L'API Laguna senza censura

Quasi tutte le pagine sui «modelli economici» ti chiedono di accettare una base piccola e stanca in cambio di un numero basso. Questa no. Laguna S 2.1 è un rilascio Mixture-of-Experts sparso di generazione attuale, addestrato su 4.096 H200 e consegnato in meno di nove settimane, e sta allo stesso pavimento di 0,50 $ / 2,00 $ di ogni altro modello di ingresso che serviamo. Lo scambio è stretto e facile da valutare: rinunci all'output strutturato imposto dal server e tieni tutto il resto.

01Che cos'è Laguna S 2.1?

Laguna S 2.1 è un modello a pesi aperti rilasciato da Poolside il 21 luglio 2026 sotto la licenza permissiva OpenMDW-1.1 — il membro di taglia media della famiglia Laguna, fra Laguna XS 2.1 (33B/3B attivi) e Laguna M.1 (225B/23B attivi).

L'architettura pubblicata è un router a scelta del token con gating softplus su 256 esperti instradati più un esperto condiviso, dieci selezionati per token, distribuiti su 48 strati — dodici ad attenzione globale, trentasei a finestra scorrevole con finestra da 512 token, un'alternanza che tiene il costo dell'attenzione sugli input molto lunghi quasi lineare invece che quadratico. L'attenzione è grouped-query con 8 teste chiave-valore a dimensione di testa 128.

Due conseguenze contano per chi consuma l'API. L'attivazione sparsa è il motivo per cui un modello da 118B può stare al prezzo minimo: lavorano solo ~8B di parametri per token, quindi il calcolo per token è più vicino a quello di un piccolo modello denso di quanto il conteggio dei parametri suggerisca. E l'alternanza a finestra scorrevole è il motivo per cui la finestra lunga è genuinamente utilizzabile e non solo nominale. Il rilascio di Poolside supporta 1.048.576 token; noi serviamo 262.144, in linea con ogni altro modello del gateway.

02L'unica avvertenza: niente output strutturato

Che cosa funziona comunque. Il tool calling è pienamente supportato, e gli argomenti delle chiamate a strumento arrivano comunque come oggetto JSON esattamente come su qualsiasi altro modello qui. Se l'«output strutturato» della tua applicazione sono in realtà gli argomenti degli strumenti — vero per la maggior parte dei framework agentici, dei server MCP e delle interfacce verso database — Laguna S 2.1 ti va benissimo. Lo streaming funziona su tutti e tre i dialetti; reasoning_effort funziona.

Che cosa non funziona. Non puoi consegnare all'endpoint uno schema JSON e avere la garanzia che la risposta testuale dell'assistente lo rispetti, e response_format: {"type": "json_object"} non ti compra nulla. Chiedere JSON nel prompt di solito produce JSON — questo è un modello competente — ma «di solito» non è un contratto. Poolside stessa documenta come limite noto un escaping JSON scorretto nelle chiamate a strumento profondamente annidate: un promemoria del fatto che la garanzia, dove esiste altrove nella nostra gamma, viene dallo strato di serving e non dalle buone intenzioni del modello.

Quale fratello usare al suo posto

Se il tuo carico di lavoro ha bisogno di JSON garantito, non combattere contro questo modello: cambia l'id. Quattro fratelli stanno allo stesso identico prezzo di 0,50 $ / 2,00 $ con pieno supporto a json_schema e response_format:

Id del modello	json_schema	Visione	Perché sceglierlo
MiMo-V2.5-Pro-W8A16	Sì	No	Lo scambio diretto — pesi a 8 bit, livello a più alta fedeltà, stesso prezzo
MiMo-V2.5-W8A16	Sì	Sì	Lo stesso, più l'input immagine
Hy3-W8A16	Sì	No	Un altro modello di testo a 8 bit al prezzo minimo
DeepSeek-V4-Flash-0731	Sì	No	W4A16-AutoRound-REAP come Laguna, con il supporto agli schemi intatto

Il default naturale è MiMo-V2.5-Pro (W8A16): solo testo, al prezzo minimo, quantizzato al livello più delicato che usiamo — i dettagli sono nella scheda modello di MiMo-V2.5. Poiché tutti e dodici i modelli condividono endpoint, finestra di contesto e tetto di output, passare dall'uno all'altro è una modifica di una riga al campo model.

03Che cosa significa W4A16-AUTOROUND-REAP?

Il suffisso sull'id del modello non è decorazione: dice esattamente come sono stati compressi i pesi prima di essere caricati sul nostro cluster GPU. Tre parti.

