უცენზურო Laguna API

„იაფი მოდელის" გვერდების უმეტესობა გთხოვთ, მიიღოთ პატარა, დაღლილი საფუძველი დაბალი რიცხვის სანაცვლოდ. ეს ასეთი არაა. Laguna S 2.1 მიმდინარე თაობის მეჩხერი ექსპერტთა ნაზავის გამოშვებაა, გაწვრთნილი 4,096 H200-ზე და გამოშვებული ცხრა კვირაზე ნაკლებში, და ის იმავე $0.50 / $2.00 ფსკერზე დგას, რაზეც ჩვენი დანარჩენი საშემსვლელო-დონის ყოველი მოდელი. გარიგება ვიწროა და ადვილად გასაგები: თმობთ სერვერის მიერ დაწესებულ სტრუქტურირებულ გამოსავალს და ინარჩუნებთ ყველაფერს დანარჩენს.

01რა არის Laguna S 2.1?

Laguna S 2.1 ღია წონების მოდელია, გამოშვებული Poolside-ის მიერ 2026 წლის 21 ივლისს ლიბერალური OpenMDW-1.1 ლიცენზიით — Laguna ოჯახის საშუალო ზომის წევრი, Laguna XS 2.1-სა (33B/3B აქტიური) და Laguna M.1-ს (225B/23B აქტიური) შორის.

გამოქვეყნებული არქიტექტურა ტოკენ-არჩევანის მარშრუტიზატორია softplus კარიბჭით 256 მარშრუტიზებულ ექსპერტსა და ერთ საზიარო ექსპერტზე, ათი შერჩეული ტოკენზე, 48 ფენაზე — თორმეტი გლობალური ყურადღების, ოცდათექვსმეტი მოსრიალე-ფანჯრიანი 512-ტოკენიან ფანჯარაზე, მონაცვლეობა, რომელიც ძალიან გრძელი შემავალის ყურადღების ხარჯს თითქმის-წრფივს ინარჩუნებს კვადრატულის ნაცვლად. ყურადღება დაჯგუფებულ-მოთხოვნიანია 8 გასაღებ-მნიშვნელობის თავით თავის განზომილებაზე 128.

ორ შედეგს აქვს მნიშვნელობა API-ის მომხმარებლისთვის. მეჩხერი აქტივაცია არის მიზეზი, რის გამოც 118B მოდელი ფსკერის ფასზე შეიძლება იდგეს — მხოლოდ ~8B პარამეტრი მუშაობს ტოკენზე, ასე რომ გამოთვლა ტოკენზე უფრო პატარა მკვრივ მოდელს ჰგავს, ვიდრე პარამეტრების რაოდენობა გვთავაზობს. და მოსრიალე-ფანჯრის მონაცვლეობა არის მიზეზი, რის გამოც გრძელი ფანჯარა ნამდვილად გამოსადეგია და არა ნომინალური. Poolside-ის გამოშვება 1,048,576 ტოკენს უჭერს მხარს; ჩვენ 262,144-ს ვემსახურებით, გეითვეის ყოველი სხვა მოდელის თანხვედრით.

02ერთი დათქმა: სტრუქტურირებული გამოსავალი არ არსებობს

რაც კვლავ მუშაობს. ინსტრუმენტების გამოძახება სრულად მხარდაჭერილია, და ინსტრუმენტული გამოძახების არგუმენტები კვლავ JSON ობიექტის სახით მოდის, ზუსტად ისე, როგორც აქ ნებისმიერ სხვა მოდელზე. თუ თქვენი აპლიკაციის „სტრუქტურირებული გამოსავალი" სინამდვილეში ინსტრუმენტის არგუმენტებია — რაც აგენტური ჩარჩოების, MCP სერვერებისა და მონაცემთა ბაზის წინაბოლოების უმეტესობის შემთხვევაშია — Laguna S 2.1 კარგად გემსახურებათ. სტრიმინგი სამივე დიალექტზე მუშაობს; reasoning_effort მუშაობს.

რაც არ მუშაობს. ენდპოინტს ვერ გადასცემთ JSON სქემას და ვერ დარწმუნდებით, რომ ასისტენტის ტექსტური პასუხი მასთან შესატყვისობაშია, და response_format: {"type": "json_object"} არაფერს გაძლევთ. JSON-ის მოთხოვნა ჩვეულებრივ JSON-ს იძლევა — ეს კომპეტენტური მოდელია — მაგრამ „ჩვეულებრივ" კონტრაქტი არაა. Poolside თავად აღწერს არასწორ JSON ესქეიპინგს ღრმად ჩალაგებულ ინსტრუმენტულ გამოძახებებში, როგორც ცნობილ შეზღუდვას, შეხსენებას იმისა, რომ გარანტია, სადაც ის ჩვენს სიაში სხვაგან არსებობს, მომსახურების ფენიდან მოდის და არა მოდელის კეთილი განზრახვებიდან.

