API Laguna tsy voasivana
Laguna S 2.1 — fototra Mixture-of-Experts 118B atolotra tsy misy sosona fandavana, misy varavarankely context 262K, sy fiantsoana fitaovana — amin'ny fetra ambany indrindra $0.50 miditra / $2.00 mivoaka isaky ny tapitrisa token.
Fintina
Ny API Laguna tsy voasivana dia mampandeha ny Laguna S 2.1 an'ny Poolside — 118B parametatra manontolo, ~8B mavitrika isaky ny token, lanja misokatra ambanin'ny OpenMDW-1.1 — natao quantization ho W4A16 miaraka amin'ny AutoRound sy ny REAP ary atolotra eo amin'ny vondrona GPU anay manokana. Mahazo context 262 144 token ianao, 16 384 token mivoaka isaky ny fangatahana, streaming, fiantsoana fitaovana, reasoning_effort, ary tsy misy fanivanana output. Fanamarihana iray, lazaina eto am-piandohana: ity no hany modely ao amin'ny lisitray tsy manohana na ny json_schema na ny response_format. Raha mila JSON azo antoka ianao, dia makà rahalahiny — ny build Pro an'ny MiMo-V2.5 dia manao izany amin'ny vidiny mitovy.
Ny ankamaroan'ny pejy "modely mora" dia mangataka anao hanaiky fototra kely, reraka, ho takalon'ny isa ambany. Tsy izany ity. Ny Laguna S 2.1 dia famoahana Mixture-of-Experts sparse amin'ny taranaka ankehitriny, nampiofanina tamin'ny H200 4 096 ary navoaka tao anatin'ny latsaky ny sivy herinandro, ary mipetraka eo amin'ny fetra ambany $0.50 / $2.00 mitovy amin'ny modely ambaratonga fidirana hafa rehetra atolotray izy. Tery sady mora saintsainina ny fifanakalozana: manolotra ny output voarafitra tereni'ny mpizara ianao ary mitazona ny zavatra hafa rehetra.
01Inona ny Laguna S 2.1?
Ny Laguna S 2.1 dia modely lanja misokatra navoakan'ny Poolside ny 21 Jolay 2026 ambanin'ny lisansa malalaka OpenMDW-1.1 — ilay mpikambana antonony amin'ny fianakaviana Laguna, eo anelanelan'ny Laguna XS 2.1 (33B/3B mavitrika) sy ny Laguna M.1 (225B/23B mavitrika).
Ny firafitra navoaka dia router token-choice misy vavahady softplus manerana 256 manam-pahaizana voatondro miampy iray iombonana, folo voafidy isaky ny token, manerana ny sosona 48 — roa ambin'ny folo attention manerantany, enina amby telopolo sliding-window amin'ny varavarankely 512 token, fifandimbiasana izay mitazona ny vidin'ny attention amin'ny input tena lava ho saika linear fa tsy quadratika. Grouped-query ny attention miaraka amin'ny loha key-value 8 amin'ny refin-doha 128.
Vokatra roa no manan-danja ho an'ny mpanjifa API. Ny fanetsehana sparse no antony ahafahan'ny modely 118B mipetraka eo amin'ny fetra ambany indrindra — ~8B parametatra ihany no miasa isaky ny token, ka manakaiky ny modely matevina kely kokoa ny kajy isaky ny token noho ny lazain'ny isan'ny parametatra. Ary ny fifandimbiasana sliding-window no antony maha-azo ampiasaina marina fa tsy an'anarana fotsiny ny varavarankely lava. Ny famoahan'ny Poolside dia manohana 1 048 576 token; 262 144 no atolotray, mifanaraka amin'ny modely hafa rehetra eo amin'ny vavahady.
02Ny fanamarihana tokana: tsy misy output voarafitra
Ny Laguna S 2.1 ao amin'ny Shannon AI dia tsy manaiky na ny json_schema na ny response_format. Izy no hany modely ao amin'ny lisitray misy modely roa ambin'ny folo tsy manana tohana output voarafitra; ny fandefasana na iray amin'ireo parametatra ireo dia tsy hahazoanao valiny voafehin'ny schema. Miasa ny fiantsoana fitaovana. Miasa ny streaming. Miasa ny fisainana. Ny fanamboarana ny output terenin'ny mpizara ihany no tsy misy.
