Առանց ցենզուրայի Laguna API

«Էժան մոդել» էջերի մեծ մասը խնդրում է ձեզ ընդունել փոքր, հոգնած հիմք ցածր թվի փոխարեն։ Սա այդպիսին չէ։ Laguna S 2.1-ը ընթացիկ-սերնդի sparse Փորձագետների խառնուրդի թողարկում է, ուսուցանված 4,096 H200-ի վրա և թողարկված ինը շաբաթից պակասում, և այն նստում է նույն $0.50 / $2.00 հատակին, ինչ ամեն մյուս մուտքային-մակարդակի մոդել, որ մենք սպասարկում ենք։ Փոխզիջումը նեղ է և հեշտ հասկանալի. դուք հրաժարվում եք սերվերի-կողմից պարտադրված կառուցվածքային ելքից և պահպանում եք ամեն մնացած ինչ։

01Ի՞նչ է Laguna S 2.1-ը

Laguna S 2.1-ը բաց կշիռների մոդել է, թողարկված Poolside-ի կողմից 2026 թ. հուլիսի 21-ին՝ ազատական OpenMDW-1.1 լիցենզիայի ներքո — Laguna ընտանիքի միջին-չափի անդամը, Laguna XS 2.1-ի (33Մլրդ/3Մլրդ ակտիվ) և Laguna M.1-ի (225Մլրդ/23Մլրդ ակտիվ) միջև։

Հրապարակված ճարտարապետությունը token-choice երթուղիչ է softplus gating-ով 256 երթուղավորված փորձագետների գումարած մեկ ընդհանուր փորձագետի վրա, տասը ընտրված մեկ տոկենի դիմաց, 48 շերտի ընթացքում — տասներկուսը գլոբալ-ուշադրություն, երեսունվեցը sliding-window 512-տոկեն պատուհանով, interleaving, որը շատ երկար մուտքերի ուշադրության արժեքը մոտավորապես գծային է պահում, ոչ քառակուսային։ Ուշադրությունը grouped-query է 8 key-value head-ով, 128 head չափողականությամբ։

Երկու հետևանք է կարևոր API սպառողի համար։ Sparse ակտիվացումն է պատճառը, թե ինչու է 118Մլրդ մոդելը կարող նստել հատակի գնին — ընդամենը ~8Մլրդ պարամետր է աշխատում մեկ տոկենի դիմաց, այնպես որ մեկ տոկենի հաշվարկը ավելի մոտ է փոքր խիտ մոդելի, քան պարամետրերի քանակն է հուշում։ Եվ sliding-window interleaving-ն է պատճառը, թե ինչու է երկար պատուհանն իսկապես օգտագործելի, ոչ անվանական։ Poolside-ի թողարկումն աջակցում է 1,048,576 տոկեն; մենք սպասարկում ենք 262,144, համապատասխանելով gateway-ի ամեն մոդելին։

02Մեկ նախազգուշացումը. առանց կառուցվածքային ելքի

Ինչն է դեռ աշխատում։ Գործիքի կանչումն ամբողջությամբ աջակցվում է, և գործիքի կանչի արգումենտները դեռ ժամանում են որպես JSON օբյեկտ, ճիշտ ինչպես այստեղ ցանկացած այլ մոդելի վրա։ Եթե ձեր հավելվածի «կառուցվածքային ելքը» իրականում գործիքի արգումենտներն են — ինչը ճիշտ է ագենտային framework-ների, MCP սերվերների և տվյալների բազայի front-end-ների մեծ մասի համար — Laguna S 2.1-ը ձեզ լավ է ծառայում։ Հոսքային փոխանցումն աշխատում է երեք բարբառների վրա էլ; reasoning_effort-ը աշխատում է։

Ինչը չի աշխատում։ Դուք չեք կարող էնդփոինթին տալ JSON Schema և երաշխավորված լինել, որ օգնականի տեքստային պատասխանը վավերացնում է դրա դեմ, և response_format: {"type": "json_object"}-ը ձեզ ոչինչ չի գնում։ JSON-ի համար հուշելը սովորաբար JSON է արտադրում — սա ունակ մոդել է — բայց «սովորաբար»-ը պայմանագիր չէ։ Poolside-ն ինքը փաստագրում է սխալ JSON escaping-ը խորապես ներդրված գործիքի կանչերում որպես հայտնի սահմանափակում, հիշեցում, որ երաշխիքը, որտեղ այն գոյություն ունի մեր ցանկի այլուր, գալիս է սպասարկման շերտից, ոչ մոդելի բարի մտադրություններից։

