API Laguna Tanpa Tapisan

Kebanyakan halaman "model murah" meminta anda menerima asas yang kecil dan letih sebagai tukaran untuk angka yang rendah. Yang ini tidak. Laguna S 2.1 ialah keluaran Campuran Pakar jarang generasi semasa, dilatih pada 4,096 H200 dan dihantar dalam masa kurang sembilan minggu, dan ia duduk pada lantai $0.50 / $2.00 yang sama seperti setiap model tingkat kemasukan lain yang kami sajikan. Pertukarannya sempit dan mudah ditaakul: anda melepaskan output berstruktur yang dikuatkuasakan pelayan dan mengekalkan segala yang lain.

01Apakah Laguna S 2.1?

Laguna S 2.1 ialah model pemberat terbuka yang dikeluarkan oleh Poolside pada 21 Julai 2026 di bawah lesen OpenMDW-1.1 yang permisif — ahli bersaiz sederhana dalam keluarga Laguna, antara Laguna XS 2.1 (33B/3B aktif) dan Laguna M.1 (225B/23B aktif).

Seni bina yang diterbitkan ialah penghala pilihan-token dengan pengegetan softplus ke atas 256 pakar dihalakan berserta satu pakar dikongsi, sepuluh dipilih setiap token, merentasi 48 lapisan — dua belas perhatian global, tiga puluh enam tetingkap gelongsor pada tetingkap 512 token, satu selang-seli yang mengekalkan kos perhatian bagi input yang sangat panjang hampir linear dan bukan kuadratik. Perhatian bersifat pertanyaan berkumpulan dengan 8 kepala kunci-nilai pada dimensi kepala 128.

Dua akibat penting kepada pengguna API. Pengaktifan jarang itulah sebab model 118B boleh duduk pada harga lantai — hanya ~8B parameter bekerja setiap token, jadi pengiraan setiap token lebih hampir kepada model padat yang kecil berbanding apa yang kiraan parameter itu cadangkan. Dan selang-seli tetingkap gelongsor itulah sebab tetingkap panjang itu benar-benar boleh digunakan dan bukan sekadar nominal. Keluaran Poolside menyokong 1,048,576 token; kami menyajikan 262,144, sepadan dengan setiap model lain pada get laluan.

02Satu amaran: tiada output berstruktur

Apa yang masih berfungsi. Panggilan alat disokong sepenuhnya, dan argumen panggilan alat masih tiba sebagai objek JSON tepat seperti pada mana-mana model lain di sini. Jika "output berstruktur" aplikasi anda sebenarnya ialah argumen alat — benar bagi kebanyakan rangka kerja ejen, pelayan MCP dan bahagian hadapan pangkalan data — Laguna S 2.1 melayan anda dengan baik. Penstriman berfungsi pada ketiga-tiga dialek; reasoning_effort berfungsi.

Apa yang tidak. Anda tidak boleh menyerahkan Skema JSON kepada titik akhir itu lalu dijamin bahawa balasan teks pembantu akan sah terhadapnya, dan response_format: {"type": "json_object"} tidak membeli apa-apa untuk anda. Menggesa untuk JSON lazimnya menghasilkan JSON — ini model yang cekap — tetapi "lazimnya" bukan kontrak. Poolside sendiri mendokumenkan pelarian JSON yang salah dalam panggilan alat bersarang dalam sebagai had yang diketahui, satu peringatan bahawa jaminan itu, di tempat ia wujud dalam barisan kami, datang daripada lapisan penyajian dan bukan daripada niat baik model.

