mindhárom dialektuson működik; a reasoning_effort működik.

Ami nem. Nem adhat át a végpontnak egy JSON sémát azzal a garanciával, hogy az asszisztens szöveges válasza validálni fog rá, és a response_format: {"type": "json_object"} semmit nem vásárol. A JSON kérése promptban általában JSON-t eredményez — ez hozzáértő modell —, de az „általában” nem szerződés. Maga a Poolside is dokumentálja a mélyen egymásba ágyazott eszközhívásoknál előforduló hibás JSON-escape-elést ismert korlátként, ami emlékeztet arra, hogy a garancia — ahol a kínálatunkban máshol létezik — a kiszolgálási rétegből jön, nem a modell jó szándékából.

Melyik testvért használja helyette

Ha a munkaterhelése garantált JSON-t igényel, ne harcoljon ezzel a modellel — váltson modellazonosítót. Négy testvér ül ugyanezen a 0,50 $ / 2,00 $ áron teljes json_schema- és response_format-támogatással:

Modellazonosító	json_schema	Képfeldolgozás	Miért ezt választaná
MiMo-V2.5-Pro-W8A16	Igen	Nem	A közvetlen csere — 8 bites súlyok, legnagyobb hűségű szint, azonos ár
MiMo-V2.5-W8A16	Igen	Igen	Ugyanaz, plusz képbemenet
Hy3-W8A16	Igen	Nem	Egy másik 8 bites szöveges modell a legalacsonyabb áron
DeepSeek-V4-Flash-0731	Igen	Nem	W4A16-AutoRound-REAP, mint a Laguna, de sématámogatással

A természetes alapértelmezés a MiMo-V2.5-Pro (W8A16): csak szöveges, legalacsonyabb árú, a legkíméletesebb szinten kvantálva, amelyet futtatunk — a részletek a MiMo-V2.5 modellkártyán. Mivel mind a tizenkét modell ugyanazokat a végpontokat, kontextusablakot és kimeneti plafont osztja, a váltás egysoros változtatás a model mezőben.

03Mit jelent a W4A16-AUTOROUND-REAP?

A modellazonosító utótagja nem díszítés — pontosan megmondja, hogyan tömörítettük a súlyokat, mielőtt felkerültek a GPU-fürtünkre. Három rész.

W4A16 — 4 bites súlyok, 16 bites aktivációk

A súlyok 4 biten tárolódnak; az aktivációk — a következtetéskor a rétegek között áramló értékek — 16 biten maradnak. A súlyok BF16-os helyigényének negyedére vágása az, ami miatt egy 118B-s modell elfér és gyors marad, míg az aktivációk szélesen tartása védi az előremenet numerikusan érzékeny részét. Tömörítse azt, ami nagy és statikus, hagyja békén azt, ami kicsi és dinamikus.

AutoRound — tanult kerekítés, nem legközelebbire kerekítés

A kvantálás naiv módja a legközelebbire kerekítés: minden súlyt a legközelebbi 4 bites értékre pattint, a hibát pedig elfogadja. Az AutoRound, az Intel nyílt utótanítási kvantálókészlete, ennél jobbat tesz — a SignRound módszere előjeles gradiensereszkedést használ, hogy pár száz lépésben együtt optimalizálja a kerekítési döntéseket és a vágási tartományokat, súlyonként eldöntve, hogy a felfelé vagy a lefelé kerekítés árt-e kevesebbet a réteg tényleges kimenetének. Az ötletet a kvantálástudatos tanítástól veszi kölcsön az újratanítás költsége nélkül, és ezért lehet egy W4A16 build komoly modell, nem pedig veszteséges kuriózum.