Ո՞ր քրոջն օգտագործել փոխարենը

Եթե ձեր բեռին անհրաժեշտ է երաշխավորված JSON, մի պայքարեք այս մոդելի հետ — փոխեք մոդելի id-ն։ Չորս քույր մոդել նստում է նույն $0.50 / $2.00 գնին՝ լրիվ json_schema և response_format աջակցությամբ.

Մոդելի id	json_schema	Տեսողություն	Ինչու ընտրել այն
MiMo-V2.5-Pro-W8A16	Այո	Ոչ	Ուղղակի փոխարինումը — 8-բիթ կշիռներ, ամենաբարձր-հավատարմության մակարդակ, նույն գինը
MiMo-V2.5-W8A16	Այո	Այո	Նույնը, գումարած պատկերի մուտք
Hy3-W8A16	Այո	Ոչ	ԵՒս մեկ 8-բիթ տեքստային մոդել հատակի գնով
DeepSeek-V4-Flash-0731	Այո	Ոչ	W4A16-AutoRound-REAP, ինչպես Laguna-ն, սխեմայի աջակցությունը անվնաս

Բնական լռելյայն ընտրությունն է MiMo-V2.5-Pro (W8A16). միայն-տեքստային, հատակի-գնով, քվանտացված մեզ մոտ աշխատող ամենամեղմ մակարդակում — մանրամասները MiMo-V2.5 մոդելի քարտում։ Քանի որ բոլոր տասներկու մոդելները կիսում են էնդփոինթները, համատեքստի պատուհանը և ելքի առաստաղը, փոխարկումը մեկ-տողանոց փոփոխություն է model դաշտում։

03Ի՞նչ է նշանակում W4A16-AUTOROUND-REAP-ը

Մոդելի id-ի վերջածանցը զարդարանք չէ — այն ասում է ճշգրիտ, թե ինչպես են կշիռները սեղմվել, նախքան մեր GPU կլաստերի վրա բեռնվելը։ Երեք մաս։

W4A16 — 4-բիթ կշիռներ, 16-բիթ ակտիվացումներ

Կշիռները պահվում են 4 բիթում; ակտիվացումները — ինֆերենսի ժամանակ շերտերի միջև հոսող արժեքները — մնում են 16-ում։ Կշիռները BF16 ֆուտպրինտի քառորդին կրճատելն է այն, ինչը 118Մլրդ մոդելը դարձնում է տեղավորվող և արագ մնացող, մինչդեռ ակտիվացումները լայն պահելը պաշտպանում է forward pass-ի թվայնորեն զգայուն մասը։ Սեղմեք այն, ինչ մեծ է և ստատիկ, թողեք մենակ այն, ինչ փոքր է և դինամիկ։

AutoRound — սովորած կլորացում, ոչ ամենամոտ կլորացում

Քվանտացման միամիտ ձևը round-to-nearest է. ամեն կշիռ ամրացնել ամենամոտ 4-բիթ արժեքին, ընդունել սխալը։ AutoRound-ը, Intel-ի բաց հետ-ուսուցման քվանտացման գործիքակազմը, ավելի լավ է անում — նրա SignRound մեթոդն օգտագործում է ուղղանշան գրադիենտ վայրէջք՝ համատեղ օպտիմիզացնելու կլորացման որոշումներն ու կտրման միջակայքերը մի քանի հարյուր քայլի ընթացքում, որոշելով ամեն կշռի համար, թե վերև կամ վար կլորացումն ավելի քիչ վնաս է հասցնում շերտի իրական ելքին։ Այն փոխառում է գաղափարը quantization-aware training-ից՝ առանց վերաուսուցման արժեքի, և հենց դա է պատճառը, թե ինչու W4A16 կառուցումը կարող է լինել լուրջ մոդել, ոչ կորստաբեր հետաքրքրասիրություն։

