API ya Laguna a Bê Sansûr
Laguna S 2.1 — bingehekê Mixture-of-Experts a 118B ku bi tu tebeqeya redkirinê, pencereyeke context a 262K, û bangkirina amûran tê xizmet kirin — li bihayê erdê yê $0.50 têketin / $2.00 derketin ji bo her mîlyon tokenan.
TL;DR
API ya Laguna a bê sansûr Laguna S 2.1 ya Poolside dimeşîne — 118B parametreyên giştî, ~8B aktîv ji bo her tokenekê, giraniyên vekirî di bin OpenMDW-1.1 de — ku bo W4A16 bi AutoRound û REAP hatiye quantize kirin û li ser koma GPU ya me bi xwe tê xizmet kirin. Tu contexteke 262,144-tokenî, 16,384 tokenên derketinê ji bo her daxwazekê, streaming, bangkirina amûran, reasoning_effort, û tu fîltrekirina derketinê werdigirî. Hişyariyek, ku ji pêş ve tê gotin: ev modela tenê ya di rêza me de ye ku ne piştgiriya json_schema ne jî ya response_format dike. Heke tu JSONa garantîkirî hewce dikî, xwişkekê bigire — avakirina Pro ya MiMo-V2.5 wê li heman bihayî dike.
Piraniya rûpelên «modela erzan» ji te dixwazin ku tu bingehekê biçûk û westiyayî li hember jimareke nizm qebûl bikî. Ev yek naxwaze. Laguna S 2.1 berdaneke Mixture-of-Experts a seyrek a nifşê heyî ye, ku li ser 4,096 H200an hatiye perwerdekirin û di kêmtirî neh hefteyan de hatiye şandin, û ew li heman erdê $0.50 / $2.00 rûdine wek her modeleke din a asta destpêkê ku em xizmet dikin. Bazar teng e û bi hêsanî tê fêmkirin: tu derketina strukturkirî ya ku ji aliyê serverê ve tê ferzkirin berdidî û her tiştê din digirî.
01Laguna S 2.1 çi ye?
Laguna S 2.1 modeleke bi giraniyên vekirî ye ku ji aliyê Poolside ve di 21ê Tîrmeha 2026 de di bin lîsansa nermik a OpenMDW-1.1 de hat berdan — endamê navîn ê malbata Laguna, di navbera Laguna XS 2.1 (33B/3B aktîv) û Laguna M.1 (225B/23B aktîv) de.
Mîmariya weşandî routerekî token-bijartinê ye bi dergehkirina softplus li ser 256 pisporên rêkirî plus pisporekî hevpar, deh ji bo her tokenekê hilbijartî, li seranserê 48 tebeqeyan — diwazdeh bi bala giştî, sî û şeş bi pencereya şemitok li pencereyeke 512-tokenî, ku ev hûnandinek e ku lêçûna balê ya têketinên pir dirêj nêzî xêzî digire li şûna quadratîk. Bal grouped-query ye bi 8 serên bişkoj-nirxê li dimensiyona serî ya 128.
Du encam ji bo bikarhênerekî API girîng in. Aktîvasyona seyrek sedem e ku modeleke 118B dikare li bihayê erdê rûne — tenê ~8B parametre li ser her tokenekê dixebitin, loma hesabê her tokenekê ji ya ku hejmara parametreyan îma dike bêtir nêzî modeleke biçûk a dagirtî ye. Û hûnandina pencereya şemitok sedem e ku pencereya dirêj bi rastî bikêrhatî ye ne tenê bi navê xwe. Berdana Poolside piştgiriya 1,048,576 tokenan dike; em 262,144 xizmet dikin, ku bi her modeleke din a li ser dergehê re li hev tê.
02Hişyariya yekane: tu derketina strukturkirî
Laguna S 2.1 li ser Shannon AI ne json_schema ne jî response_format qebûl dike. Ew modela tenê ya di rêza me ya diwazdeh-modelî de ye bêyî piştgiriya derketina strukturkirî; şandina her yekê ji van parametreyan dê ji te re bersiveke bi şemayê sînordar neyne. Bangkirina amûran dixebite. Streaming dixebite. Ramîn dixebite. Tenê şeklkirina derketinê ya ku ji aliyê serverê ve tê ferzkirin tune.
Çi hîn jî dixebite. Bangkirina amûran bi tevahî tê piştgirî kirin, û argumanên bangkirina amûran hîn jî wek objeyeke JSON tam wek li ser her modeleke din a li vir tên. Heke «derketina strukturkirî» ya sepana te bi rastî argumanên amûran be — ku ev ji bo piraniya çarçoveyên ajanan, serverên MCP û navrûyên danegehan rast e — Laguna S 2.1 ji te re baş xizmetê dike. Streaming li ser her sê zaravayan dixebite; reasoning_effort dixebite.
