Нецензурирано Laguna API

Повеќето страници за „евтин модел“ бараат од тебе да прифатиш мал, истрошен фундамент во замена за ниска бројка. Оваа не. Laguna S 2.1 е издание на редок MoE од тековната генерација, тренирано на 4.096 H200 и испорачано за помалку од девет недели, и седи на истиот под од 0,50 / 2,00 како и секој друг влезен модел што го послужуваме. Размената е тесна и лесна за разбирање: се откажуваш од структуриран излез наметнат од серверот, а сè друго го задржуваш.

01Што е Laguna S 2.1?

Laguna S 2.1 е модел со отворени тежини објавен од Poolside на 21 јули 2026 година под попустливата лиценца OpenMDW-1.1 — членот со средна големина од семејството Laguna, меѓу Laguna XS 2.1 (33B/3B активни) и Laguna M.1 (225B/23B активни).

Објавената архитектура е рутер по избор на токен со softplus порти врз 256 рутирани експерти плус еден заеднички експерт, со десет избрани по токен, низ 48 слоја — дванаесет со глобално внимание, триесет и шест со лизгачки прозорец од 512 токени, преплетување што ја држи цената на вниманието кај многу долгите влезови близу линеарна наместо квадратна. Вниманието е групирано по прашања со 8 глави за клуч-вредност при димензија на главата 128.

Две последици се важни за корисник на API. Редата активација е причината еден модел со 118 милијарди да може да седи на подната цена — само околу 8 милијарди параметри работат по токен, па пресметката по токен е поблиску до мал густ модел отколку што сугерира бројот на параметри. А преплетувањето со лизгачки прозорец е причината долгиот прозорец да биде вистински употреблив, а не само номинален. Изданието на Poolside поддржува 1.048.576 токени; ние послужуваме 262.144, во согласност со секој друг модел на портата.

02Единственото ограничување: без структуриран излез

Што сепак работи. Повикувањето алатки е целосно поддржано, а аргументите на повиците на алатки и понатаму стигнуваат како JSON објект, точно како кај кој било друг модел овде. Ако „структурираниот излез“ на твојата апликација всушност се аргументи на алатки — што важи за повеќето агентски рамки, MCP сервери и фронтенди за бази на податоци — Laguna S 2.1 ќе те послужи добро. Стримингот работи на сите три дијалекти; reasoning_effort работи.

Што не работи. Не можеш да ѝ дадеш на крајната точка JSON шема и да ти биде загарантирано дека текстуалниот одговор на асистентот ќе се потврди спрема неа, а response_format: {"type": "json_object"} не ти носи ништо. Промптирањето за JSON обично произведува JSON — ова е компетентен модел — но „обично“ не е договор. Самиот Poolside документира неправилно екранирање на JSON кај длабоко вгнездени повици на алатки како позната ограниченост, потсетување дека гаранцијата, таму каде постои на друго место во нашата постава, доаѓа од слојот за послужување, а не од добрите намери на моделот.

Кој роднина да го користиш наместо него

Ако на твоето оптоварување му треба загарантиран JSON, не се бори со овој модел — смени го идентификаторот на моделот. Четири роднини седат на идентичната цена од 0,50 / 2,00 со целосна поддршка за json_schema и response_format:

Идентификатор на моделот	json_schema	Вид	Зошто би го избрал
MiMo-V2.5-Pro-W8A16	Да	Не	Директната замена — 8-битни тежини, ниво со највисока верност, иста цена
MiMo-V2.5-W8A16	Да	Да	Истото, плус влез со слика
Hy3-W8A16	Да	Не	Уште еден 8-битен текстуален модел по подната цена
DeepSeek-V4-Flash-0731	Да	Не	W4A16-AutoRound-REAP како Laguna, со зачувана поддршка за шема

Природниот стандард е MiMo-V2.5-Pro (W8A16): само текст, по подна цена, квантизиран на најнежното ниво што го водиме — детали има на картичката на моделот MiMo-V2.5. Бидејќи сите дванаесет модели делат крајни точки, контекстен прозорец и таван на излезот, менувањето е промена од еден ред во полето model.

03Што значи W4A16-AUTOROUND-REAP?

Наставката на идентификаторот на моделот не е украс — таа кажува точно како биле компресирани тежините пред да се вчитаат на нашиот GPU кластер. Три дела.