W4A16: pesi a 4 bit, attivazioni a 16 bit

I pesi sono memorizzati a 4 bit; le attivazioni — i valori che scorrono fra gli strati al momento dell'inferenza — restano a 16. Tagliare i pesi a un quarto della loro impronta BF16 è ciò che fa stare un modello da 118B e lo tiene veloce, mentre mantenere larghe le attivazioni protegge la parte numericamente sensibile del passaggio in avanti. Comprimi ciò che è grande e statico, lascia stare ciò che è piccolo e dinamico.

AutoRound: arrotondamento appreso, non arrotondamento al più vicino

Il modo ingenuo di quantizzare è l'arrotondamento al più vicino: incastra ogni peso nel valore a 4 bit più vicino e accetta l'errore. AutoRound, il toolkit aperto di quantizzazione post-addestramento di Intel, fa di meglio — il suo metodo SignRound usa la discesa del gradiente con segno per ottimizzare congiuntamente le decisioni di arrotondamento e gli intervalli di clipping in un paio di centinaia di passi, decidendo per ogni peso se arrotondare per eccesso o per difetto danneggi meno l'output reale dello strato. Prende in prestito l'idea dall'addestramento consapevole della quantizzazione senza il costo di riaddestrare, ed è per questo che una build W4A16 può essere un modello serio e non una curiosità con perdite.

REAP: potare gli esperti invece di fonderli

REAP è il Router-weighted Expert Activation Pruning, pubblicato da Cerebras Research. In un modello MoE non tutti gli esperti fanno la loro parte: il router manda pochi token ad alcuni, e alcuni contribuiscono poca magnitudine quando si accendono. REAP assegna a ogni esperto un punteggio su entrambi i segnali — i valori del gate del router e le norme di attivazione dell'esperto — e rimuove quelli a bassa rilevanza in un colpo solo, prima della quantizzazione. Fondamentalmente pota invece di fondere: la fusione ripiega più esperti in uno, distruggendo il controllo a grana fine e dipendente dall'input del router e introducendo un pavimento di errore che nessuna messa a punto elimina (gli autori lo chiamano collasso del sottospazio funzionale), mentre il pruning lascia intatti i sopravvissuti e il controllo del router su di essi. Cerebras riporta di aver rimosso fino al 50% degli esperti da modelli da mille miliardi di parametri mantenendo in gran parte la qualità di partenza — su un modello per codice da 480B con pruning al 50%, il 97,6% della capacità di programmazione non agentica di riferimento e il 96,7% su SWE-Bench agentico. Sono dati Cerebras sui loro modelli, non misurazioni della nostra build, ma sono il motivo per cui usiamo questo stack su una base la cui forza principale è il codice.

Messe insieme, le parti del suffisso si leggono come una frase: pota gli esperti che venivano usati a malapena, apprendi l'arrotondamento a 4 bit invece di tirarlo a indovinare, tieni le attivazioni a larghezza piena.

04In che cosa è davvero bravo questo modello?

Prima l'onestà: Laguna S 2.1 è un modello conversazionale solo testo — su questo id di modello non c'è input immagine — e Poolside l'ha costruito per il coding agentico e il lavoro a lungo orizzonte, non per la prosa. Il post-training è girato su oltre 409.000 ambienti, fra cui 83.000 compiti da terminale e 168.000 di ingegneria del software, con apprendimento per rinforzo in FP8. I risultati riportati da Poolside per il rilascio non quantizzato:

Benchmark	Con pensiero	Senza pensiero	Che cosa misura
SWE-Bench Multilingual	78.5%	—	Correzioni di bug reali in molti linguaggi
Terminal-Bench 2.1	70.2%	60.4%	Lavoro da shell e strumenti a più passi
SWE-Bench Pro	59.4%	—	Compiti su repository più difficili e resistenti alla contaminazione
Toolathlon Verified	49.7%	—	Ampiezza d'uso degli strumenti su molte API
SWE Atlas	46.2%	—	Navigazione di repository a lungo orizzonte
DeepSWE v1.1	40.4%	16.5%	Ingegneria del software agentica

Lo scarto fra le due colonne è il numero più utile qui: su DeepSWE il punteggio più che raddoppia quando il ragionamento è attivo, e su Terminal-Bench guadagna quasi dieci punti.

Dati riportati da Poolside per il rilascio non quantizzato di Laguna S 2.1, luglio 2026. Non sono misurazioni della nostra build W4A16-AutoRound-REAP, e per quella non pubblichiamo numeri di benchmark nostri. Usa reasoning_effort per controllare il budget di pensiero sulla nostra API.

Per il lavoro conversazionale e creativo la posizione onesta è questa: le qualità che stanno dietro alle lunghe corse agentiche — tenere coerentemente molto stato, restare sul compito, non andare alla deriva — sono le stesse che stanno dietro al lavoro di personaggio in forma lunga, e nella pratica il modello tiene bene la voce su una finestra molto lunga. Nessun benchmark pubblicato lo dice, e non ne inventeremo uno. Provalo sui tuoi prompt; a 0,50 $ per milione di token in input è quasi gratis.