Çi naxebite. Tu nikarî Şemayeke JSON bidî endpointî û garantî bikî ku bersiva nivîsê ya alîkarî li hember wê verîfîye dibe, û response_format: {"type": "json_object"} ji te re tu tiştî nakire. Xwestina JSONê bi promptê bi gelemperî JSONê çêdike — ev modeleke jêhatî ye — lê «bi gelemperî» ne peyman e. Poolside bi xwe escapekirina JSON ya xelet a di bangkirinên amûran ên bi kûrahî hêlînkirî de wek sînoreke naskirî belge dike, ku ev tîne bîra me ku ew garantî, li cihê ku li derên din ên rêza me heye, ji tebeqeya xizmetkirinê tê ne ji niyetên baş ên modelê.
Li şûna wê kîjan xwişk were bikaranîn
Heke karê te JSONa garantîkirî hewce dike, bi vê modelê re şer neke — nasnameya modelê biguherîne. Çar xwişk li heman bihayê $0.50 / $2.00 bi piştgiriya tam a json_schema û response_format rûdinin:
| Nasnameya modelê | json_schema | Dîtin | Çima tu wê hildibijêrî |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Erê | Na | Guhertina rasterast — giraniyên 8-bit, asta bi wefadariya herî bilind, heman biha |
| MiMo-V2.5-W8A16 | Erê | Erê | Heman tişt, plus têketina wêneyan |
| Hy3-W8A16 | Erê | Na | Modeleke nivîsê ya din a 8-bit li bihayê erdê |
| DeepSeek-V4-Flash-0731 | Erê | Na | W4A16-AutoRound-REAP wek Laguna, piştgiriya şemayê sax e |
Vebijarka standard a xwezayî MiMo-V2.5-Pro (W8A16) ye: tenê nivîs, li bihayê erdê, ku li asta herî nerm a ku em dimeşînin hatiye quantize kirin — hûrgil li ser karta modelê ya MiMo-V2.5. Ji ber ku hemû diwazdeh model endpoint, pencereya contextê û tavana derketinê parve dikin, guhertin guhertineke yek-rêzî ya qada model e.
03W4A16-AUTOROUND-REAP çi tê wateyê?
Paşgira li ser nasnameya modelê ne xemilandin e — ew tam dibêje ka giranî çawa berî ku li ser koma GPU ya me bên barkirin hatine pêçandin. Sê beş.
W4A16 — giraniyên 4-bit, aktîvasyonên 16-bit
Giranî bi 4 bitan tên hilanîn; aktîvasyon — ew nirxên ku di dema inferansê de di navbera tebeqeyan de diherikin — li 16an dimînin. Birrîna giraniyan bo çaryeka şopa wan a BF16 ew tişt e ku modeleke 118B dike ku cih bigire û bilez bimîne, dema ku fireh hiştina aktîvasyonan wê beşa derbasa pêş a ku ji aliyê hejmarî ve hesas e diparêze. Tiştê ku mezin û statîk e bipêçe, tiştê ku biçûk û dînamîk e bihêle.
AutoRound — gilorkirina fêrbûyî, ne gilorkirina ber bi ya nêzîk
Riya sade ya quantizekirinê gilorkirina ber bi ya nêzîk e: her giraniyekê bo nirxa 4-bit a herî nêzîk biguhezîne, çewtiyê qebûl bike. AutoRound, amûrkoma quantizasyona piştî-perwerdehiyê ya vekirî ya Intelê, çêtir dike — rêbaza wê ya SignRound daketina gradyana bi îmze bikar tîne da ku biryarên gilorkirinê û rêzikên birrînê bi hev re li ser çend sed gavan optîmîze bike, û ji bo her giraniyekê biryar dide ka gilorkirina jor an jêr kêmtir zirarê dide derketina rastîn a tebeqeyê. Ew fikrê ji perwerdehiya ji quantizasyonê haydar deyn digire bêyî lêçûna ji nû ve perwerdekirinê, û ew sedem e ku avakirineke W4A16 dikare modeleke cidî be ne meraqeke bi windahî.