რომელი და-ძმა გამოვიყენოთ ამის ნაცვლად

თუ თქვენს დატვირთვას გარანტირებული JSON სჭირდება, ნუ ეომებით ამ მოდელს — შეცვალეთ მოდელის id. ოთხი და-ძმა იმავე $0.50 / $2.00 ფასზე დგას სრული json_schema-სა და response_format-ის მხარდაჭერით:

მოდელის id	json_schema	ხედვა	რატომ აირჩევდით მას
MiMo-V2.5-Pro-W8A16	დიახ	არა	პირდაპირი ჩანაცვლება — 8-ბიტიანი წონები, ყველაზე მაღალი ერთგულების დონე, იგივე ფასი
MiMo-V2.5-W8A16	დიახ	დიახ	იგივე, პლუს სურათის შემავალი
Hy3-W8A16	დიახ	არა	კიდევ ერთი 8-ბიტიანი ტექსტური მოდელი ფსკერის ფასად
DeepSeek-V4-Flash-0731	დიახ	არა	W4A16-AutoRound-REAP, Laguna-ს მსგავსად, სქემის მხარდაჭერით ხელუხლებელი

ბუნებრივი ნაგულისხმევია MiMo-V2.5-Pro (W8A16): მხოლოდ ტექსტური, ფსკერის ფასზე, კვანტიზებული ყველაზე მსუბუქ დონეზე, რომელსაც ვუშვებთ — დეტალები MiMo-V2.5-ის მოდელის ბარათზეა. რადგან თორმეტივე მოდელი ერთსა და იმავე ენდპოინტებს, კონტექსტის ფანჯარასა და გამოსავლის ჭერს იზიარებს, გადართვა model ველის ერთსტრიქონიანი ცვლილებაა.

03რას ნიშნავს W4A16-AUTOROUND-REAP?

მოდელის id-ზე სუფიქსი დეკორაცია არაა — ის ზუსტად ამბობს, როგორ იქნა წონები შეკუმშული, სანამ ისინი ჩვენს GPU კლასტერზე ჩაიტვირთებოდა. სამი ნაწილი.

W4A16 — 4-ბიტიანი წონები, 16-ბიტიანი აქტივაციები

წონები 4 ბიტად ინახება; აქტივაციები — მნიშვნელობები, რომლებიც ფენებს შორის მიედინება ინფერენსის დროს — 16-ზე რჩება. წონების BF16-ის ზომის მეოთხედამდე შემცირება არის ის, რაც 118B მოდელს ეტევინებს და სწრაფად ინახავს, ხოლო აქტივაციების განიერად შენარჩუნება პირდაპირი გავლის რიცხობრივად მგრძნობიარე ნაწილს იცავს. შეკუმშეთ ის, რაც დიდი და სტატიკურია, ხოლო ის, რაც პატარა და დინამიკურია, დატოვეთ.

AutoRound — ნასწავლი დამრგვალება, არა უახლოესზე დამრგვალება

კვანტიზაციის გულუბრყვილო გზაა უახლოესზე დამრგვალება: ყოველი წონა უახლოეს 4-ბიტიან მნიშვნელობამდე მიახლოვება, ცდომილების მიღება. AutoRound, Intel-ის ღია წვრთნის-შემდგომი კვანტიზაციის ხელსაწყოთა ნაკრები, უკეთესს აკეთებს — მისი SignRound მეთოდი იყენებს ნიშნიან გრადიენტულ დაშვებას დამრგვალების გადაწყვეტილებებისა და ჭრის დიაპაზონების ერთობლივი ოპტიმიზაციისთვის რამდენიმე ასეულ ნაბიჯზე, წყვეტს რა თითოეულ წონაზე, ზემოთ თუ ქვემოთ დამრგვალება ნაკლებ ზიანს აყენებს ფენის რეალურ გამოსავალს. ის სესხულობს იდეას კვანტიზაციაზე-გათვლილი წვრთნიდან ხელახლა წვრთნის ხარჯის გარეშე, და სწორედ ამიტომაა W4A16 ბილდი შესაძლებელი, იყოს სერიოზული მოდელი და არა ცდომილებით სავსე კურიოზი.

