Цензургүй Laguna API

Ихэнх «хямд загварын» хуудсууд танаас бага тооны хариуд жижиг, ядарсан суурь загварыг хүлээж авахыг хүсдэг. Энэ бол тийм биш. Laguna S 2.1 бол одоогийн үеийн сийрэг Mixture-of-Experts гаралт бөгөөд 4,096 H200 дээр сургагдаж, есөн долоо хоногийн дотор гаргасан бөгөөд бидний үйлчилдэг бусад бүх эхлэлийн түвшний загварын адил $0.50 / $2.00 доод үнэн дээр байрладаг. Солилцоо нь нарийхан бөгөөд ойлгоход амархан: та серверээр баталгаажсан бүтэцтэй гаралтаас татгалзаж, бусад бүхнийг хадгална.

01Laguna S 2.1 гэж юу вэ?

Laguna S 2.1 бол Poolside-аас 2026 оны 7 сарын 21-нд зөвшөөрөмтгий OpenMDW-1.1 лицензээр гаргасан нээлттэй жинтэй загвар — Laguna XS 2.1 (33B/3B идэвхтэй) ба Laguna M.1 (225B/23B идэвхтэй) хоёрын хооронд байрлах Laguna гэр бүлийн дунд хэмжээний гишүүн юм.

Нийтлэгдсэн архитектур нь 256 чиглүүлсэн мэргэжилтэн дээр нэмээд нэг хуваалцсан мэргэжилтэн дээгүүр softplus хаалгатай токен-сонголтын чиглүүлэгч бөгөөд токен тутамд арваныг нь 48 давхарт сонгодог — арван хоёр нь глобал анхаарал, гучин зургаа нь 512 токены цонхтой гүйдэг цонх бөгөөд энэхүү сэлгэлт нь маш урт оролтын анхаарлын зардлыг квадрат биш шугаман орчим байлгадаг. Анхаарал нь толгойн хэмжээ 128 дээр 8 түлхүүр-утгын толгойтой бүлэглэсэн хайлтынх юм.

API хэрэглэгчид хоёр үр дагавар чухал. Сийрэг идэвхжилт нь 118B загварыг доод үнэн дээр байрлуулж чаддаг шалтгаан — токен тутамд ердөө ~8B параметр ажилладаг тул токен тутмын тооцоолол нь параметрийн тоо санагдуулж байгаагаас илүү жижиг нягт загварт ойр байдаг. Мөн гүйдэг цонхны сэлгэлт нь урт цонхыг нэрийн төдий биш, үнэхээр ашиглах боломжтой болгодог шалтгаан юм. Poolside-ын гаралт 1,048,576 токен дэмждэг; бид 262,144-ийг үйлчилдэг бөгөөд энэ нь gateway дээрх бусад бүх загвартай таарч байна.

02Ганц тайлбар: бүтэцтэй гаралт байхгүй

Юу ажилласаар байгаа вэ. Хэрэгсэл дуудалт бүрэн дэмжигддэг бөгөөд хэрэгслийн дуудлагын аргументууд эндхийн бусад загварын адил яг л JSON объект хэлбэрээр ирдэг. Хэрэв таны програмын «бүтэцтэй гаралт» үнэндээ хэрэгслийн аргументууд бол — ихэнх агентийн фрэймворк, MCP сервер, өгөгдлийн сангийн интерфейсийн хувьд ийм байдаг — Laguna S 2.1 танд сайн үйлчилнэ. Стриминг гурван аялгуу дээр бүгд ажиллана; reasoning_effort ажиллана.

Юу ажиллахгүй вэ. Та endpoint-д JSON схем өгөөд туслахын текст хариу түүнд заавал нийцнэ гэсэн баталгаа авч чадахгүй бөгөөд response_format: {"type": "json_object"} танд юу ч өгөхгүй. JSON гаргахыг промптоор гуйвал ихэвчлэн JSON гардаг — энэ бол чадварлаг загвар — гэхдээ «ихэвчлэн» гэдэг гэрээ биш. Poolside өөрөө гүн үүрлэсэн хэрэгслийн дуудлагад JSON-ы escape буруу хийгддэгийг мэдэгдэж буй хязгаарлалт гэж баримтжуулсан бөгөөд энэ нь бидний эгнээний бусад газарт байдаг тэр баталгаа нь загварын сайн санаанаас биш, үйлчилгээний давхаргаас гардгийг сануулж байна.