REAP — փորձագետների կրճատում, ոչ միավորում

REAP-ը Router-weighted Expert Activation Pruning է, հրապարակված Cerebras Research-ի կողմից։ MoE մոդելում ամեն փորձագետ չէ, որ ձգում է իր քաշը. երթուղիչը մի քանիսին քիչ տոկեն է ուղարկում, և ոմանք քիչ մեծություն են նպաստում, երբ գործարկվում են։ REAP-ը գնահատում է յուրաքանչյուր փորձագետին երկու ազդանշանով էլ՝ երթուղիչի դռների արժեքներ և փորձագետի ակտիվացման նորմեր — և հեռացնում է ցածր-saliency-ով նրանց մեկ քայլով, նախքան քվանտացումը։ Կարևորը, այն կրճատում է, ոչ միավորում. միավորումը մի քանի փորձագետ ծալում է մեկի մեջ, ոչնչացնելով երթուղիչի նուրբ, մուտքից-կախված վերահսկողությունը և մտցնելով սխալի հատակ, որ ոչ մի կարգավորում չի հեռացնում (հեղինակներն այն անվանում են ֆունկցիոնալ ենթատարածության փլուզում), մինչդեռ կրճատումը թողնում է ողջ մնացածներին և երթուղիչի նրանց վրա վերահսկողությունը անձեռնմխելի։ Cerebras-ը հայտնում է հեռացնելով մինչև 50% փորձագետներ տրիլիոն-պարամետրանոց մոդելներից՝ մեծապես պահպանելով բազային որակը — 480Մլրդ կոդավորող մոդելի վրա 50% կրճատման ժամանակ, 97.6% բազային ոչ-ագենտային կոդագրման ունակությունից և 96.7% ագենտային SWE-Bench-ում։ Դրանք Cerebras-ի թվերն են իրենց սեփական մոդելների համար, ոչ մեր կառուցման չափումները, բայց հենց դա է պատճառը, թե ինչու ենք մենք այս stack-ը աշխատեցնում հիմքի վրա, որի հիմնական ուժը կոդն է։

Միասին վերջածանցը կարդացվում է որպես նախադասություն. կրճատեք փորձագետներին, որոնք հազիվ էին օգտագործվում, սովորեք 4-բիթ կլորացումը, ոչ թե կռահեք այն, պահեք ակտիվացումները լրիվ լայնությամբ։

04Ինչի՞ն է իրականում լավ այս մոդելը

Ազնվությունն առաջինը. Laguna S 2.1-ը միայն-տեքստային խոսակցական մոդել է — առանց տեսողության մուտքի այս մոդելի id-ի վրա — և Poolside-ը այն կառուցեց ագենտային կոդագրման և երկարաժամկետ աշխատանքի համար, ոչ արձակի։ Հետ-ուսուցումն անցավ 409,000 միջավայրերի վրա, ներառյալ 83,000 տերմինալ և 168,000 ծրագրային-ինժեներության առաջադրանք, ուժեղացման ուսուցումով FP8-ում։ Poolside-ի հայտարարած արդյունքները չքվանտացված թողարկման համար.

Բենչմարկ	Thinking	No-thinking	Ինչ է չափում
SWE-Bench Multilingual	78.5%	—	Իրական սխալների ուղղում բազմաթիվ լեզուներով
Terminal-Bench 2.1	70.2%	60.4%	Բազմաքայլ shell և գործիքային աշխատանք
SWE-Bench Pro	59.4%	—	Ավելի դժվար, աղտոտումից-դիմացկուն պահոցի առաջադրանքներ
Toolathlon Verified	49.7%	—	Գործիքի-օգտագործման լայնությունը շատ API-ների միջով
SWE Atlas	46.2%	—	Երկարաժամկետ պահոցում նավարկություն
DeepSWE v1.1	40.4%	16.5%	Ագենտային ծրագրային ինժեներություն

Երկու սյան միջև բացը այստեղ ամենագործող թիվն է. DeepSWE-ում միավորը ավելի քան կրկնապատկվում է, երբ դատողությունը միացված է, և Terminal-Bench-ում այն ստանում է գրեթե տասը միավոր։