Adik-beradik mana yang patut diguna sebaliknya

Jika beban kerja anda perlukan JSON terjamin, jangan lawan model ini — tukar id modelnya. Empat adik-beradik duduk pada harga $0.50 / $2.00 yang sama dengan sokongan json_schema dan response_format penuh:

Id model	json_schema	Visi	Sebab anda memilihnya
MiMo-V2.5-Pro-W8A16	Ya	Tidak	Tukar ganti terus — pemberat 8-bit, tingkat kesetiaan tertinggi, harga sama
MiMo-V2.5-W8A16	Ya	Ya	Sama, berserta input imej
Hy3-W8A16	Ya	Tidak	Satu lagi model teks 8-bit pada harga lantai
DeepSeek-V4-Flash-0731	Ya	Tidak	W4A16-AutoRound-REAP seperti Laguna, sokongan skema utuh

Lalai yang semula jadi ialah MiMo-V2.5-Pro (W8A16): teks sahaja, berharga lantai, dikuantumkan pada tingkat paling lembut yang kami jalankan — perincian pada kad model MiMo-V2.5. Kerana kesemua dua belas model berkongsi titik akhir, tetingkap konteks dan siling output, bertukar itu perubahan satu baris pada medan model.

03Apa maksud W4A16-AUTOROUND-REAP?

Akhiran pada id model itu bukan hiasan — ia menyatakan dengan tepat bagaimana pemberat dimampatkan sebelum dimuatkan ke atas kluster GPU kami. Tiga bahagian.

W4A16 — pemberat 4-bit, pengaktifan 16-bit

Pemberat disimpan pada 4 bit; pengaktifan — nilai yang mengalir antara lapisan pada masa inferens — kekal pada 16. Memotong pemberat kepada satu perempat jejak BF16-nya itulah yang menjadikan model 118B muat dan kekal pantas, sementara mengekalkan pengaktifan luas melindungi bahagian laluan hadapan yang sensitif secara berangka. Mampatkan yang besar dan statik, biarkan yang kecil dan dinamik.

AutoRound — pembundaran terpelajar, bukan pembundaran terdekat

Cara naif untuk mengkuantum ialah pembundaran-terdekat: petik setiap pemberat ke nilai 4-bit yang paling hampir, terima ralatnya. AutoRound, kit alat kuantuman pasca latihan terbuka daripada Intel, melakukan lebih baik — kaedah SignRound-nya menggunakan turunan kecerunan bertanda untuk mengoptimumkan keputusan pembundaran dan julat pengapitan secara bersama sepanjang beberapa ratus langkah, memutuskan bagi setiap pemberat sama ada membundar ke atas atau ke bawah kurang merosakkan output sebenar lapisan itu. Ia meminjam idea daripada latihan sedar-kuantuman tanpa kos melatih semula, dan itulah sebab binaan W4A16 boleh menjadi model yang serius dan bukan sekadar barang aneh yang lompong.

REAP — memangkas pakar dan bukan menggabungkannya

REAP ialah Router-weighted Expert Activation Pruning, diterbitkan oleh Cerebras Research. Dalam model MoE, bukan semua pakar menarik bebannya: penghala menghantar sedikit token kepada sesetengahnya, dan sesetengahnya menyumbang magnitud yang kecil apabila ia menyala. REAP menskorkan setiap pakar pada kedua-dua isyarat — nilai get penghala dan norma pengaktifan pakar — dan membuang yang rendah keutamaannya dalam satu tembakan, sebelum kuantuman. Yang penting, ia memangkas dan bukan menggabung: penggabungan melipat beberapa pakar menjadi satu, memusnahkan kawalan penghala yang halus dan bergantung input serta memperkenalkan lantai ralat yang tiada penalaan boleh buang (penulisnya memanggilnya keruntuhan subruang fungsian), sementara pemangkasan membiarkan yang terselamat dan kawalan penghala ke atasnya utuh. Cerebras melaporkan pembuangan sehingga 50% pakar daripada model trilion parameter sambil sebahagian besarnya mengekalkan kualiti asas — pada model pengekod 480B pada pemangkasan 50%, 97.6% daripada keupayaan pengekodan bukan agentik asas dan 96.7% pada SWE-Bench agentik. Itu angka Cerebras bagi model mereka sendiri, bukan pengukuran binaan kami, tetapi itulah sebab kami menjalankan tindanan ini pada asas yang kekuatan utamanya ialah kod.