Izay mbola miasa. Tohanana tanteraka ny fiantsoana fitaovana, ary mbola tonga ho zavatra JSON mitovy amin'ny modely hafa rehetra eto ny argument fiantsoana fitaovana. Raha ny "output voarafitra" ao amin'ny fampiharanao dia tena argument fitaovana — marina amin'ny ankamaroan'ny framework agent, ny mpizara MCP sy ny front-end banky angona — dia manompo tsara anao ny Laguna S 2.1. Miasa amin'ny fitenim-paritra telo ny streaming; miasa ny reasoning_effort.
Izay tsy miasa. Tsy azonao omena JSON Schema ny endpoint ary tsy azonao antoka fa hanamarina manoloana azy ny valiny an-tsoratra avy amin'ny mpanampy, ary tsy mahazo na inona na inona ianao amin'ny response_format: {"type": "json_object"}. Ny fangatahana JSON amin'ny prompt matetika mamokatra JSON — modely mahay ity — fa tsy fifanarahana ny "matetika". Ny Poolside mihitsy no manoratra ny fanafahana JSON diso amin'ny fiantsoana fitaovana miforitra lalina ho fetra fantatra, fampahatsiahivana fa ny antoka, any amin'ny toerana misy azy hafa ao amin'ny lisitray, dia avy amin'ny sosona fanolorana fa tsy amin'ny finiavan-tsoan'ny modely.
Rahalahy inona no ampiasaina hisolo azy
Raha mila JSON azo antoka ny asanao, dia aza miady amin'ity modely ity — ovay ny id-n'ny modely. Rahalahy efatra no mipetraka amin'io vidiny $0.50 / $2.00 io ihany misy tohana json_schema sy response_format feno:
| Id-n'ny modely | json_schema | Fahitana | Antony hifidiananao azy |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Eny | Tsia | Ny fanoloana mivantana — lanja 8-bit, ambaratonga misy fahatokisana ambony indrindra, vidiny mitovy |
| MiMo-V2.5-W8A16 | Eny | Eny | Torak'izany, miampy sary miditra |
| Hy3-W8A16 | Eny | Tsia | Modely lahatsoratra 8-bit hafa eo amin'ny fetra ambany |
| DeepSeek-V4-Flash-0731 | Eny | Tsia | W4A16-AutoRound-REAP toy ny Laguna, tsy simba ny tohana schema |
Ny safidy voajanahary mandeha ho azy dia ny MiMo-V2.5-Pro (W8A16): lahatsoratra ihany, eo amin'ny fetra ambany, natao quantization amin'ny ambaratonga malefaka indrindra ampandehaninay — antsipiriany ao amin'ny tari-dalana modely MiMo-V2.5. Satria mizara endpoint, varavarankely context ary valindrihan'ny output ny modely roa ambin'ny folo rehetra, dia fanovana andalana iray amin'ny saha model ny fifandimbiasana.
03Inona no dikan'ny W4A16-AUTOROUND-REAP?
Tsy haingo ny tovana eo amin'ny id-n'ny modely — milaza marina ny fomba nanerena ny lanja alohan'ny nampidirana azy tao amin'ny vondrona GPU anay izy. Ampahany telo.
W4A16 — lanja 4-bit, fanetsehana 16-bit
Tehirizina amin'ny 4 bit ny lanja; mijanona amin'ny 16 ny fanetsehana — dia ireo sanda mikoriana eo anelanelan'ny sosona amin'ny fotoanan'ny inference. Ny fanapahana ny lanja ho ampahefatry ny toerany BF16 no mahatonga ny modely 118B ho mifanaraka sy haingana, raha ny fitazonana ny fanetsehana ho midadasika kosa miaro ny ampahany saro-pady ara-isa amin'ny fandalovana mandroso. Terena izay lehibe sy raikitra, avelao izay kely sy mihetsika.