REAP — szakértők metszése összeolvasztás helyett

A REAP a Router-weighted Expert Activation Pruning, amelyet a Cerebras Research tett közzé. Egy MoE-modellben nem minden szakértő húzza a maga súlyát: az útválasztó némelyikhez kevés tokent küld, és némelyik keveset ad hozzá magnitúdóban, amikor mégis tüzel. A REAP mindegyik szakértőt mindkét jelzésre pontozza — útválasztó-kapuértékek és szakértői aktivációs normák —, és egyetlen menetben, a kvantálás előtt eltávolítja az alacsony lényegességűeket. Döntő módon metsz, nem olvaszt össze: az összeolvasztás több szakértőt hajt egybe, tönkretéve az útválasztó finomszemcsés, bemenetfüggő vezérlését, és olyan hibaküszöböt vezet be, amelyet semmilyen hangolás nem szüntet meg (a szerzők funkcionális altér-összeomlásnak nevezik), míg a metszés érintetlenül hagyja a túlélőket és az útválasztó felettük gyakorolt vezérlését. A Cerebras arról számol be, hogy a billió paraméteres modellek szakértőinek akár 50%-a eltávolítható az alapvonalbeli minőség nagyrészti megtartásával — egy 480B-s kódolómodellen 50%-os metszésnél az alapvonalbeli, nem ügynöki kódolási képesség 97,6%-a és az ügynöki SWE-Benchen 96,7%. Ezek a Cerebras saját modelljeire vonatkozó számai, nem a mi buildünk mérései, de emiatt futtatjuk ezt a köteget olyan alapmodellen, amelynek elsődleges erőssége a kód.

Együtt az utótag egy mondatként olvasható: metszd le az alig használt szakértőket, tanuld meg a 4 bites kerekítést ahelyett, hogy tippelnéd, és tartsd az aktivációkat teljes szélességen.

04Miben jó valójában ez a modell?

Először az őszinteség: a Laguna S 2.1 csak szöveges társalgási modell — ezen a modellazonosítón nincs képbemenet —, és a Poolside ügynöki kódoláshoz és hosszú távú munkához építette, nem prózához. Az utótanítás 409 000 környezeten futott, köztük 83 000 terminál- és 168 000 szoftvermérnöki feladaton, FP8-as megerősítéses tanulással. A Poolside közölt eredményei a kvantálatlan kiadásra:

Benchmark	Gondolkodással	Gondolkodás nélkül	Mit mér
SWE-Bench Multilingual	78.5%	—	Valódi hibajavítások sok nyelven
Terminal-Bench 2.1	70.2%	60.4%	Többlépcsős parancssori és eszközmunka
SWE-Bench Pro	59.4%	—	Nehezebb, szennyeződésálló repófeladatok
Toolathlon Verified	49.7%	—	Eszközhasználati szélesség sok API-n
SWE Atlas	46.2%	—	Hosszú távú repónavigáció
DeepSWE v1.1	40.4%	16.5%	Ügynöki szoftvermérnöki munka

A két oszlop közötti szakadék a legjobban felhasználható szám itt: a DeepSWE-n a pontszám több mint kétszereződik, ha a gondolkodás be van kapcsolva, a Terminal-Benchen pedig közel tíz pontot nyer.

A Poolside által közölt számok a kvantálatlan Laguna S 2.1 kiadásra, 2026. július. Ezek nem a mi W4A16-AutoRound-REAP buildünk mérései, és mi magunk nem teszünk közzé rá benchmarkszámokat. A gondolkodási keretet az API-nkon a reasoning_effort paraméterrel vezérelheti.

A társalgási és kreatív munkára az őszinte álláspont ez: azok a tulajdonságok, amelyek a hosszú ügynöki futások mögött állnak — sok állapot koherens megtartása, a feladatnál maradás, az el nem sodródás — ugyanazok, amelyek a hosszú karakterépítő munka mögött állnak, és a gyakorlatban jól tartja a hangot egy nagyon hosszú ablakon át. Ezt egyetlen közzétett benchmark sem mondja ki, és nem fogunk kitalálni egyet. Tesztelje a saját promptjain; millió bemeneti tokenenként 0,50 $-on ez majdnem ingyen van.

05Mit vásárol valójában a legalacsonyabb ár?

A 0,50 $ be / 2,00 $ ki millió tokenenként a belépőszint a Shannon AI átjárón, közösen a MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro és Hy3 modellekkel. Konkrétan:

Munkaterhelés	Bemenet	Kimenet	Költség
Egy csevegőkör 100K előzménnyel	100,000	2,000	$0.054
Egy 5000 szavas fejezet hosszú kiírásból	30,000	7,000	$0.029
1000 rövid társalgási kör	4,000,000	500,000	$3.00
Egy teljes 262K tokenes kontextus beolvasása	262,144	16,384	$0.164

Az utolsó sort érdemes belsővé tenni: a teljes kontextusablak feltöltése és a maximális, 16 384 tokenes válasz generálása nagyjából tizenhat centbe kerül. Egy teljes kézirat, munkamenet-átirat vagy dokumentumkészlet egyetlen hívásba táplálása így nem költségvetési, hanem késleltetési döntéssé válik. Ugyanez a számtan hajtja a legalacsonyabb ár másik felhasználási esetét is — a volument: kötegelt osztályozás, tömeges átírás, szintetikus párbeszéd, első menetes fogalmazványok, amelyeket később egy erősebb modell csiszol. Lásd az árazási oldalt és a kutatási indexet.