REAP — ექსპერტების გასხვლა შერწყმის ნაცვლად

REAP არის Router-weighted Expert Activation Pruning, გამოქვეყნებული Cerebras Research-ის მიერ. MoE მოდელში ყველა ექსპერტი არ ეწევა თავის წილს: მარშრუტიზატორი ზოგიერთს ცოტა ტოკენს უგზავნის, და ზოგი ცოტა სიდიდით წვლილს დებს, როცა ისინი ჩნდებიან. REAP თითოეულ ექსპერტს ორივე სიგნალით აფასებს — მარშრუტიზატორის კარიბჭის მნიშვნელობებით და ექსპერტის აქტივაციის ნორმებით — და ერთჯერადად შლის დაბალმნიშვნელოვნებს, კვანტიზაციამდე. გადამწყვეტია, რომ ის გასხვლას შერწყმის ნაცვლად აკეთებს: შერწყმა რამდენიმე ექსპერტს ერთში კეცავს, ანგრევს მარშრუტიზატორის წვრილმარცვლოვან, შემავალზე დამოკიდებულ კონტროლს და ცდომილების ფსკერს შემოაქვს, რომელსაც არცერთი დარეგულირება არ აშორებს (ავტორები ამას ფუნქციური ქვესივრცის კოლაფსს უწოდებენ), ხოლო გასხვლა გადარჩენილებსა და მათზე მარშრუტიზატორის კონტროლს ხელუხლებელს ტოვებს. Cerebras აფიქსირებს ტრილიონპარამეტრიანი მოდელებიდან ექსპერტების 50%-მდე მოცილებას საბაზისო ხარისხის დიდწილად შენარჩუნებით — 480B კოდირების მოდელზე 50%-იან გასხვლაზე, საბაზისო არააგენტური კოდირების უნარის 97.6% და აგენტური SWE-Bench-ის 96.7%. ეს Cerebras-ის ციფრებია მათსავე მოდელებზე და არა ჩვენი ბილდის გაზომვები, მაგრამ სწორედ ამიტომ ვუშვებთ ამ სტეკს საფუძველზე, რომლის მთავარი ძლიერი მხარეც კოდია.

ერთად სუფიქსი წინადადებასავით იკითხება: გაასხვილეთ ის ექსპერტები, რომლებიც ძლივს გამოიყენებოდა, ისწავლეთ 4-ბიტიანი დამრგვალება მისი გამოცნობის ნაცვლად, აქტივაციები სრულ სიგანეზე შეინარჩუნეთ.

04რაში არის ეს მოდელი სინამდვილეში კარგი?

პატიოსნება ჯერ: Laguna S 2.1 მხოლოდ-ტექსტური კონვერსაციული მოდელია — ამ მოდელის id-ზე სურათის შემავალის გარეშე — და Poolside-მა ის აგენტური კოდირებისა და გრძელი ჰორიზონტის სამუშაოსთვის ააშენა და არა პროზისთვის. წვრთნის შემდგომი ეტაპი 409,000-ზე მეტ გარემოზე გაიარა, მათ შორის 83,000 ტერმინალისა და 168,000 პროგრამული ინჟინერიის ამოცანაზე, გამაძლიერებელი სწავლებით FP8-ში. Poolside-ის მოხსენებული შედეგები შეუკუმშავი გამოშვებისთვის:

ბენჩმარკი	მსჯელობით	მსჯელობის გარეშე	რას ზომავს
SWE-Bench Multilingual	78.5%	—	რეალური შეცდომების გასწორება ბევრ ენაზე
Terminal-Bench 2.1	70.2%	60.4%	მრავალსაფეხურიანი გარსისა და ინსტრუმენტული სამუშაო
SWE-Bench Pro	59.4%	—	უფრო რთული, დაბინძურებისადმი მდგრადი რეპოზიტორიის ამოცანები
Toolathlon Verified	49.7%	—	ინსტრუმენტების გამოყენების სიგანე ბევრ API-ზე
SWE Atlas	46.2%	—	გრძელი ჰორიზონტის რეპოზიტორიის ნავიგაცია
DeepSWE v1.1	40.4%	16.5%	აგენტური პროგრამული ინჟინერია

ორ სვეტს შორის სხვაობა აქ ყველაზე გამოსადეგი რიცხვია: DeepSWE-ზე ქულა ორზე მეტად იზრდება, როცა მსჯელობა ჩართულია, და Terminal-Bench-ზე თითქმის ათ ქულას იძენს.