REAP — birrîna pisporan li şûna tevlihevkirina wan
REAP Router-weighted Expert Activation Pruning e, ku ji aliyê Cerebras Research ve hatiye weşandin. Di modeleke MoE de ne hemû pispor giraniya xwe dikişînin: router çend tokenan bo hinekan dişîne, û hinek gava dişewitin jî mezinahiyeke kêm beşdar dikin. REAP her pisporekî li ser her du nîşanan dinirxîne — nirxên dergehê routerê û normên aktîvasyona pisporî — û yên bi berbiçavbûna nizm bi gavekê, berî quantizasyonê, radike. Bi taybetî ew dibirre ne ku tevlihev dike: tevlihevkirin çend pisporan di yekê de dipêçe, kontrola hûrgilî û bi têketinê ve girêdayî ya routerê hilweşîne û erdekî çewtiyê tîne ku tu eyarkirin wê ranake (nivîskar jê re dibêjin hilweşîna binfezaya fonksiyonel), dema ku birrîn yên ku dimînin û kontrola routerê ya li ser wan sax dihêle. Cerebras ragihîne ku heta 50% ya pisporan ji modelên trîlyon-parametreyî tên rakirin dema ku kalîteya bingehîn bi giranî tê parastin — li ser modeleke koderê ya 480B li 50% birrînê, 97.6% ya kapasîteya kodkirinê ya ne-ajanî ya bingehîn û 96.7% li ser SWE-Bench ya ajanî. Ev jimarên Cerebras ji bo modelên wan bi xwe ne, ne pîvandinên avakirina me, lê ew sedem in ku em vê stûnê li ser bingehekê dimeşînin ku hêza wê ya sereke kod e.
Bi hev re paşgir wek hevokekê tê xwendin: wan pisporên ku bi zorê hatine bikaranîn bibirre, gilorkirina 4-bit fêr bibe ne ku wê texmîn bike, aktîvasyonan li firehiya tam bihêle.
04Ev model bi rastî di çi de baş e?
Pêşî dilsozî: Laguna S 2.1 modeleke axaftinê ya tenê-nivîs e — li ser vê nasnameya modelê tu têketina dîtinê tune — û Poolside ew ji bo kodkirina ajanî û karê dûr-dîtinî ava kir, ne ji bo nivîsê. Piştî-perwerdehî li ser zêdetirî 409,000 hawîrdoran meşiya, ligel 83,000 karên terminalê û 168,000 karên endezyariya nermalavê, bi fêrbûna bihêzkirinê ya di FP8 de. Encamên ragihandî yên Poolside ji bo berdana nequantizekirî:
| Benchmark | Bi hizirkirin | Bêyî hizirkirin | Ew çi dipîve |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Rastkirinên kêmasiyên rastîn li seranserê gelek zimanan |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Karê shell û amûran ê pir-gavî |
| SWE-Bench Pro | 59.4% | — | Karên repoyê yên dijwartir û li hember pîskirinê bergirîdar |
| Toolathlon Verified | 49.7% | — | Firehiya bikaranîna amûran li seranserê gelek API yan |
| SWE Atlas | 46.2% | — | Gerîna di repozîtoryan de ya dûr-dîtinî |
| DeepSWE v1.1 | 40.4% | 16.5% | Endezyariya nermalavê ya ajanî |
Valahiya di navbera her du stûnan de jimara herî bikêrhatî ya li vir e: li ser DeepSWE nirx gava ramîn tê vekirin ji du caran zêdetir dibe, û li ser Terminal-Bench ew nêzî deh xalan qezenc dike.
Jimarên ji aliyê Poolside ve hatine ragihandin ji bo berdana nequantizekirî ya Laguna S 2.1, Tîrmeha 2026. Ew ne pîvandinên avakirina me ya W4A16-AutoRound-REAP in, û em ji bo wê tu jimarên benchmarkê yên xwe naweşînin. reasoning_effort bikar bîne da ku budceya hizirkirinê li ser API ya me kontrol bikî.
Ji bo karê axaftinê û afirîner helwesta dilsoz ev e: ew taybetmendiyên li piştî meşandinên ajanî yên dirêj — girtina rewşeke mezin bi awayekî hevgirtî, li ser karî man, neşemitîn — heman yên li piştî karê karakteran ê dirêj in, û di pratîkê de ew dengî li seranserê pencereyeke pir dirêj baş digire. Tu benchmarkeke weşandî wisa nabêje, û em ê yekê nehûnin. Wê li ser promptên xwe test bike; li $0.50 ji bo her mîlyon tokenên têketinê ew hema hema belaş e.
05Bihayê erdê bi rastî çi dikire?