Bersama-sama, akhiran itu terbaca seperti satu ayat: pangkas pakar yang hampir tidak digunakan, pelajari pembundaran 4-bit dan bukan menekanya, kekalkan pengaktifan pada lebar penuh.

04Apa sebenarnya kekuatan model ini?

Kejujuran dahulu: Laguna S 2.1 ialah model perbualan teks sahaja — tiada input visi pada id model ini — dan Poolside membinanya untuk pengekodan agentik dan kerja ufuk panjang, bukan untuk prosa. Pasca latihan berjalan merentasi 409,000 persekitaran, termasuk 83,000 tugas terminal dan 168,000 tugas kejuruteraan perisian, dengan pembelajaran pengukuhan dalam FP8. Keputusan yang dilaporkan Poolside bagi keluaran tanpa kuantuman:

Penanda aras	Berfikir	Tanpa berfikir	Apa yang diukurnya
SWE-Bench Multilingual	78.5%	—	Pembaikan pepijat sebenar merentasi banyak bahasa
Terminal-Bench 2.1	70.2%	60.4%	Kerja shell dan perkakas berbilang langkah
SWE-Bench Pro	59.4%	—	Tugas repositori yang lebih sukar dan tahan pencemaran
Toolathlon Verified	49.7%	—	Keluasan penggunaan alat merentasi banyak API
SWE Atlas	46.2%	—	Navigasi repositori ufuk panjang
DeepSWE v1.1	40.4%	16.5%	Kejuruteraan perisian agentik

Jurang antara dua lajur itu ialah angka paling boleh ditindaklanjuti di sini: pada DeepSWE skornya lebih daripada berganda apabila penaakulan dihidupkan, dan pada Terminal-Bench ia menambah hampir sepuluh mata.

Angka yang dilaporkan Poolside bagi keluaran Laguna S 2.1 tanpa kuantuman, Julai 2026. Ia bukan pengukuran binaan W4A16-AutoRound-REAP kami, dan kami tidak menerbitkan sebarang angka penanda aras kami sendiri untuknya. Gunakan reasoning_effort untuk mengawal belanjawan pemikiran pada API kami.

Untuk kerja perbualan dan kreatif, pendirian jujurnya begini: kualiti di sebalik larian agentik yang panjang — mengekalkan banyak keadaan secara koheren, kekal pada tugas, tidak hanyut — ialah kualiti yang sama di sebalik kerja watak berbentuk panjang, dan dalam amalan ia mengekalkan suara dengan baik merentasi tetingkap yang sangat panjang. Tiada penanda aras diterbitkan yang mengatakannya, dan kami tidak akan mereka-reka satu. Ujilah pada gesaan anda sendiri; pada $0.50 setiap juta token input, itu hampir percuma.

05Apa sebenarnya yang harga lantai itu beli?

$0.50 masuk / $2.00 keluar setiap juta token ialah tingkat kemasukan pada Get Laluan Shannon AI, dikongsi dengan MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro dan Hy3. Secara konkrit:

Beban kerja	Input	Output	Kos
Satu giliran sembang dengan sejarah 100K	100,000	2,000	$0.054
Satu bab 5,000 patah perkataan daripada taklimat panjang	30,000	7,000	$0.029
1,000 giliran perbualan pendek	4,000,000	500,000	$3.00
Bacaan konteks 262K token penuh	262,144	16,384	$0.164

Baris terakhir itulah yang patut dihadam: mengisi keseluruhan tetingkap konteks dan menjana respons maksimum 16,384 token berkos kira-kira enam belas sen. Menyuap keseluruhan manuskrip, transkrip sesi, atau set dokumen ke dalam satu panggilan berhenti menjadi keputusan belanjawan dan menjadi keputusan latensi. Aritmetik yang sama memacu kes penggunaan harga lantai yang satu lagi — volum: pengelasan kelompok, penulisan semula pukal, dialog sintetik, penderafan laluan pertama yang kemudian diperhalusi model yang lebih kuat. Lihat halaman harga dan indeks penyelidikan.