AutoRound — fanodinana nianarana, fa tsy fanodinana mankany amin'ny akaiky indrindra
Ny fomba tsotra hanaovana quantization dia ny fanodinana mankany amin'ny akaiky indrindra: apetraho amin'ny sanda 4-bit akaiky indrindra ny lanja tsirairay, ekeo ny hadisoana. Ny AutoRound, fitaovana quantization aorian'ny fiofanana misokatra an'ny Intel, dia manao tsara kokoa — ny fomba SignRound aminy dia mampiasa signed gradient descent mba hanatsarana miaraka ny fanapahan-kevitra momba ny fanodinana sy ny elanelana clipping mandritra ny dingana roanjato eo ho eo, manapa-kevitra isaky ny lanja hoe ny fiakarana sa ny fidinana no kely fahasimbana amin'ny tena output-n'ny sosona. Mindrana ny hevitry ny fiofanana mahatsapa quantization izy tsy misy ny vidin'ny fiofanana averina, ary izany no mahatonga ny build W4A16 ho modely matotra fa tsy zavatra hafahafa mamoy zavatra.
REAP — fanapahana ny manam-pahaizana fa tsy fampifangaroana azy
Ny REAP dia Router-weighted Expert Activation Pruning, navoakan'ny Cerebras Research. Ao anaty modely MoE dia tsy ny manam-pahaizana rehetra no mitondra ny anjarany: mandefa token vitsy any amin'ny sasany ny router, ary ny sasany tsy dia mandray anjara amin'ny halehibe rehefa mirehitra. Manisa ny manam-pahaizana tsirairay amin'ny famantarana roa ny REAP — ny sandan'ny vavahadin'ny router sy ny norm-n'ny fanetsehan'ny manam-pahaizana — ary manaisotra ireo saliency ambany indray mandeha, alohan'ny quantization. Ary tena manan-danja, manapaka fa tsy mampifangaro izy: ny fampifangaroana dia manangona manam-pahaizana maromaro ho iray, manimba ny fifehezana madinika miankina amin'ny input ataon'ny router ary mampiditra fetra hadisoana tsy esorin'ny fanamboarana (antsoin'ny mpanoratra hoe fianjeran'ny subspace ara-panasa), raha mamela ny tavela sy ny fifehezan'ny router azy ireo kosa ny fanapahana. Mitatitra ny Cerebras fa nesorina hatramin'ny 50% amin'ny manam-pahaizana tamin'ny modely tapitrisa arivo parametatra nefa notazonina ny kalitao fototra — tamin'ny modely coder 480B amin'ny fanapahana 50%, dia 97,6% amin'ny fahaiza-manoratra kaody tsy agentic fototra sy 96,7% amin'ny SWE-Bench agentic. Tarehimarikan'ny Cerebras ho an'ny modelin'izy ireo ireo, fa tsy fandrefesana ny build anay, saingy izy ireo no antony ampandehananay ity stack ity amin'ny fototra izay kaody no hery voalohany aminy.
Mitambatra dia vakiana ho fehezanteny ny tovana: tapaho ny manam-pahaizana saika tsy nampiasaina, ianaro ny fanodinana 4-bit fa aza vinaniana, tazomy amin'ny sakany feno ny fanetsehana.
04Inona marina no tsara amin'ity modely ity?