Оронд нь ямар эгч загварыг ашиглах вэ

Хэрэв таны ажлын ачаалалд баталгаатай JSON хэрэгтэй бол энэ загвартай бүү тэмц — загварын id-г нь сольчих. Дөрвөн эгч загвар яг ижил $0.50 / $2.00 үнэн дээр, бүрэн json_schema ба response_format дэмжлэгтэйгээр байрладаг:

Загварын id	json_schema	Хараа	Яагаад сонгох вэ
MiMo-V2.5-Pro-W8A16	Тийм	Үгүй	Шууд солих хувилбар — 8 битийн жин, хамгийн өндөр нарийвчлалын түвшин, ижил үнэ
MiMo-V2.5-W8A16	Тийм	Тийм	Мөн адил, дээрээс нь зургийн оролт
Hy3-W8A16	Тийм	Үгүй	Доод үнэн дээрх өөр нэг 8 битийн текстийн загвар
DeepSeek-V4-Flash-0731	Тийм	Үгүй	Laguna шиг W4A16-AutoRound-REAP, схемийн дэмжлэг бүрэн бүтэн

Байгалийн анхдагч сонголт бол MiMo-V2.5-Pro (W8A16): зөвхөн текст, доод үнэтэй, бидний ажиллуулдаг хамгийн зөөлөн түвшинд квантчлагдсан — дэлгэрэнгүйг MiMo-V2.5 загварын картаас үзнэ үү. Арван хоёр загвар бүгд endpoint, контекстын цонх, гаралтын дээд хязгаараа хуваалцдаг тул сэлгэх нь model талбарын нэг мөрийн өөрчлөлт юм.

03W4A16-AUTOROUND-REAP гэж юу гэсэн үг вэ?

Загварын id дээрх дагавар бол чимэглэл биш — жингүүдийг бидний GPU кластерт ачаалахаас өмнө яг хэрхэн шахсаныг хэлж байгаа юм. Гурван хэсэг.

W4A16 — 4 битийн жин, 16 битийн идэвхжүүлэлт

Жингүүд 4 битээр хадгалагдана; идэвхжүүлэлтүүд — дүгнэлтийн үед давхаргуудын хооронд урсах утгууд — 16 бит хэвээр үлдэнэ. Жингүүдийг BF16-ийн дөрөвний нэг болгож хасах нь 118B загварыг багтааж, хурдан байлгадаг зүйл бол идэвхжүүлэлтийг өргөн байлгах нь урагш дамжлагын тоон утгад мэдрэмтгий хэсгийг хамгаалдаг. Том бөгөөд статикийг нь шах, жижиг бөгөөд динамикийг нь бүү хөнд.

AutoRound — хамгийн ойрд нь биш, сурсан бүхэлчлэл

Квантчилах энгийн арга бол хамгийн ойрд нь бүхэлчлэх: жин бүрийг хамгийн ойрын 4 битийн утга руу шидээд алдааг нь хүлээн зөвшөөр. Intel-ийн нээлттэй сургалтын дараах квантчилалын хэрэгсэл болох AutoRound үүнээс илүүг хийдэг — түүний SignRound арга нь тэмдэгт градиент буурлалт ашиглан хэдэн зуун алхмын турш бүхэлчлэх шийдвэр ба таслах мужуудыг хамтад нь оновчилж, жин тутамд дээш эсвэл доош бүхэлчлэхийн аль нь давхаргын бодит гаралтад бага хохирол учруулахыг шийддэг. Энэ нь квантчилалд зохицсон сургалтын санааг дахин сургах зардалгүйгээр авдаг бөгөөд яг үүний ачаар W4A16 бүтээц алдагдалтай сониуч зүйл биш, нухацтай загвар байж чаддаг.