W4A16 — 4-битни тежини, 16-битни активации

Тежините се чуваат на 4 бита; активациите — вредностите што течат меѓу слоевите при извршување — остануваат на 16. Сечењето на тежините на четвртина од нивниот BF16 отпечаток е тоа што овозможува модел со 118 милијарди да собере и да остане брз, додека држењето на активациите широки го штити нумерички чувствителниот дел од преминот напред. Компресирај го тоа што е големо и статично, остави го на мира тоа што е мало и динамично.

AutoRound — научено заокружување, а не заокружување на најблиску

Наивниот начин за квантизација е заокружување на најблиску: секоја тежина се залепува на најблиската 4-битна вредност и грешката се прифаќа. AutoRound, отворениот алат на Intel за квантизација по тренирање, прави подобро — неговиот метод SignRound користи предзначен градиентен спуст за заеднички да ги оптимизира одлуките за заокружување и опсезите на отсекување низ стотина-двесте чекори, одлучувајќи по тежина дали заокружувањето нагоре или надолу прави помала штета врз вистинскиот излез на слојот. Ја позајмува идејата од тренирањето свесно за квантизација без цената на дотренирање, и токму затоа една W4A16 верзија може да биде сериозен модел, а не куриозитет со загуба.

REAP — поткастрување на експерти наместо нивно спојување

REAP е поткастрување на активацијата на експертите пондерирано по рутерот, објавено од Cerebras Research. Во еден MoE модел не сите експерти го влечат својот дел: рутерот праќа малку токени кон некои, а некои придонесуваат со мала големина кога и ќе се запалат. REAP го оценува секој експерт по обата сигнала — вредностите на портите на рутерот и нормите на активација на експертот — и во еден потег ги отстранува оние со ниска истакнатост, пред квантизацијата. Клучно, тој поткаструва наместо да спојува: спојувањето собира повеќе експерти во еден, уништувајќи ја ситнозрнестата контрола на рутерот зависна од влезот и внесувајќи под на грешка што никакво нагодување не го отстранува (авторите го нарекуваат колапс на функционалниот потпростор), додека поткаструвањето ги остава преживеаните и контролата на рутерот врз нив недопрени. Cerebras пријавува отстранување до 50% од експертите кај модели со трилион параметри со главно задржан почетен квалитет — кај модел за код со 480 милијарди при поткастрување од 50%, 97,6% од почетната неагентска способност за кодирање и 96,7% на агентскиот SWE-Bench. Тоа се бројки на Cerebras за нивните сопствени модели, а не мерења на нашата верзија, но токму затоа го возиме овој стек врз фундамент чијашто главна сила е кодот.

Заедно, наставката се чита како реченица: поткастри ги експертите што едвај се користеле, научи го 4-битното заокружување наместо да го погодуваш, држи ги активациите со полна ширина.

04Во што е овој модел навистина добар?

Прво чесноста: Laguna S 2.1 е модел за разговор само со текст — нема влез со слика на овој идентификатор на модел — а Poolside го изгради за агентско кодирање и работа на долга патека, а не за проза. Пост-тренирањето течело низ 409.000 средини, вклучувајќи 83.000 задачи со терминал и 168.000 софтверско-инженерски задачи, со поттикнато учење во FP8. Пријавените резултати на Poolside за неквантизираното издание:

Репер	Со размислување	Без размислување	Што мери
SWE-Bench Multilingual	78.5%	—	Вистински поправки на дефекти низ многу јазици
Terminal-Bench 2.1	70.2%	60.4%	Работа со обвивка и алатки во повеќе чекори
SWE-Bench Pro	59.4%	—	Потешки задачи во складишта, отпорни на контаминација
Toolathlon Verified	49.7%	—	Широчина на употреба на алатки низ многу API
SWE Atlas	46.2%	—	Навигација низ складишта на долга патека
DeepSWE v1.1	40.4%	16.5%	Агентско софтверско инженерство

Јазот меѓу двете колони е најупотребливата бројка тука: на DeepSWE резултатот повеќе од се удвојува кога расудувањето е вклучено, а на Terminal-Bench добива речиси десет поени.

Бројки објавени од Poolside за неквантизираното издание на Laguna S 2.1, јули 2026 година. Тие не се мерења на нашата верзија W4A16-AutoRound-REAP, а ние не објавуваме свои бројки од репери за неа. Користи reasoning_effort за да го контролираш буџетот за размислување на нашето API.

За разговорна и креативна работа чесната позиција е ваква: квалитетите зад долгите агентски извршувања — кохерентно држење многу состојба, останување на задача, отсуство на дрејф — се истите што стојат зад долгата работа со ликови, и во пракса тој добро го држи гласот низ многу долг прозорец. Ниту еден објавен репер тоа не го тврди, а ние нема да измислуваме. Тестирај го на сопствени промпти; по 0,50 долари на милион влезни токени тоа е речиси бесплатно.