Fahamarinana aloha: modely resaka lahatsoratra ihany ny Laguna S 2.1 — tsy misy sary miditra amin'ity id-n'ny modely ity — ary naorin'ny Poolside ho amin'ny fanoratana kaody agentic sy asa maharitra izy, fa tsy ho amin'ny lahatsoratra kanto. Ny post-training dia nandeha tamin'ny tontolo 409 000 mahery, anisan'izany ny asa terminal 83 000 sy injeniera rindrambaiko 168 000, miaraka amin'ny fianarana miaraka amin'ny fanamafisana amin'ny FP8. Indro ny valiny notaterin'ny Poolside ho an'ny famoahana tsy voatery quantization:
| Benchmark | Misaina | Tsy misaina | Izay refesiny |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Fanitsiana bug tena izy amin'ny fiteny maro |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Asa shell sy fitaovana misy dingana maro |
| SWE-Bench Pro | 59.4% | — | Asa repository sarotra kokoa, tsy mora voaloto |
| Toolathlon Verified | 49.7% | — | Haben'ny fampiasana fitaovana manerana API maro |
| SWE Atlas | 46.2% | — | Fitetezana repository maharitra |
| DeepSWE v1.1 | 40.4% | 16.5% | Injeniera rindrambaiko agentic |
Ny elanelana eo amin'ny tsanganana roa no isa azo ampiharina indrindra eto: amin'ny DeepSWE dia mihoatra ny avo roa heny ny naoty rehefa velomina ny fisainana, ary amin'ny Terminal-Bench dia mahazo teboka folo eo ho eo izy.
Tarehimarika notaterin'ny Poolside ho an'ny famoahana Laguna S 2.1 tsy voatery quantization, Jolay 2026. Tsy fandrefesana ny build W4A16-AutoRound-REAP anay izy ireo, ary tsy mamoaka tarehimarika benchmark manokana ho azy izahay. Ampiasao ny reasoning_effort hifehezana ny teti-bola fisainana eo amin'ny API-nay.
Ho an'ny asa resaka sy kanto dia ity ny toerana marina: ny toetra ao ambadiky ny fandehanana agentic lava — ny fitazonana fanjakana be mirindra, ny fijanonana amin'ny asa, ny tsy fivilana — dia ireo ihany no ao ambadiky ny asa toetra lava, ary amin'ny fampiharana dia mitazona feo tsara manerana varavarankely tena lava izy. Tsy misy benchmark navoaka milaza izany, ary tsy hamorona iray izahay. Sedrao amin'ny prompt-nao manokana izy; amin'ny $0.50 isaky ny tapitrisa token miditra dia saika maimaim-poana izany.
05Inona marina no vidin'ny fetra ambany indrindra?
Ny $0.50 miditra / $2.00 mivoaka isaky ny tapitrisa token no ambaratonga fidirana eo amin'ny Vavahady Shannon AI, izarana amin'ny MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro ary Hy3. Mazava tsara:
| Asa | Miditra | Mivoaka | Vidiny |
|---|---|---|---|
| Fihodinan-dresaka iray misy tantara 100K | 100,000 | 2,000 | $0.054 |
| Toko 5 000 teny avy amin'ny famintinana lava | 30,000 | 7,000 | $0.029 |
| Fihodinan-dresaka fohy 1 000 | 4,000,000 | 500,000 | $3.00 |
| Famakiana context 262K feno | 262,144 | 16,384 | $0.164 |
Ny andalana farany no tokony hotadidina: ny fanenoana ny varavarankely context manontolo sy ny famokarana ny valiny 16 384 token ambony indrindra dia mitentina enina ambin'ny folo sentimo eo ho eo. Ny fanomezana sora-tanana manontolo, transcript fivoriana, na andiana antontan-taratasy ao anaty fiantsoana tokana dia tsy fanapahan-kevitra momba ny teti-bola intsony fa fanapahan-kevitra momba ny hafainganana. Io kajy io ihany no mitarika ny toe-javatra fampiasana hafa amin'ny fetra ambany — ny habetsahana: fanasokajiana an-tsokosoko, fanoratana indray be dia be, resaka synthetic, fanoratana voalohany ho fehezin'ny modely matanjaka kokoa aoriana. Jereo ny pejin'ny vidiny sy ny lisitry ny fikarohana.
06Ny dikan'ny "tsy voasivana" eto
Midika izay lazainy izy: tsy misy sosona fandavana ary tsy misy fanivanana votoaty amin'ny output. Tsy misy classifier mipetraka eo anelanelan'ny modely sy ny valinao manapa-kevitra hoe navela hanontany ve ianao; mamaly amin'ny endrika nangatahinao ny modely ary tsy manao lahateny aminao momba ny fototra aloha.