Poolside-ის მოხსენებული ციფრები შეუკუმშავი Laguna S 2.1 გამოშვებისთვის, 2026 წლის ივლისი. ეს ჩვენი W4A16-AutoRound-REAP ბილდის გაზომვები არაა, და მისთვის ჩვენს საკუთარ ბენჩმარკის ციფრებს არ ვაქვეყნებთ. გამოიყენეთ reasoning_effort ჩვენს API-ზე ფიქრის ბიუჯეტის სამართავად.

კონვერსაციული და კრეატიული სამუშაოსთვის პატიოსანი პოზიცია ასეთია: თვისებები გრძელი აგენტური გაშვებების უკან — ბევრი მდგომარეობის თანმიმდევრულად შენარჩუნება, ამოცანაზე დარჩენა, არგადახრა — იგივეა, რაც გრძელფორმიანი პერსონაჟული სამუშაოს უკან, და პრაქტიკაში ის ხმას კარგად ინარჩუნებს ძალიან გრძელ ფანჯარაზე. არცერთი გამოქვეყნებული ბენჩმარკი ამას არ ამბობს, და ჩვენ არ გამოვიგონებთ ერთს. გატესტეთ საკუთარ პრომპტებზე; მილიონ შემავალ ტოკენზე $0.50-ად ეს თითქმის უფასოა.

05რას იძლევა სინამდვილეში ფსკერის ფასი?

$0.50 შემავალზე / $2.00 გამომავალზე მილიონ ტოკენზე შესასვლელი დონეა Shannon AI-ს გეითვეიზე, გაზიარებული MiniMax-M3-თან, DeepSeek-V4-Flash-თან, MiMo-V2.5-თან, MiMo-V2.5-Pro-სთან და Hy3-თან. კონკრეტულად:

დატვირთვა	შემავალი	გამომავალი	ღირებულება
ერთი ჩატის სვლა 100K ისტორიით	100,000	2,000	$0.054
5,000-სიტყვიანი თავი გრძელი დავალებიდან	30,000	7,000	$0.029
1,000 მოკლე კონვერსაციული სვლა	4,000,000	500,000	$3.00
262K-ტოკენიანი კონტექსტის სრული წაკითხვა	262,144	16,384	$0.164

ბოლო სტრიქონია ის, რაც უნდა გაითავისოთ: მთელი კონტექსტის ფანჯრის შევსება და მაქსიმალური 16,384-ტოკენიანი პასუხის გენერაცია დაახლოებით თექვსმეტი ცენტი ღირს. მთელი ხელნაწერის, სესიის სტენოგრამის ან დოკუმენტების ნაკრების ერთ გამოძახებაში მიწოდება წყვეტს ბიუჯეტის გადაწყვეტილება იყოს და ხდება დაყოვნების გადაწყვეტილება. იგივე არითმეტიკა ამოძრავებს ფსკერის ფასის მეორე გამოყენების შემთხვევასაც — მოცულობას: ბატჩ კლასიფიკაცია, მასობრივი ხელახლა წერა, სინთეზური დიალოგი, პირველი გავლის დრაფტი, რომელსაც შემდეგ უფრო ძლიერი მოდელი დახვეწის. იხილეთ ფასების გვერდი და კვლევის ინდექსი.

06რას ნიშნავს „უცენზურო" აქ

ეს ნიშნავს ზუსტად იმას, რასაც ამბობს: უარის ფენა და გამოსავალზე კონტენტის ფილტრაცია არ არსებობს. მოდელსა და თქვენს პასუხს შორის კლასიფიკატორი არ დგას და არ წყვეტს, გქონდათ თუ არა უფლება ეკითხათ; მოდელი პასუხობს იმ რეგისტრში, რომელიც სთხოვეთ, და ჯერ წინაპირობაზე ლექციას არ გიკითხავთ.