06Mit jelent itt a „cenzúrázatlan”

Azt jelenti, amit mond: nincs elutasítási réteg, és nincs tartalomszűrés a kimeneten. Nem ül osztályozó a modell és a válasza között, amely eldöntené, szabad volt-e kérdeznie; a modell abban a regiszterben válaszol, amelyet kért, és nem tart előbb kiselőadást a felvetésről.

Kreatív munkánál ez a különbség egy használható és egy használhatatlan eszköz között. A szépirodalomban vannak fenyegető ellenfelek, meggyőzően hazudó szereplők, következményekkel járó erőszak, erkölcsileg kompromittált elbeszélők — az a modell, amely kilép a szerepből, hogy felelősségkizárást fűzzön hozzá, elbukta a feladatot, nem pedig biztonságban járt el. Ugyanez áll a biztonsági kutatásra, a red team dokumentációra, az orvosi és jogi fogalmazásra, valamint a fordításra, ahol a forrás nyers: olyan kategóriák, ahol az elutasítás egyszerűen rossz válasz. Amit nem jelent: azt, hogy a megítélés megszűnne az Öné lenni — Ön marad felelős azért, amit generál, a felelős használati irányelvünk és a hatályos jog szerint.

07Hogyan hívja meg a cenzúrázatlan Laguna API-t

Három dialektus, egy modell: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. A streamelés mindhármon működik, tehát egy meglévő integráció egy alap-URL és egy modellazonosító megváltoztatásával átköltözik — nincs SDK-csere, nincs átírás az üzenetkezelésben.

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"
}

Néhány gyakorlati megjegyzés:

• Ne küldjön response_format vagy json_schema paramétert erre a modellazonosítóra — ha a klienskönyvtára alapértelmezésben beállítja valamelyiket, kapcsolja ki, vagy váltson olyan testvérre, amely támogatja.
• Az eszközök a szokásos tools tömbbe kerülnek — az eszközhívás teljes körűen támogatott; csak a szabad szöveg sémakikényszerítése nem.
• Tervezze meg a gondolkodási keretet. A reasoning_effort érvényesül — az alacsony vagy kikapcsolt érték alacsonyan tartja a társalgási késleltetést és olcsón a kimeneti tokeneket; emelje meg többlépcsős eszközmunkához, ahol a fenti benchmarkszakadék megmutatja, mit vásárol.
• A kimeneti plafon kérésenként 16 384 token. Könyvterjedelmű generáláshoz bontsa fejezetekre, és streameljen.
• Csak szöveg. Ezen a modellazonosítón nincs képbemenet — képfeldolgozáshoz használja a MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 vagy inkling modellt.

Teljes paraméterhivatkozás, hitelesítés, hibaszemantika és élő játszótér: API-dokumentáció.

08Mikor válassza, és mikor ne

Akkor válassza, ha a kimenete ember által olvasott próza, párbeszéd vagy kód; ha eszközhívásra van szüksége, de sémával korlátozott szövegre nem; ha a tokenenkénti költség uralkodik a hosszú kontextus felett; vagy ha második véleményt szeretne a kínálat többi részét kitöltő DeepSeek, Kimi és MiMo családoktól eltérő vonalról.

Válasszon mást, ha garantált JSON-ra van szüksége (MiMo-V2.5-Pro), képértésre (Kimi-K2.6 vagy MiMo-V2.5), vagy a nehézség élvonalbeli végére, ahol az árkülönbség lényegtelen ahhoz képest, hogy a válasz helyes legyen (DeepSeek-V4-Pro, Kimi-K3).

09Gyakori kérdések

---

Források: Poolside — Laguna S 2.1 modellkártya · A Laguna S 2.1 bemutatása · REAP the Experts (Cerebras Research) · Intel AutoRound. Az architektúra- és benchmarkszámokat a közzétevő közölte a kvantálatlan kiadásra, és nem az általunk kiszolgált build mérései. A Shannon AI-t a Shannon Lab LLC üzemelteti, Új-Mexikó, USA.