API Laguna Tanpa Sensor

Kebanyakan halaman "model murah" meminta Anda menerima fondasi kecil yang sudah lelah sebagai imbalan angka yang rendah. Yang ini tidak. Laguna S 2.1 adalah rilis Mixture-of-Experts jarang generasi terkini, dilatih di 4.096 H200 dan dikirim dalam kurang dari sembilan minggu, dan ia duduk di lantai $0.50 / $2.00 yang sama dengan setiap model tier awal lain yang kami layani. Pertukarannya sempit dan mudah ditimbang: Anda melepas output terstruktur yang dipaksakan server dan mempertahankan semua yang lain.

01Apa itu Laguna S 2.1?

Laguna S 2.1 adalah model berbobot terbuka yang dirilis Poolside pada 21 Juli 2026 di bawah lisensi permisif OpenMDW-1.1 — anggota berukuran menengah dari keluarga Laguna, di antara Laguna XS 2.1 (33B/3B aktif) dan Laguna M.1 (225B/23B aktif).

Arsitektur yang dipublikasikan adalah router token-choice dengan gerbang softplus di atas 256 expert yang dirutekan ditambah satu expert bersama, sepuluh dipilih per token, sepanjang 48 lapisan — dua belas attention global, tiga puluh enam sliding-window pada jendela 512 token, sebuah selang-seling yang menjaga biaya attention untuk masukan sangat panjang tetap mendekati linear alih-alih kuadratik. Attention-nya grouped-query dengan 8 kepala key-value pada dimensi kepala 128.

Dua konsekuensi penting bagi pemakai API. Aktivasi jarang itulah sebabnya model 118B bisa duduk di harga lantai — hanya ~8B parameter yang bekerja per token, jadi komputasi per token lebih dekat ke model padat kecil ketimbang yang disiratkan jumlah parameternya. Dan selang-seling sliding-window itulah sebabnya jendela panjangnya benar-benar bisa dipakai, bukan sekadar nominal. Rilis Poolside mendukung 1.048.576 token; kami melayani 262.144, sama seperti semua model lain di gateway.

02Satu catatan: tanpa output terstruktur

Yang tetap bekerja. Tool calling didukung penuh, dan argumen panggilan alat tetap datang sebagai objek JSON persis seperti pada model mana pun di sini. Kalau "output terstruktur" di aplikasi Anda sebenarnya adalah argumen alat — dan itu benar untuk kebanyakan kerangka kerja agen, server MCP dan front-end basis data — Laguna S 2.1 melayani Anda dengan baik. Streaming bekerja di ketiga dialek; reasoning_effort bekerja.

Yang tidak. Anda tidak bisa menyerahkan JSON Schema ke endpoint lalu dijamin bahwa jawaban teks asisten lolos validasi terhadapnya, dan response_format: {"type": "json_object"} tidak memberi Anda apa-apa. Meminta JSON lewat prompt biasanya menghasilkan JSON — ini model yang kompeten — tapi "biasanya" bukan kontrak. Poolside sendiri mendokumentasikan escaping JSON yang keliru pada panggilan alat bersarang dalam sebagai keterbatasan yang diketahui, pengingat bahwa jaminan itu, di mana pun ia ada di jajaran kami yang lain, datang dari lapisan penyajian bukan dari niat baik model.

Saudara mana yang dipakai sebagai gantinya

Kalau beban kerja Anda butuh JSON terjamin, jangan melawan model ini — tukar saja id modelnya. Empat saudaranya duduk di harga $0.50 / $2.00 yang identik dengan dukungan penuh json_schema dan response_format:

Id model	json_schema	Visi	Kenapa Anda memilihnya
MiMo-V2.5-Pro-W8A16	Ya	Tidak	Penukar langsung — bobot 8-bit, tier kesetiaan tertinggi, harga sama
MiMo-V2.5-W8A16	Ya	Ya	Sama, ditambah masukan gambar
Hy3-W8A16	Ya	Tidak	Model teks 8-bit lain di harga lantai
DeepSeek-V4-Flash-0731	Ya	Tidak	W4A16-AutoRound-REAP seperti Laguna, dukungan schema utuh

Pilihan bawaan yang wajar adalah MiMo-V2.5-Pro (W8A16): khusus teks, di harga lantai, dikuantisasi pada tier paling lembut yang kami jalankan — rinciannya ada di kartu model MiMo-V2.5. Karena kedua belas model berbagi endpoint, jendela konteks dan plafon keluaran, berpindah itu cuma ubah satu baris di field model.

03Apa arti W4A16-AUTOROUND-REAP?

Akhiran pada id model itu bukan hiasan — ia menyebutkan persis bagaimana bobotnya dikompresi sebelum dimuat ke klaster GPU kami. Ada tiga bagian.

W4A16 — bobot 4-bit, aktivasi 16-bit

Bobot disimpan pada 4 bit; aktivasi — nilai yang mengalir antar lapisan saat inferensi — tetap pada 16. Memangkas bobot jadi seperempat jejak BF16-nya itulah yang membuat model 118B muat dan tetap cepat, sementara menjaga aktivasi tetap lebar melindungi bagian forward pass yang sensitif secara numerik. Kompres yang besar dan statis, biarkan yang kecil dan dinamis apa adanya.