06Apa maksud "tanpa tapisan" di sini

Ia bermaksud apa yang dikatakannya: tiada lapisan penolakan dan tiada penapisan kandungan pada output. Tiada pengelas duduk antara model dan respons anda memutuskan sama ada anda dibenarkan bertanya; model menjawab dalam daftar yang anda minta dan tidak membebel kepada anda tentang premisnya dahulu.

Untuk kerja kreatif itulah beza antara alat yang boleh diguna dan yang tidak. Fiksyen mengandungi antagonis yang mengancam, watak yang menipu dengan meyakinkan, keganasan yang berakibat, pencerita yang tergadai moralnya — model yang keluar daripada watak untuk menambah penafian telah gagal tugas itu, bukan berjaya pada keselamatan. Perkara sama terpakai untuk penyelidikan keselamatan, dokumentasi pasukan merah, penderafan perubatan dan undang-undang, serta terjemahan yang sumbernya lantang: kategori yang penolakan itu semata-mata jawapan yang salah. Apa yang ia tidak bermaksud ialah pertimbangan berhenti menjadi milik anda — anda kekal bertanggungjawab atas apa yang anda jana, di bawah Dasar Penggunaan Bertanggungjawab kami dan undang-undang yang terpakai.

07Cara memanggil API Laguna tanpa tapisan

Tiga dialek, satu model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Penstriman berfungsi pada ketiga-tiganya, jadi integrasi sedia ada berpindah dengan menukar URL asas dan id model — tiada tukar SDK, tiada tulis semula pengendalian mesej anda.

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"
}

Beberapa nota praktikal:

• Jangan hantar response_format atau json_schema ke id model ini — jika pustaka klien anda menetapkan salah satunya secara lalai, nyahtetapkannya atau beralih kepada adik-beradik yang menyokongnya.
• Alat masuk ke dalam tatasusunan tools yang biasa — panggilan alat disokong sepenuhnya; hanya penguatkuasaan skema pada teks bebas yang tidak.
• Belanjawankan penaakulan anda. reasoning_effort dihormati — rendah atau mati mengekalkan latensi perbualan rendah dan token output murah; naikkannya untuk kerja alat berbilang langkah, di mana jurang penanda aras di atas menunjukkan apa yang ia beli.
• Siling output ialah 16,384 token setiap permintaan. Untuk penjanaan sepanjang buku, bahagikan mengikut bab dan strimkan.
• Teks sahaja. Tiada input imej pada id model ini — gunakan MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 atau inkling untuk visi.

Rujukan parameter penuh, pengesahan, semantik ralat dan taman permainan langsung: dokumentasi API.

08Bila hendak memilihnya, dan bila tidak

Pilihnya apabila output anda ialah prosa, dialog atau kod yang dibaca manusia; anda perlukan panggilan alat tetapi bukan teks terkekang skema; kos setiap token menguasai berbanding konteks panjang; atau anda mahu pendapat kedua daripada keturunan selain keluarga DeepSeek, Kimi dan MiMo yang mengisi selebihnya barisan ini.

Pilih yang lain apabila anda perlukan JSON terjamin (MiMo-V2.5-Pro), pemahaman imej (Kimi-K2.6 atau MiMo-V2.5), atau hujung kesukaran terdepan yang jurang harganya tidak relevan berbanding mendapatkan jawapan yang betul (DeepSeek-V4-Pro, Kimi-K3).

09Soalan lazim

---

Sumber: Poolside — kad model Laguna S 2.1 · Memperkenalkan Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Angka seni bina dan penanda aras dilaporkan penerbit bagi keluaran tanpa kuantuman, bukan pengukuran binaan yang kami sajikan. Shannon AI dikendalikan oleh Shannon Lab LLC, New Mexico, USA.