$0.50 têketin / $2.00 derketin ji bo her mîlyon tokenan asta destpêkê ya li ser Dergehê Shannon AI ye, ku bi MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro û Hy3 re tê parvekirin. Bi awayekî berbiçav:
| Kar | Têketin | Derketin | Lêçûn |
|---|---|---|---|
| Dorekî axaftinê bi 100K dîrokê | 100,000 | 2,000 | $0.054 |
| Beşeke 5,000-peyvî ji kurteyeke dirêj | 30,000 | 7,000 | $0.029 |
| 1,000 dorên axaftinê yên kurt | 4,000,000 | 500,000 | $3.00 |
| Xwendineke contexta tam a 262K-tokenî | 262,144 | 16,384 | $0.164 |
Rêza dawî ew e ku divê were hundirînkirin: tijîkirina tevahiya pencereya contextê û çêkirina bersiva herî zêde ya 16,384-tokenî bi qasî şazdeh sentan dike. Şandina destnivîseke tam, transkrîpteke danişînê, an komeke belgeyan di yek bangekê de êdî ne biryareke budceyê ye û dibe biryareke derengmayînê. Heman aritmetîk doza bikaranînê ya din a bihayê erdê dimeşîne — hejmara mezin: klasîfîkasyona komî, jinûvenivîsandina komî, diyaloga sentetîk, pêşnûmekirina derbasa yekem ku modeleke bihêztir paşê dirêj dike. Li rûpela bihayan û indeksa lêkolînê binêre.
06«Bê sansûr» li vir çi tê wateyê
Ew tê wateya tiştê ku dibêje: tu tebeqeya redkirinê û tu fîltrekirina naverokê li ser derketinê. Tu klasîfîker di navbera modelê û bersiva te de rûnane ku biryar bide ka destûra te hebû ku bipirsî; model bi wî awazê ku te xwestiye bersivê dide û pêşî li ser bingehê waizê li te nake.
Ji bo karê afirîner ev cudahiya di navbera amûrekî bikêrhatî û yekî nebikêrhatî de ye. Çîrok dijberên tirsnak, karakterên ku bi baweriyê derewan dikin, tundûtûjiya bi encaman, vebêjerên bi exlaqî bêketî di xwe de digire — modeleke ku karakterê dişkîne da ku daxuyaniyekê lê zêde bike di karî de têk çûye, ne ku di ewlehiyê de serketiye. Heman tişt ji bo lêkolîna ewlehiyê, belgekirina red-teamê, pêşnûmekirina bijîşkî û hiqûqî, û wergerandina ku tê de çavkanî eşkere ye derbas dibe: kategoriyên ku tê de redkirin bi sadeyî bersiveke xelet e. Tiştê ku ew nayê wateya wê ev e ku dîtin êdî ne ya te ye — tu ji bo tiştê ku tu diafirînî berpirsiyar dimînî, di bin Polîtîkaya Bikaranîna Berpirsiyar a me û qanûna têkildar de.
07Bangkirina API ya Laguna a bê sansûr çawa tê kirin
Sê zarava, yek model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Streaming li ser her sêyan dixebite, loma entegrasyoneke heyî bi guhertina URLeke bingehîn û nasnameya modelê diçe — tu guhertina SDKyê, tu ji nû ve nivîsandina birêvebirina peyamên te.
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"
}
Çend notên pratîk:
response_formatanjson_schemabo vê nasnameya modelê neşîne — heke pirtûkxaneya clientê te yekê wek standard saz dike, wê rake an bo xwişkekê biçe ku piştgiriya wê dike.- Amûr di rêzeya
toolsya asayî de diçin — bangkirina amûran bi tevahî tê piştgirî kirin; tenê ferzkirina şemayê li ser nivîsa azad nayê piştgirî kirin. - Ramîna xwe budce bike.
reasoning_efforttê rêzgirtin — nizm an girtî derengmayîna axaftinê nizm û tokenên derketinê erzan digire; wê ji bo karê amûran ê pir-gavî bilind bike, li cihê ku valahiya benchmarkê ya jorîn nîşan dide ka ew çi dikire. - Tavana derketinê 16,384 token ji bo her daxwazekê ye. Ji bo çêkirina bi dirêjahiya pirtûkê, wê li beşan dabeş bike û stream bike.
- Tenê nivîs. Li ser vê nasnameya modelê tu têketina wêneyan tune — ji bo dîtinê MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 an inkling bikar bîne.
Referansa parametreyan a tam, erkdayîn, semantîka çewtiyan û playgroundeke zindî: belgekirina API.
08Kengî bê hilbijartin, û kengî neyê hilbijartin
Wê hilbijêre gava derketina te nivîs, diyalog an kod e ku ji aliyê mirovekî ve tê xwendin; tu bangkirina amûran hewce dikî lê ne nivîsa bi şemayê sînordar; lêçûna her tokenekê li ser contexta dirêj serdest e; an tu ramaneke duyem ji rêzeke ji bilî malbatên DeepSeek, Kimi û MiMo yên ku mayîna rêzê tijî dikin dixwazî.