05Што всушност купува подната цена?

0,50 навнатре / 2,00 нанадвор на милион токени е влезното ниво на портата Shannon AI, делено со MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro и Hy3. Конкретно:

Оптоварување	Влез	Излез	Цена
Еден круг во чет со 100K историја	100,000	2,000	$0.054
Поглавје од 5.000 зборови од долг брифинг	30,000	7,000	$0.029
1.000 кратки разговорни кругови	4,000,000	500,000	$3.00
Читање на полн контекст од 262K токени	262,144	16,384	$0.164

Последниот ред е тој што вреди да се усвои: полнењето на целиот контекстен прозорец и генерирањето на максималниот одговор од 16.384 токени чини околу шеснаесет центи. Внесувањето цел ракопис, транскрипт од сесија или сет документи во еден повик престанува да биде буџетска одлука и станува одлука за доцнење. Истата аритметика го тера и другиот случај на употреба по подна цена — обемот: масовна класификација, масовно преработување, синтетички дијалог, прв нацрт што подоцна го дотерува посилен модел. Види ја страницата со цени и истражувачкиот индекс.

06Што значи „нецензурирано“ тука

Значи токму она што го кажува: без слој за одбивање и без филтрирање на содржината врз излезот. Ниту еден класификатор не седи меѓу моделот и твојот одговор за да одлучи дали ти било дозволено да прашаш; моделот одговара во регистарот што си го побарал и не ти држи предавање за претпоставката најпрво.

За креативна работа тоа е разликата меѓу употреблива и неупотреблива алатка. Фикцијата содржи заканувачки антагонисти, ликови што убедливо лажат, насилство со последици, морално компромитирани раскажувачи — модел што излегува од ликот за да прикачи изјава за одрекување ја промашил задачата, а не успеал во безбедноста. Истото важи за безбедносното истражување, документацијата на црвените тимови, медицинското и правното составување документи и преводот каде изворот е груб: категории каде одбивањето е едноставно погрешен одговор. Она што не значи е дека расудувањето престанува да биде твое — ти остануваш одговорен за тоа што го генерираш, според нашата Политика за одговорна употреба и важечкиот закон.

07Како да го повикаш нецензурираното Laguna API

Три дијалекти, еден модел: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Стримингот работи на сите три, па постоечка интеграција се преселува со менување на основниот URL и идентификаторот на моделот — без замена на SDK, без препишување на твојата обработка на пораки.

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"
}

Неколку практични белешки:

• Не праќај response_format или json_schema кон овој идентификатор на модел — ако твојата клиентска библиотека поставува некој од нив стандардно, исклучи го или премини на роднина што го поддржува.
• Алатките одат во вообичаениот низ tools — повикувањето алатки е целосно поддржано; недостасува само наметнувањето шема врз слободниот текст.
• Буџетирај го расудувањето. reasoning_effort се почитува — ниско или исклучено го држи доцнењето во разговорот ниско, а излезните токени евтини; крени го за работа со алатки во повеќе чекори, каде јазот во реперите погоре покажува што купува.
• Таванот на излезот е 16.384 токени по барање. За генерирање со должина на книга, дели по поглавја и стримувај.
• Само текст. Нема влез со слика на овој идентификатор на модел — користи MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 или inkling за вид.

Целосна референца за параметрите, автентикација, семантика на грешките и живо игралиште: API документација.

08Кога да го избереш, а кога не

Избери го кога твојот излез е проза, дијалог или код што го чита човек; кога ти треба повикување алатки, но не и текст ограничен со шема; кога цената по токен доминира врз долгиот контекст; или кога сакаш второ мислење од лоза различна од семејствата DeepSeek, Kimi и MiMo што ја пополнуваат остатокот од поставата.

Избери нешто друго кога ти треба загарантиран JSON (MiMo-V2.5-Pro), разбирање слики (Kimi-K2.6 или MiMo-V2.5) или врвниот крај од тежината каде ценовниот јаз е неважен наспроти тоа да го погодиш одговорот (DeepSeek-V4-Pro, Kimi-K3).

09Често поставувани прашања

---

Извори: Poolside — картичка на моделот Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Бројките за архитектурата и реперите се објавени од издавачот за неквантизираното издание, а не се мерења на верзијата што ја послужуваме. Со Shannon AI управува Shannon Lab LLC, Ново Мексико, САД.