Poolside-ի հայտարարած թվերը չքվանտացված Laguna S 2.1 թողարկման համար, 2026 թ. հուլիս։ Դրանք մեր W4A16-AutoRound-REAP կառուցման չափումներ չեն, և մենք դրա համար չենք հրապարակում մեր սեփական բենչմարկի թվերը։ Օգտագործեք reasoning_effort-ը՝ մեր API-ում դատողության բյուջեն կառավարելու համար։

Խոսակցական և ստեղծագործական աշխատանքի համար ազնիվ դիրքորոշումն այս է. այն որակները, որոնք կանգնած են երկար ագենտային աշխատացումների հետևում — շատ վիճակ համահունչ պահելը, առաջադրանքի վրա մնալը, չշեղվելը — նույնն են, որ կանգնած են երկար-ձևանոց կերպարային աշխատանքի հետևում, և գործնականում այն լավ է պահում ձայնը շատ երկար պատուհանի ընթացքում։ Ոչ մի հրապարակված բենչմարկ դա չի ասում, և մենք չենք հորինելու մեկը։ Փորձարկեք այն ձեր սեփական հուշումների վրա; $0.50-ով մեկ միլիոն մուտքային տոկենի դիմաց դա գրեթե անվճար է։

05Ինչ իրականում է գնում հատակի գինը

$0.50 մուտք / $2.00 ելք մեկ միլիոն տոկենի դիմաց Shannon AI Gateway-ի մուտքային մակարդակն է, կիսվող MiniMax-M3-ի, DeepSeek-V4-Flash-ի, MiMo-V2.5-ի, MiMo-V2.5-Pro-ի և Hy3-ի հետ։ Կոնկրետ.

Բեռ	Մուտք	Ելք	Արժեք
Մեկ զրույցի հերթափոխ՝ 100Հ պատմությամբ	100,000	2,000	$0.054
5,000-բառանոց գլուխ երկար բրիֆից	30,000	7,000	$0.029
1,000 կարճ խոսակցական հերթափոխ	4,000,000	500,000	$3.00
Ամբողջ 262Հ-տոկեն համատեքստի ընթերցում	262,144	16,384	$0.164

Վերջին տողն է այն, որ արժե յուրացնել. ամբողջ համատեքստի պատուհանը լցնելը և առավելագույն 16,384-տոկեն պատասխան գեներացնելը արժե մոտավորապես տասնվեց ցենտ։ Ամբողջ ձեռագրի, նստաշրջանի արտագրության, կամ փաստաթղթերի հավաքածուի մեկ կանչի մեջ մուտքագրելը դադարում է լինել բյուջետային որոշում և դառնում է հապաղման որոշում։ Նույն թվաբանությունն է քշում մյուս հատակի-գնով օգտագործման դեպքը — ծավալը. զանգվածային դասակարգում, զանգվածային վերաշարադրում, սինթետիկ երկխոսություն, առաջին-փորձի սևագրում, որը ավելի ուժեղ մոդելը հետո կրկին կմշակի։ Տես գնագոյացման էջը և հետազոտության ինդեքսը։

06Ինչ է նշանակում «առանց ցենզուրայի»-ն այստեղ

Դա նշանակում է հենց այն, ինչ ասում է. ոչ մի մերժման շերտ և ոչ մի բովանդակության զտում ելքի վրա։ Ոչ մի դասակարգիչ չի կանգնում մոդելի և ձեր պատասխանի միջև՝ որոշելով, թե թույլատրված էիք հարցնել; մոդելը պատասխանում է այն ռեգիստրով, որ խնդրել եք, և չի դասախոսում ձեզ նախադրյալի մասին, նախքան պատասխանելը։

Ստեղծագործական աշխատանքի համար դա տարբերությունն է օգտագործելի գործիքի և անօգտագործելիի միջև։ Գեղարվեստական գրականությունը պարունակում է սպառնալից հակառակորդներ, կերպարներ, որ համոզիչ ստում են, հետևանքներով բռնություն, բարոյապես փոխզիջված պատմողներ — մոդելը, որ դուրս է գալիս կերպարից՝ ուշադրության ծանուցում ավելացնելու համար, ձախողել է առաջադրանքը, ոչ հաջողել անվտանգության մեջ։ Նույնը վերաբերում է անվտանգության հետազոտությանը, red-team փաստագրմանը, բժշկական և իրավական նախագծմանը, և թարգմանությանը, որտեղ աղբյուրը կոպիտ է — կատեգորիաներ, որտեղ մերժումը պարզապես սխալ պատասխան է։ Ինչը դա չի նշանակում, այն է, որ դատողությունը դադարում է ձերը լինելուց — դուք մնում եք պատասխանատու այն ինչ գեներացնում եք՝ մեր Պատասխանատու օգտագործման քաղաքականության և կիրառելի օրենքի ներքո։