05Che cosa compra davvero il prezzo minimo?

0,50 $ in / 2,00 $ out per milione di token è il livello di ingresso del gateway Shannon AI, condiviso con MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro e Hy3. Concretamente:

Carico di lavoro	Input	Output	Costo
Un turno di chat con 100K di storia	100.000	2.000	0,054 $
Un capitolo da 5.000 parole da un lungo brief	30.000	7.000	0,029 $
1.000 brevi turni di conversazione	4.000.000	500.000	3,00 $
Una lettura a contesto pieno da 262K token	262.144	16.384	0,164 $

L'ultima riga è quella da interiorizzare: riempire l'intera finestra di contesto e generare la risposta massima da 16.384 token costa circa sedici centesimi. Dare in pasto a una sola chiamata un intero manoscritto, la trascrizione di una sessione o un insieme di documenti smette di essere una decisione di budget e diventa una decisione di latenza. La stessa aritmetica guida l'altro caso d'uso del prezzo minimo — il volume: classificazione in blocco, riscrittura di massa, dialoghi sintetici, prime stesure che un modello più forte raffinerà dopo. Vedi la pagina dei prezzi e l'indice della ricerca.

06Che cosa significa qui «senza censura»

Significa quello che dice: nessuno strato di rifiuto e nessun filtro sui contenuti in output. Nessun classificatore sta fra il modello e la tua risposta a decidere se ti fosse permesso chiedere; il modello risponde nel registro che hai chiesto e non ti fa prima la predica sulla premessa.

Per il lavoro creativo è la differenza fra uno strumento usabile e uno inutilizzabile. La narrativa contiene antagonisti minacciosi, personaggi che mentono in modo convincente, violenza con conseguenze, narratori moralmente compromessi — un modello che esce dal personaggio per appiccicare un disclaimer ha fallito il compito, non è riuscito a essere sicuro. Lo stesso vale per la ricerca sulla sicurezza, la documentazione di red team, la stesura di testi medici e legali e la traduzione quando l'originale è schietto: categorie in cui un rifiuto è semplicemente una risposta sbagliata. Ciò che non significa è che il giudizio smetta di essere tuo — resti responsabile di ciò che generi, secondo la nostra Responsible Use Policy e la legge applicabile.

07Come chiamare l'API Laguna senza censura

Tre dialetti, un modello: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Lo streaming funziona su tutti e tre, quindi un'integrazione esistente si sposta cambiando una base URL e un id di modello — nessun cambio di SDK, nessuna riscrittura della gestione dei messaggi.

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"
}

Qualche nota pratica:

• Non inviare response_format o json_schema a questo id di modello — se la tua libreria client ne imposta uno di default, disattivalo o passa a un fratello che lo supporta.
• Gli strumenti vanno nel consueto array tools — il tool calling è pienamente supportato; manca solo l'imposizione dello schema sul testo libero.
• Gestisci il budget di ragionamento. reasoning_effort viene rispettato — basso o spento tiene giù la latenza conversazionale e i token di output a poco prezzo; alzalo per il lavoro a più passi con strumenti, dove lo scarto nei benchmark qui sopra mostra che cosa compra.
• Il tetto di output è di 16.384 token per richiesta. Per generazioni lunghe come un libro, dividi in capitoli e usa lo streaming.
• Solo testo. Nessun input immagine su questo id di modello — per la visione usa MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 o inkling.

Riferimento completo dei parametri, autenticazione, semantica degli errori e un playground interattivo: documentazione API.

08Quando sceglierlo, e quando no

Sceglilo quando il tuo output è prosa, dialogo o codice letto da una persona; ti serve il tool calling ma non il testo vincolato da uno schema; il costo per token conta più del contesto lungo; oppure vuoi un secondo parere da un lignaggio diverso dalle famiglie DeepSeek, Kimi e MiMo che riempiono il resto della gamma.

Scegli altro quando ti serve JSON garantito (MiMo-V2.5-Pro), la comprensione delle immagini (Kimi-K2.6 o MiMo-V2.5), oppure l'estremo di frontiera della difficoltà, dove lo scarto di prezzo è irrilevante rispetto ad azzeccare la risposta (DeepSeek-V4-Pro, Kimi-K3).

09Domande frequenti

---

Fonti: Poolside — scheda modello Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. I dati di architettura e di benchmark sono riportati dall'editore del modello per il rilascio non quantizzato, non sono misurazioni della build che serviamo noi. Shannon AI è gestita da Shannon Lab LLC, New Mexico, USA.