AutoRound — pembulatan yang dipelajari, bukan pembulatan ke terdekat

Cara naif untuk mengkuantisasi adalah membulatkan ke nilai terdekat: pasangkan tiap bobot ke nilai 4-bit terdekat, terima galatnya. AutoRound, perkakas kuantisasi pasca-pelatihan terbuka dari Intel, melakukannya lebih baik — metode SignRound-nya memakai signed gradient descent untuk mengoptimalkan keputusan pembulatan dan rentang pemotongan secara bersamaan selama beberapa ratus langkah, memutuskan per bobot apakah membulatkan ke atas atau ke bawah yang lebih sedikit merusak keluaran sebenarnya dari lapisan itu. Ia meminjam gagasan dari pelatihan sadar kuantisasi tanpa ongkos melatih ulang, dan itulah sebabnya build W4A16 bisa jadi model yang serius alih-alih keingintahuan yang penuh galat.

REAP — memangkas expert alih-alih menggabungkannya

REAP adalah Router-weighted Expert Activation Pruning, dipublikasikan oleh Cerebras Research. Dalam model MoE tidak semua expert menanggung bebannya: router mengirim sedikit token ke sebagian, dan sebagian menyumbang magnitudo kecil saat mereka menyala. REAP menilai tiap expert pada kedua sinyal — nilai gerbang router dan norma aktivasi expert — lalu membuang yang rendah saliensinya dalam sekali jalan, sebelum kuantisasi. Yang krusial, ia memangkas alih-alih menggabungkan: penggabungan melipat beberapa expert jadi satu, menghancurkan kendali router yang halus dan bergantung masukan serta memperkenalkan lantai galat yang tak terhapus penyetelan apa pun (para penulisnya menyebutnya functional subspace collapse), sedangkan pemangkasan meninggalkan yang bertahan beserta kendali router atas mereka tetap utuh. Cerebras melaporkan pembuangan sampai 50% expert dari model satu triliun parameter sambil sebagian besar mempertahankan kualitas dasar — pada model coder 480B dengan pemangkasan 50%, 97,6% dari kemampuan coding non-agentik dasar dan 96,7% pada SWE-Bench agentik. Itu angka Cerebras untuk model mereka sendiri, bukan pengukuran build kami, tapi itulah sebabnya kami menjalankan tumpukan ini di atas fondasi yang kekuatan utamanya adalah kode.

Digabung, akhiran itu terbaca sebagai satu kalimat: pangkas expert yang nyaris tak terpakai, pelajari pembulatan 4-bit alih-alih menebaknya, jaga aktivasi tetap pada lebar penuh.

04Model ini sebenarnya jago di apa?

Kejujuran dulu: Laguna S 2.1 adalah model percakapan khusus teks — tanpa masukan gambar pada id model ini — dan Poolside membangunnya untuk coding agentik dan kerja berhorizon panjang, bukan untuk prosa. Pasca-pelatihan berjalan di lebih dari 409.000 lingkungan, termasuk 83.000 tugas terminal dan 168.000 tugas rekayasa perangkat lunak, dengan pembelajaran penguatan pada FP8. Hasil yang dilaporkan Poolside untuk rilis yang belum dikuantisasi:

Benchmark	Berpikir	Tanpa berpikir	Apa yang diukur
SWE-Bench Multilingual	78.5%	—	Perbaikan bug nyata di banyak bahasa
Terminal-Bench 2.1	70.2%	60.4%	Kerja shell dan perkakas multi-langkah
SWE-Bench Pro	59.4%	—	Tugas repositori lebih berat dan tahan kontaminasi
Toolathlon Verified	49.7%	—	Keluasan penggunaan alat di banyak API
SWE Atlas	46.2%	—	Navigasi repositori berhorizon panjang
DeepSWE v1.1	40.4%	16.5%	Rekayasa perangkat lunak agentik

Jurang antara dua kolom itu adalah angka paling bisa ditindaklanjuti di sini: pada DeepSWE skornya lebih dari dua kali lipat ketika penalaran diaktifkan, dan pada Terminal-Bench ia naik hampir sepuluh poin.

Angka yang dilaporkan Poolside untuk rilis Laguna S 2.1 yang belum dikuantisasi, Juli 2026. Itu bukan pengukuran build W4A16-AutoRound-REAP kami, dan kami tidak mempublikasikan angka benchmark kami sendiri untuknya. Pakai reasoning_effort untuk mengendalikan anggaran berpikir di API kami.

Untuk kerja percakapan dan kreatif, posisi jujurnya begini: kualitas yang menopang proses agentik panjang — menahan banyak state secara koheren, tetap pada tugas, tidak melenceng — adalah kualitas yang sama yang menopang kerja karakter berformat panjang, dan dalam praktiknya ia menjaga suara dengan baik sepanjang jendela yang sangat panjang. Tidak ada benchmark terpublikasi yang mengatakan begitu, dan kami tidak akan mengarangnya. Ujilah pada prompt Anda sendiri; pada $0.50 per satu juta token masukan, itu nyaris gratis.