07Ինչպես կանչել առանց ցենզուրայի Laguna API-ն

Երեք բարբառ, մեկ մոդել. /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses։ Հոսքային փոխանցումն աշխատում է երեքի վրա էլ, այնպես որ գոյություն ունեցող ինտեգրացիան տեղափոխվում է՝ փոխելով base URL և մոդելի id — ոչ SDK փոխարինում, ոչ ձեր հաղորդագրության մշակման վերաշարադրում։

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"
}

Մի քանի գործնական նշում.

• Մի՛ ուղարկեք response_format կամ json_schema այս մոդելի id-ին — եթե ձեր հաճախորդի գրադարանը լռելյայն սահմանում է մեկը, հանեք այն կամ տեղափոխվեք քրոջ մոտ, որն աջակցում է դրան։
• Գործիքները դրվում են սովորական tools զանգվածում — գործիքի կանչումն ամբողջությամբ աջակցվում է; բացակայում է միայն ազատ-տեքստի սխեմայի պարտադրումը։
• Բյուջետավորեք ձեր դատողությունը։ reasoning_effort-ը հարգվում է — low կամ off-ը խոսակցական հապաղումը ցածր է պահում և ելքային տոկենները էժան; բարձրացրեք այն բազմաքայլ գործիքային աշխատանքի համար, որտեղ վերևի բենչմարկի բացը ցույց է տալիս, թե ինչ է դա գնում։
• Ելքի առաստաղը 16,384 տոկեն է մեկ հարցման դիմաց։ Գրքի-երկարության գեներացիայի համար, բաժանեք գլուխների և հոսքային փոխանցեք։
• Միայն տեքստ։ Ոչ մի պատկերի մուտք այս մոդելի id-ի վրա — օգտագործեք MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 կամ inkling տեսողության համար։

Ամբողջական պարամետրերի ցանկը, նույնականացումը, սխալի իմաստաբանությունը և կենդանի playground-ը. API փաստաթղթեր։

08Երբ ընտրել այն, և երբ ոչ

Ընտրեք այն, երբ ձեր ելքը արձակ է, երկխոսություն կամ մարդու կողմից կարդացվող կոդ; ձեզ անհրաժեշտ է գործիքի կանչում, բայց ոչ սխեմայով-սահմանափակված տեքստ; գինը մեկ տոկենի դիմաց գերիշխում է երկար համատեքստի նկատմամբ; կամ ուզում եք երկրորդ կարծիք տոհմից, որը DeepSeek, Kimi և MiMo ընտանիքներից չէ, որոնք լցնում են ցանկի մնացած մասը։

Ընտրեք ուրիշ բան, երբ ձեզ անհրաժեշտ է երաշխավորված JSON (MiMo-V2.5-Pro), պատկերի հասկացողություն (Kimi-K2.6 կամ MiMo-V2.5), կամ դժվարության առաջնագծի ծայրը, որտեղ գնային բացը կապ չունի ճիշտ պատասխան ստանալու կողքին (DeepSeek-V4-Pro, Kimi-K3)։

09Հաճախ տրվող հարցեր

---

Աղբյուրներ. Poolside — Laguna S 2.1 մոդելի քարտ · Ներկայացնում ենք Laguna S 2.1-ը · REAP the Experts (Cerebras Research) · Intel AutoRound։ Ճարտարապետության և բենչմարկի թվերը հրատարակչի-հայտարարածն են չքվանտացված թողարկման համար, ոչ մեր սպասարկած կառուցման չափումները։ Shannon AI-ն կառավարվում է Shannon Lab LLC-ի կողմից, Նյու Մեքսիկո, ԱՄՆ։