Tiştekî din hilbijêre gava tu JSONa garantîkirî hewce dikî (MiMo-V2.5-Pro), têgihiştina wêneyan (Kimi-K2.6 an MiMo-V2.5), an serê sînor ê dijwariyê ku tê de valahiya bihayê li hember bersiva rast bêwate ye (DeepSeek-V4-Pro, Kimi-K3).
json_schema hem response_format. Karta modelê ya MiMo-V2.5 bixwîne, an li hemû diwazdehan di indeksa lêkolînê de bigere.
Her îdiayeke mîmarî û benchmarkê ya li vir ji weşangerê modelê an ji nivîskarên rêbazên pêçandinê tê. Wan bi xwe kontrol bike.
09Pirsên ku pir tên kirin
API ya Laguna a bê sansûr çi ye?
Ew Laguna S 2.1 ya Poolside e bi giraniyên vekirî — 118 mîlyar parametre, bi qasî 8 mîlyar aktîv ji bo her tokenekê — ku li ser koma GPU ya Shannon bi xwe bêyî tebeqeyeke redkirinê û bêyî fîltrekirina derketinê tê xizmet kirin. Nasnameya modelê Laguna-S-2.1-W4A16-AUTOROUND-REAP e, pencereya contextê 262,144 token e, û ew $0.50 ji bo her mîlyon tokenên têketinê û $2.00 ji bo her mîlyon tokenên derketinê dike.
Ma Laguna S 2.1 li ser Shannon AI piştgiriya json_schema an response_format dike?
Na. Ew modela tenê ya di rêza Shannon de ye ku ne yekê qebûl dike. Bangkirina amûran û streaming bi awayê asayî dixebitin û argumanên bangkirina amûran hîn jî wek JSON tên, lê li ser derketina nivîsê ya alîkarî tu şemaya ku ji aliyê serverê ve tê ferzkirin tune. Ji bo JSONa garantîkirî li heman bihayê $0.50 / $2.00, MiMo-V2.5-Pro (W8A16) bikar bîne.
W4A16-AUTOROUND-REAP çi tê wateyê?
W4A16 tê wateya ku giranî bi 4 bitan tên hilanîn dema ku aktîvasyon li 16 bitan dimînin. AutoRound rêbaza quantizasyona piştî-perwerdehiyê ya Intelê ye, ku daketina gradyana bi îmze bikar tîne da ku biryarên gilorkirinê û birrînê fêr bibe li şûna gilorkirina ber bi ya nêzîk. REAP Router-weighted Expert Activation Pruning a Cerebras Research e, ku wan pisporan ji modeleke Mixture-of-Experts berî quantizasyonê davêje ku kêm û qels tên rêkirin, li şûna ku wan tevlihev bike.
Ma Laguna S 2.1 ji bo nivîsandina afirîner û axaftinê baş e?
Ew modeleke axaftinê ya tenê-nivîs e — tu têketina dîtinê tune — û ew nivîseke dirêj, hevgirtî û di karakterê de li seranserê pencereyeke 262K digire bêyî tebeqeyeke redkirinê di rê de. Tomara benchmarkê ya weşandî ya Poolside di kodkirina ajanî de ye, ne di nivîsê de, loma kalîteya afirîner li ser promptên xwe test bike li şûna ku bi lîsteyekê bawer bikî.
API ya Laguna a bê sansûr çiqas dike?
$0.50 ji bo her mîlyon tokenên têketinê û $2.00 ji bo her mîlyon tokenên derketinê — bihayê erdê li ser Dergehê Shannon AI, ku bi MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro û Hy3 re tê parvekirin. Axaftineke 100,000-tokenî ku 2,000 tokenên bersivê çêdike bi qasî 5.4 sentan dike.
API ya Laguna a bê sansûr biceribîne
MoEya 118B · contexta 262K · amûr û streaming · $0.50 / $2.00 ji bo her 1M tokenan.
Belgekirina API Bixwîne Dest bi Axaftinê BikeTu tebeqeya redkirinê · tu fîltrekirina derketinê · dîtina te, berpirsiyariya te
Çavkanî: Poolside — karta modelê ya Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Jimarên mîmarî û benchmarkê ji aliyê weşanger ve ji bo berdana nequantizekirî hatine ragihandin, ne pîvandinên wê avakirinê ne ku em xizmet dikin. Shannon AI ji aliyê Shannon Lab LLC, New Mexico, DYA ve tê xebitandin.