05Apa yang sebenarnya dibeli harga lantai?

$0.50 masuk / $2.00 keluar per satu juta token adalah tier awal di Shannon AI Gateway, sama dengan MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro dan Hy3. Konkretnya:

Beban kerja	Masukan	Keluaran	Biaya
Satu giliran obrolan dengan riwayat 100K	100,000	2,000	$0.054
Satu bab 5.000 kata dari brief panjang	30,000	7,000	$0.029
1.000 giliran percakapan pendek	4,000,000	500,000	$3.00
Satu pembacaan konteks penuh 262K token	262,144	16,384	$0.164

Baris terakhir itu yang perlu diresapi: mengisi seluruh jendela konteks dan menghasilkan jawaban maksimum 16.384 token berbiaya sekitar enam belas sen. Menjejalkan satu naskah utuh, transkrip sesi, atau kumpulan dokumen ke dalam satu panggilan berhenti menjadi keputusan anggaran dan berubah menjadi keputusan latensi. Aritmetika yang sama menggerakkan kasus pakai harga lantai yang lain — volume: klasifikasi batch, penulisan ulang massal, dialog sintetis, draf pertama yang nanti dipoles model yang lebih kuat. Lihat halaman harga dan indeks riset.

06Apa arti "tanpa sensor" di sini

Artinya sesuai bunyinya: tanpa lapisan penolakan dan tanpa penyaringan konten pada keluaran. Tidak ada klasifier yang duduk antara model dan jawaban Anda untuk memutuskan apakah Anda boleh bertanya; model menjawab dalam nada yang Anda minta dan tidak menceramahi Anda soal premisnya lebih dulu.

Untuk kerja kreatif, itulah beda antara alat yang bisa dipakai dan yang tidak. Fiksi berisi antagonis yang mengancam, karakter yang berbohong secara meyakinkan, kekerasan dengan konsekuensi, narator yang moralnya tercela — model yang keluar dari karakter untuk menambahkan penafian telah gagal dalam tugasnya, bukan berhasil dalam keamanan. Hal yang sama berlaku untuk riset keamanan, dokumentasi red-team, penyusunan naskah medis dan hukum, serta penerjemahan ketika sumbernya blak-blakan: kategori-kategori di mana penolakan sekadar jawaban yang salah. Yang tidak berarti adalah bahwa penilaian berhenti jadi milik Anda — Anda tetap bertanggung jawab atas apa yang Anda hasilkan, di bawah Kebijakan Penggunaan Bertanggung Jawab kami dan hukum yang berlaku.

07Cara memanggil API Laguna tanpa sensor

Tiga dialek, satu model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Streaming bekerja di ketiganya, jadi integrasi yang sudah ada berpindah cukup dengan mengubah base URL dan id model — tanpa tukar SDK, tanpa menulis ulang penanganan pesan Anda.

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"
}

Beberapa catatan praktis:

• Jangan kirim response_format atau json_schema ke id model ini — kalau pustaka klien Anda menyetel salah satunya secara bawaan, matikan atau pindah ke saudara yang mendukungnya.
• Alat masuk ke array tools seperti biasa — tool calling didukung penuh; hanya pemaksaan schema pada teks bebas yang tidak.
• Atur anggaran penalaran Anda. reasoning_effort dihormati — rendah atau mati menjaga latensi percakapan tetap turun dan token keluaran tetap murah; naikkan untuk kerja alat multi-langkah, di mana jurang benchmark di atas menunjukkan apa yang Anda beli.
• Plafon keluaran adalah 16.384 token per permintaan. Untuk generasi sepanjang buku, bagi per bab dan streaming.
• Khusus teks. Tanpa masukan gambar pada id model ini — pakai MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 atau inkling untuk visi.

Referensi parameter lengkap, autentikasi, semantik error dan playground langsung: dokumentasi API.

08Kapan memilihnya, dan kapan tidak

Pilih ia ketika keluaran Anda berupa prosa, dialog atau kode yang dibaca manusia; Anda butuh tool calling tapi bukan teks yang dibatasi schema; biaya per token lebih menentukan daripada konteks panjang; atau Anda ingin pendapat kedua dari silsilah selain keluarga DeepSeek, Kimi dan MiMo yang mengisi sisa jajaran ini.

Pilih yang lain ketika Anda butuh JSON terjamin (MiMo-V2.5-Pro), pemahaman gambar (Kimi-K2.6 atau MiMo-V2.5), atau ujung kesulitan terdepan di mana jurang harga tidak relevan dibanding mendapatkan jawaban yang benar (DeepSeek-V4-Pro, Kimi-K3).

09Pertanyaan yang sering diajukan

---

Sumber: Poolside — kartu model Laguna S 2.1 · Memperkenalkan Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Angka arsitektur dan benchmark dilaporkan penerbit untuk rilis yang belum dikuantisasi, bukan pengukuran build yang kami layani. Shannon AI dioperasikan oleh Shannon Lab LLC, New Mexico, USA.