REAP — мэргэжилтнүүдийг нэгтгэхийн оронд хасах нь

REAP бол Cerebras Research-ийн нийтэлсэн Router-weighted Expert Activation Pruning юм. MoE загварт бүх мэргэжилтэн жингээ татдаггүй: чиглүүлэгч заримд нь цөөн токен илгээдэг бөгөөд зарим нь асахдаа бага хэмжээний хувь нэмэр оруулдаг. REAP нь мэргэжилтэн бүрийг хоёр дохиогоор нь — чиглүүлэгчийн хаалганы утга ба мэргэжилтний идэвхжүүлэлтийн норм — оноож, ач холбогдол багатайг нь квантчилахаас өмнө нэг цохилтоор хасдаг. Хамгийн чухал нь энэ нь нэгтгэхийн оронд хасдаг: нэгтгэх нь хэд хэдэн мэргэжилтнийг нэг рүү нугалж, чиглүүлэгчийн нарийн ширхэгтэй, оролтоос хамаарсан хяналтыг устгаж, ямар ч тохируулгаар арилахгүй алдааны шал үүсгэдэг (зохиогчид үүнийг функциональ дэд орон зайн нуралт гэж нэрлэдэг) бол хасах нь амьд үлдэгсдийг болон чиглүүлэгчийн тэдгээрийн дээрх хяналтыг бүрэн бүтэн үлдээдэг. Cerebras триллион параметрийн загваруудаас мэргэжилтнүүдийн 50 хүртэлх хувийг хасахад суурь чанараа голчлон хадгалсан гэж мэдээлдэг — 480B кодын загвар дээр 50% хасахад агентийн бус кодчлолын чадварын 97.6%, агентийн SWE-Bench дээр 96.7% нь үлдсэн. Эдгээр нь бидний бүтээцийн хэмжилт биш, Cerebras-ын өөрсдийн загваруудын тоо баримт, гэхдээ яг тэдний учраас бид энэ стекийг гол давуу тал нь код байдаг суурь загвар дээр ажиллуулдаг.

Нийлүүлээд уншихад дагавар нь нэг өгүүлбэр болно: бараг ашиглагдаагүй мэргэжилтнүүдийг хас, 4 битийн бүхэлчлэлийг таамаглахын оронд сур, идэвхжүүлэлтийг бүрэн өргөнөөр нь үлдээ.

04Энэ загвар үнэндээ юунд сайн вэ?

Эхлээд үнэнийг: Laguna S 2.1 бол зөвхөн текстийн ярианы загвар — энэ загварын id дээр зургийн оролт байхгүй — бөгөөд Poolside үүнийг зохиолд биш, агентийн кодчлол ба урт хугацааны ажилд зориулж бүтээсэн. Сургалтын дараах үе шат 409,000 гаруй орчинд, түүний дотор 83,000 терминалын, 168,000 програм хангамжийн инженерчлэлийн даалгавар дээр FP8 бататгах сургалттайгаар явагдсан. Poolside-ын квантчлагдаагүй гаралтын хувьд мэдээлсэн үр дүн:

Жишиг тест	Бодолттой	Бодолтгүй	Юуг хэмждэг вэ
SWE-Bench Multilingual	78.5%	—	Олон хэл дээрх бодит алдаа засварууд
Terminal-Bench 2.1	70.2%	60.4%	Олон алхамт shell ба хэрэгслийн ажил
SWE-Bench Pro	59.4%	—	Илүү хэцүү, бохирдолд тэсвэртэй репозиторын даалгавар
Toolathlon Verified	49.7%	—	Олон API даяарх хэрэгсэл ашиглалтын өргөн
SWE Atlas	46.2%	—	Урт хугацааны репозиторын навигаци
DeepSWE v1.1	40.4%	16.5%	Агентийн програм хангамжийн инженерчлэл

Хоёр баганын хоорондох зөрүү бол эндхийн хамгийн үйлдэлд ойр тоо: DeepSWE дээр дүгнэлтийг идэвхжүүлэхэд оноо хоёр дахинаас илүү өсдөг бөгөөд Terminal-Bench дээр бараг арван оноо нэмэгддэг.