კრეატიული სამუშაოსთვის ეს სხვაობაა გამოსადეგ ინსტრუმენტსა და უსარგებლოს შორის. მხატვრულ ლიტერატურაში არიან მუქარის შემცველი ანტაგონისტები, პერსონაჟები, რომლებიც დამაჯერებლად იტყუებიან, ძალადობა შედეგებით, მორალურად კომპრომეტირებული მთხრობელები — მოდელი, რომელიც პერსონაჟიდან გამოდის დათქმის დასამატებლად, ამოცანას ვერ ართმევს თავს და არა უსაფრთხოებას აღწევს. იგივე ეხება უსაფრთხოების კვლევას, წითელი გუნდის დოკუმენტაციას, სამედიცინო და სამართლებრივ დრაფტინგს და თარგმანს, სადაც წყარო პირდაპირია: კატეგორიები, სადაც უარი უბრალოდ არასწორი პასუხია. რასაც ეს არ ნიშნავს, არის ის, რომ განსჯა თქვენი ყოფნა წყვეტს — თქვენ პასუხისმგებელი რჩებით იმაზე, რასაც აწარმოებთ, ჩვენი პასუხისმგებლიანი გამოყენების პოლიტიკისა და მოქმედი კანონის ფარგლებში.

07როგორ გამოვიძახოთ უცენზურო Laguna API

სამი დიალექტი, ერთი მოდელი: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. სტრიმინგი სამივეზე მუშაობს, ასე რომ არსებული ინტეგრაცია გადადის საბაზო URL-ისა და მოდელის id-ის შეცვლით — SDK-ის შეცვლის ან თქვენი მესიჯების დამუშავების ხელახლა წერის გარეშე.

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"
}

რამდენიმე პრაქტიკული შენიშვნა:

• ნუ გაუგზავნით response_format-ს ან json_schema-ს ამ მოდელის id-ს — თუ თქვენი კლიენტის ბიბლიოთეკა ერთ-ერთს ნაგულისხმევად აყენებს, გამორთეთ ან გადადით და-ძმაზე, რომელიც მას უჭერს მხარს.
• ინსტრუმენტები ჩვეულებრივ tools მასივში მიდის — ინსტრუმენტების გამოძახება სრულად მხარდაჭერილია; მხოლოდ თავისუფალი ტექსტის სქემის დაწესება არ არსებობს.
• დაგეგმეთ თქვენი მსჯელობა. reasoning_effort პატივდებულია — დაბალი ან გამორთული ინარჩუნებს კონვერსაციულ დაყოვნებას დაბლა და გამომავალ ტოკენებს იაფად; აწიეთ მრავალსაფეხურიანი ინსტრუმენტული სამუშაოსთვის, სადაც ზემოთ ბენჩმარკის სხვაობა გვიჩვენებს, რას იძლევა ეს.
• გამოსავლის ჭერი 16,384 ტოკენია მოთხოვნაზე. წიგნის სიგრძის გენერაციისთვის, დაყავით თავებად და გასტრიმეთ.
• მხოლოდ ტექსტი. ამ მოდელის id-ზე სურათის შემავალი არ არსებობს — ხედვისთვის გამოიყენეთ MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 ან inkling.

პარამეტრების სრული ცნობარი, ავთენტიფიკაცია, შეცდომების სემანტიკა და ცოცხალი სათამაშო მოედანი: API-ის დოკუმენტაცია.

08როდის ავირჩიოთ ის, და როდის — არა

აირჩიეთ ის, როცა თქვენი გამოსავალი პროზა, დიალოგი ან ადამიანის მიერ წასაკითხი კოდია; გჭირდებათ ინსტრუმენტების გამოძახება, მაგრამ არა სქემით შეზღუდული ტექსტი; ტოკენზე ღირებულება გრძელ კონტექსტზე მაღლა დგას; ან გინდათ მეორე მოსაზრება წარმომავლობიდან, რომელიც განსხვავებულია DeepSeek, Kimi და MiMo ოჯახებისგან, რომლებიც სიის დანარჩენ ნაწილს ავსებენ.

აირჩიეთ სხვა რამ, როცა გჭირდებათ გარანტირებული JSON (MiMo-V2.5-Pro), სურათის გაგება (Kimi-K2.6 ან MiMo-V2.5), ან სირთულის სასაზღვრო ბოლო, სადაც ფასის სხვაობა უმნიშვნელოა სწორი პასუხის მიღებასთან შედარებით (DeepSeek-V4-Pro, Kimi-K3).

09ხშირად დასმული კითხვები

---

წყაროები: Poolside — Laguna S 2.1-ის მოდელის ბარათი · Laguna S 2.1-ის წარდგენა · REAP the Experts (Cerebras Research) · Intel AutoRound. არქიტექტურისა და ბენჩმარკის ციფრები გამომქვეყნებლის მიერაა მოხსენებული შეუკუმშავი გამოშვებისთვის და არა ჩვენს მიერ მოწოდებული ბილდის გაზომვები. Shannon AI-ს Shannon Lab LLC მართავს, ნიუ-მექსიკო, აშშ.