Ho an'ny asa kanto dia izany no elanelana eo amin'ny fitaovana azo ampiasaina sy tsy azo ampiasaina. Ny tantara foronina dia misy mpanohitra mampatahotra, olona mandainga amim-pahaizana, herisetra misy vokany, mpitantara voaloto ara-moraly — ny modely mivoaka amin'ny toetra mba hanampy fanambarana fiarovan-tena dia tsy nahavita ny asa, fa tsy nahomby amin'ny fiarovana. Torak'izany koa ny fikarohana momba ny fiarovana, ny fanoratana red-team, ny fanoratana ara-pitsaboana sy ara-dalàna, ary ny fandikan-teny izay mahitsy ny loharano: sokajy izay valiny diso fotsiny ny fandavana. Izay tsy tiany lazaina dia hoe tsy anao intsony ny fitsarana — mijanona ho tompon'andraikitra amin'izay vokarinao ianao, eo ambanin'ny politikam-pampiasana tomponandraikitra anay sy ny lalàna mihatra.
07Ny fomba hiantsoana ny API Laguna tsy voasivana
Fitenim-paritra telo, modely iray: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Miasa amin'izy telo ny streaming, ka mifindra ny fampidirana efa misy amin'ny fanovana ny URL fototra sy ny id-n'ny modely — tsy misy fanovana SDK, tsy misy fanoratana indray ny fikarakaranao hafatra.
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"
}
Fanamarihana azo ampiharina vitsivitsy:
- Aza mandefa
response_formatnajson_schemaamin'ity id-n'ny modely ity — raha mametraka iray mandeha ho azy ny tranomboky mpanjifanao, dia esory izany na mifindrà amin'ny rahalahy manohana azy. - Ao anatin'ny lisitra
toolsmahazatra ny fitaovana — tohanana tanteraka ny fiantsoana fitaovana; ny fanerena schema amin'ny lahatsoratra malalaka ihany no tsy misy. - Kajio ny fisainanao. Hajaina ny
reasoning_effort— ny ambany na ny vonoina dia mitazona ny hafainganan'ny resaka sy ny token mivoaka ho mora; akaro izy ho an'ny asa fitaovana misy dingana maro, izay ampisehoan'ny elanelana benchmark etsy ambony ny vidiny. - 16 384 token isaky ny fangatahana ny valindrihan'ny output. Ho an'ny famokarana lava toy ny boky, zarao isan-toko ary alefaso amin'ny streaming.
- Lahatsoratra ihany. Tsy misy sary miditra amin'ity id-n'ny modely ity — ampiasao ny MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 na inkling ho an'ny fahitana.
Ny fanovozan-kevitra feno momba ny parametatra, ny fanamarinana, ny semantikan'ny hadisoana ary ny playground velona: antontan-taratasin'ny API.
08Rahoviana no fidina izy, ary rahoviana no tsia
Fidio izy rehefa lahatsoratra, resaka na kaody vakin'olombelona ny output-nao; mila fiantsoana fitaovana ianao fa tsy lahatsoratra voafehin'ny schema; manjaka ny vidiny isaky ny token manoloana ny context lava; na tianao ny hevitra faharoa avy amin'ny firazanana hafa noho ny fianakaviana DeepSeek, Kimi ary MiMo mameno ny lisitra sisa.
Mifidiana zavatra hafa rehefa mila JSON azo antoka ianao (MiMo-V2.5-Pro), fahazoana sary (Kimi-K2.6 na MiMo-V2.5), na ny farany ambony amin'ny hasarotana izay tsy misy dikany ny elanelam-bidy manoloana ny fahazoana ny valiny marina (DeepSeek-V4-Pro, Kimi-K3).
json_schema sy ny response_format. Vakio ny tari-dalana modely MiMo-V2.5, na jereo ny roa ambin'ny folo rehetra ao amin'ny lisitry ny fikarohana.