2026 оны 7 сарын квантчлагдаагүй Laguna S 2.1 гаралтын хувьд Poolside-ын мэдээлсэн тоо баримт. Эдгээр нь бидний W4A16-AutoRound-REAP бүтээцийн хэмжилт биш бөгөөд бид үүний талаар өөрсдийн жишиг тестийн тоог нийтэлдэггүй. Манай API дээр бодох төсвийг reasoning_effort-оор удирдаарай.

Яриа ба уран бүтээлийн ажлын хувьд үнэнч байр суурь нь ийм: урт агентийн гүйлгээний ард байдаг чанарууд — их хэмжээний төлөвийг уялдаатай барих, даалгавраасаа хазайхгүй байх — нь урт хэлбэрийн дүрийн ажлын ард байдаг чанаруудтай ижил бөгөөд практик дээр энэ нь маш урт цонхны туршид дуу хоолойгоо сайн барьдаг. Үүнийг нотлох нийтлэгдсэн жишиг тест байхгүй бөгөөд бид үүнийг зохиохгүй. Өөрийн промпт дээрээ туршаарай; 1 сая оролтын токен тутамд $0.50 гэдэг бол бараг үнэгүй.

05Доод үнэ үнэндээ юу авчирдаг вэ?

Сая токен тутамд $0.50 оролт / $2.00 гаралт бол Shannon AI Gateway дээрх эхлэлийн түвшин бөгөөд MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro болон Hy3-тай хуваалцдаг. Тодорхой хэлбэл:

Ажлын ачаалал	Оролт	Гаралт	Зардал
100K түүхтэй нэг чатын ээлж	100,000	2,000	$0.054
Урт товч тайлбараас 5,000 үгтэй бүлэг	30,000	7,000	$0.029
1,000 богино ярианы ээлж	4,000,000	500,000	$3.00
Бүтэн 262K токены контекст унших	262,144	16,384	$0.164

Сүүлийн мөр бол ухамсарлах ёстой нь: бүхэл контекстын цонхыг дүүргэж, дээд хэмжээний 16,384 токены хариу үүсгэх нь ойролцоогоор арван зургаан центийн үнэтэй. Бүтэн гар бичмэл, сессийн бичлэг, эсвэл баримтын багцыг нэг дуудлагад хийх нь төсвийн шийдвэр байхаа больж, хоцролтын шийдвэр болно. Ижил арифметик доод үнийн нөгөө хэрэглээг ч жолооддог — эзлэхүүн: багц ангилал, бөөнөөр дахин бичих, синтетик яриа, дараа нь илүү хүчтэй загвар боловсруулах анхны ноорог. Үнийн хуудас болон судалгааны индексийг үзээрэй.

06«Цензургүй» гэдэг нь энд юу гэсэн үг вэ

Энэ нь яг хэлж байгаа зүйлээ хэлж байна: татгалзах давхарга байхгүй, гаралтад агуулгын шүүлт байхгүй. Загвар ба таны хариултын хооронд таныг асуухыг зөвшөөрсөн эсэхийг шийддэг ямар ч ангилагч байхгүй; загвар таны хүссэн өнгө аясаар хариулдаг бөгөөд эхлээд таны асуултын үндэслэлийн талаар танд номлохгүй.

Уран бүтээлийн ажилд энэ бол ашиглаж болох хэрэгсэл, ашиглаж болохгүй хэрэгсэл хоёрын ялгаа юм. Уран зохиолд аюул заналхийлсэн эсрэг баатрууд, итгэмээр худал хэлдэг дүрүүд, үр дагавартай хүчирхийлэл, ёс суртахууны хувьд гэмтсэн өгүүлэгчид байдаг — дүрээсээ гарч, тайлбар хавсаргадаг загвар нь аюулгүй байдалд амжилт олсон биш, даалгавраа биелүүлээгүй байна. Аюулгүй байдлын судалгаа, red-team баримтжуулалт, эмнэлгийн болон эрх зүйн бичиг боловсруулалт, эх сурвалж нь шулуухан байдаг орчуулгад ч ижил зүйл үйлчилнэ: татгалзал нь зүгээр л буруу хариулт болдог ангилалууд. Гэхдээ энэ нь дүгнэлт таных байхаа болино гэсэн үг биш — та үүсгэсэн зүйлдээ манай Хариуцлагатай Хэрэглээний Бодлого ба холбогдох хуулийн дагуу хариуцлага хүлээсээр байна.

07Цензургүй Laguna API-г хэрхэн дуудах вэ

Гурван аялгуу, нэг загвар: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Стриминг гурвуулан дээр ажилладаг тул одоо байгаа интеграц суурь URL ба загварын id-г солиход шилжинэ — SDK солих ч хэрэггүй, мессеж боловсруулалтаа дахин бичих ч хэрэггүй.

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"
}

Хэдэн практик тэмдэглэл:

• Энэ загварын id руу response_format эсвэл json_schema бүү илгээ — хэрэв таны клиент сан аль нэгийг анхдагчаар тохируулдаг бол цуцлах эсвэл түүнийг дэмждэг эгч загвар руу шилж.
• Хэрэгслүүд ердийн tools массивт орно — хэрэгсэл дуудалт бүрэн дэмжигддэг; зөвхөн чөлөөт текстийн схем баталгаажуулалт л байхгүй.
• Дүгнэлтийн төсвөө төлөвлө. reasoning_effort хүндэтгэгддэг — бага эсвэл унтраалттай байх нь ярианы хоцролтыг бага, гаралтын токеныг хямд байлгадаг; олон алхамт хэрэгслийн ажилд өсгө, дээрх жишиг тестийн зөрүү энэ юу авчрахыг харуулж байна.
• Гаралтын дээд хязгаар нь хүсэлт тутамд 16,384 токен. Ном хэмжээний үүсгэлтийн хувьд бүлэглээд стримингээр яв.
• Зөвхөн текст. Энэ загварын id дээр зургийн оролт байхгүй — хараанд MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 эсвэл inkling-г ашигла.

Бүрэн параметрийн лавлагаа, баталгаажуулалт, алдааны семантик, шууд туршилтын талбар: API баримт бичиг.

08Хэзээ сонгох, хэзээ сонгохгүй байх вэ

Үүнийг сонго, хэрэв таны гаралт нь хүн уншдаг зохиол, харилцан яриа эсвэл код бол; танд хэрэгсэл дуудалт хэрэгтэй ч схемээр хязгаарлагдсан текст хэрэггүй бол; урт контекстын дээр токен тутмын зардал давамгайлдаг бол; эсвэл эгнээний бусад хэсгийг дүүргэдэг DeepSeek, Kimi, MiMo гэр бүлээс өөр угсаанаас хоёр дахь санал авахыг хүсэж байвал.

Өөр зүйл сонго, хэрэв танд баталгаатай JSON (MiMo-V2.5-Pro), зураг ойлгох чадвар (Kimi-K2.6 эсвэл MiMo-V2.5), эсвэл хариултаа зөв авахын хажууд үнийн зөрүү хамаагүй болох хүндрэлийн тэргүүн эгнээ (DeepSeek-V4-Pro, Kimi-K3) хэрэгтэй бол.

09Түгээмэл асуултууд

---

Эх сурвалж: Poolside — Laguna S 2.1 загварын карт · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Архитектур ба жишиг тестийн тоо баримтыг квантчлагдаагүй гаралтын хувьд нийтлэгч мэдээлсэн бөгөөд бидний үйлчилдэг бүтээцийн хэмжилт биш. Shannon AI-г АНУ-ын Нью-Мексико муж дахь Shannon Lab LLC ажиллуулдаг.