Ny fitakiana rehetra momba ny firafitra sy ny benchmark eto dia avy amin'ny mpamoaka ny modely na ny mpanoratra ny fomba fanerena. Hamarino ho anao izy ireo.
09Fanontaniana apetraka matetika
Inona no atao hoe API Laguna tsy voasivana?
Ny Laguna S 2.1 lanja misokatra an'ny Poolside izy io — 118 miliara parametatra, 8 miliara eo ho eo mavitrika isaky ny token — atolotra eo amin'ny vondrona GPU an'ny Shannon manokana tsy misy sosona fandavana ary tsy misy fanivanana output. Ny id-n'ny modely dia Laguna-S-2.1-W4A16-AUTOROUND-REAP, 262 144 token ny varavarankely context, ary mitentina $0.50 isaky ny tapitrisa miditra sy $2.00 isaky ny tapitrisa token mivoaka izy.
Manohana json_schema na response_format ao amin'ny Shannon AI ve ny Laguna S 2.1?
Tsia. Izy no hany modely ao amin'ny lisitra Shannon tsy manaiky na iray amin'izy ireo. Miasa ara-dalàna ny fiantsoana fitaovana sy ny streaming ary mbola tonga ho JSON ny argument fiantsoana fitaovana, saingy tsy misy schema terenin'ny mpizara amin'ny output an-tsoratry ny mpanampy. Ho an'ny JSON azo antoka amin'io vidiny $0.50 / $2.00 io ihany, ampiasao ny MiMo-V2.5-Pro (W8A16).
Inona no dikan'ny W4A16-AUTOROUND-REAP?
Ny W4A16 dia midika fa tehirizina amin'ny 4 bit ny lanja raha mijanona amin'ny 16 bit kosa ny fanetsehana. Ny AutoRound dia fomba quantization aorian'ny fiofanana an'ny Intel, izay mampiasa signed gradient descent hianarana ny fanapahan-kevitra momba ny fanodinana sy ny clipping fa tsy manodina mankany amin'ny akaiky indrindra. Ny REAP dia Router-weighted Expert Activation Pruning an'ny Cerebras Research, izay manaisotra ny manam-pahaizana tondroina tsy matetika sy malemy amin'ny modely Mixture-of-Experts alohan'ny quantization fa tsy mampifangaro azy ireo.
Mety amin'ny fanoratana kanto sy ny resaka ve ny Laguna S 2.1?
Modely resaka lahatsoratra ihany izy — tsy misy sary miditra — ary mitazona lahatsoratra lava, mirindra, mijanona amin'ny toetra manerana varavarankely 262K tsy misy sosona fandavana manelingelina. Ny firaketana benchmark navoakan'ny Poolside dia amin'ny fanoratana kaody agentic, fa tsy amin'ny lahatsoratra kanto, ka sedrao amin'ny prompt-nao manokana ny kalitao kanto fa aza matoky lisitra laharana.
Ohatrinona ny vidin'ny API Laguna tsy voasivana?
$0.50 isaky ny tapitrisa token miditra sy $2.00 isaky ny tapitrisa token mivoaka — ny fetra ambany indrindra eo amin'ny Vavahady Shannon AI, izarana amin'ny MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro ary Hy3. Ny resaka 100 000 token izay mamokatra valiny 2 000 token dia mitentina 5,4 sentimo eo ho eo.
Andramo ny API Laguna tsy voasivana
MoE 118B · context 262K · fitaovana sy streaming · $0.50 / $2.00 isaky ny 1M token.
Vakio ny antontan-taratasin'ny API Manombòha miresakaTsy misy sosona fandavana · tsy misy fanivanana output · ny fitsaranao, ny andraikitrao
Loharano: Poolside — karatra modely Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Ny tarehimarika momba ny firafitra sy ny benchmark dia notaterin'ny mpamoaka ho an'ny famoahana tsy voatery quantization, fa tsy fandrefesana ny build atolotray. Tantanin'ny Shannon Lab LLC, New Mexico, Etazonia, ny Shannon AI.