ဆင်ဆာမဲ့ Laguna API

"စျေးသက်သာသော မော်ဒယ်" ဟူသော စာမျက်နှာအများစုသည် ကိန်းဂဏန်းနည်းသည့်အစား foundation သေးငယ်၊ နွမ်းလျပြီးသား တစ်ခုကို လက်ခံရန် တောင်းဆိုသည်။ ဤစာမျက်နှာမှာ ထိုသို့ မဟုတ်ပါ။ Laguna S 2.1 သည် H200 4,096 လုံးဖြင့် လေ့ကျင့်ပြီး ကိုးပတ်အောက်တွင် ထုတ်ပြန်ခဲ့သော လက်ရှိမျိုးဆက် sparse Mixture-of-Experts ထုတ်ပြန်ချက်တစ်ခု ဖြစ်ပြီး ကျွန်ုပ်တို့ ဝန်ဆောင်မှုပေးသော အခြား entry-tier မော်ဒယ်တိုင်းနှင့် $0.50 / $2.00 အနိမ့်ဆုံးနှုန်း တူညီစွာ ရှိသည်။ ကုန်သွယ်မှုမှာ ကျဉ်းကျဉ်းလေး ဖြစ်ပြီး ဆင်ခြင်ရလွယ်သည် — server-enforced structured output ကို စွန့်လွှတ်ရမည်ဖြစ်ပြီး ကျန်အားလုံးကို ဆက်လက် ရရှိသည်။

01Laguna S 2.1 ဆိုသည်မှာ ဘာလဲ။

Laguna S 2.1 သည် Poolside မှ 2026 ခုနှစ် ဇူလိုင် 21 တွင် permissive OpenMDW-1.1 license အောက် ထုတ်ပြန်ခဲ့သော open-weights မော်ဒယ်တစ်ခု ဖြစ်သည် — Laguna XS 2.1 (33B/3B active) နှင့် Laguna M.1 (225B/23B active) ကြားရှိ Laguna မိသားစု၏ အလတ်စား အဖွဲ့ဝင် ဖြစ်သည်။

ထုတ်ဝေထားသော ဗိသုကာလက်ရာသည် routed expert 256 ခု ထပ် shared expert 1 ခု အပေါ် softplus gating ရှိသော token-choice router တစ်ခုဖြစ်ပြီး layer 48 ခု တစ်လျှောက် token တစ်ခုလျှင် ဆယ်ခု ရွေးချယ်သည် — global-attention တစ်ဆယ့်နှစ်ခု၊ token 512 window ၌ sliding-window သုံးဆယ့်ခြောက်ခု ဖြစ်ပြီး ထို interleaving က ရှည်လျားသော input များ၏ attention ကုန်ကျစရိတ်ကို quadratic မဟုတ်ဘဲ near-linear ၌ ထားပေးသည်။ Attention သည် head dimension 128 ၌ key-value head 8 ခု ရှိသော grouped-query ဖြစ်သည်။

API သုံးစွဲသူတစ်ဦးအတွက် အရေးကြီးသော ရလဒ် နှစ်ခု ရှိသည်။ sparse activation က parameter 118B ရှိသော မော်ဒယ်တစ်ခုကို အနိမ့်ဆုံးနှုန်း၌ ရှိစေနိုင်ရသည့် အကြောင်းရင်း ဖြစ်သည် — token တစ်ခုလျှင် parameter ~8B သာ အလုပ်လုပ်သောကြောင့် token တစ်ခုလျှင် compute သည် parameter အရေအတွက် ညွှန်ပြသည်ထက် dense မော်ဒယ် သေးငယ်တစ်ခုနှင့် ပိုနီးစပ်သည်။ sliding-window interleaving ကလည်း window ရှည်လျားခြင်းကို နာမည်တွင်ရုံသာ မဟုတ်ဘဲ တကယ့်အသုံးဝင်သော window ဖြစ်စေသည့် အကြောင်းရင်း ဖြစ်သည်။ Poolside ၏ ထုတ်ပြန်ချက်သည် token 1,048,576 ကို ထောက်ပံ့သော်လည်း ကျွန်ုပ်တို့ 262,144 ကို ဝန်ဆောင်မှုပေးပြီး gateway ပေါ်ရှိ အခြားမော်ဒယ်တိုင်းနှင့် ကိုက်ညီသည်။

02သတိပေးချက် တစ်ခု — structured output မရှိခြင်း

ဆက်လက် အလုပ်လုပ်သည့်အရာ။ Tool calling ကို အပြည့်အဝ ထောက်ပံ့ထားပြီး tool-call argument များသည် ဤနေရာရှိ အခြားမော်ဒယ်တိုင်းကဲ့သို့ JSON object အဖြစ် ရောက်ရှိနေဆဲ ဖြစ်သည်။ သင့် application ၏ "structured output" သည် tool argument များ အမှန်တကယ် ဖြစ်လျှင် — agent framework အများစု, MCP server များနှင့် database front-end များတွင် မှန်ကန်သည် — Laguna S 2.1 က သင့်အတွက် ကောင်းကောင်း ဝန်ဆောင်မှုပေးသည်။ Streaming က dialect သုံးမျိုးလုံးတွင် အလုပ်လုပ်ပြီး reasoning_effort လည်း အလုပ်လုပ်သည်။

မ အလုပ်လုပ်သည့်အရာ။ endpoint ကို JSON Schema တစ်ခု ပေးအပ်ပြီး assistant ၏ စာသား reply သည် ၎င်းနှင့် ကိုက်ညီကြောင်း အာမခံချက် ရနိုင်မည် မဟုတ်ပါ; response_format: {"type": "json_object"} ကလည်း ဘာမှ ဝယ်ပေးမည် မဟုတ်ပါ။ JSON အတွက် prompt ပြုလုပ်လျှင် ပုံမှန်အားဖြင့် JSON ထွက်ပေါ်လာသည် — ၎င်းသည် ကျွမ်းကျင်သော မော်ဒယ်တစ်ခု ဖြစ်သည် — သို့သော် "ပုံမှန်အားဖြင့်" ဆိုသည်မှာ ချုပ်ဆိုမှု တစ်ခု မဟုတ်ပါ။ Poolside ကိုယ်တိုင်ကလည်း အထပ်ထပ် ထုပ်ပိုးထားသော tool call များတွင် JSON escaping မှားခြင်းကို သိရှိထားသော ကန့်သတ်ချက်တစ်ခုအဖြစ် စာရွက်စာတမ်းပြုစုထားသည် — ကျွန်ုပ်တို့ စာရင်းရှိ အခြားနေရာများ၌ ရှိသော အာမခံချက်သည် မော်ဒယ်၏ ရည်ရွယ်ချက်ကောင်းမှုအစား serving layer မှ ဆင်းသက်လာသည်ဟူသော သတိပေးချက် ဖြစ်သည်။

အစား ဘယ်ညီအစ်ကိုကို သုံးရမလဲ

သင့် workload တွင် အာမခံ JSON လိုအပ်လျှင် ဤမော်ဒယ်နှင့် ရုန်းကန်နေစရာ မလိုပါ — model id ကိုသာ ပြောင်းလိုက်ပါ။ ညီအစ်ကို လေးဦးသည် $0.50 / $2.00 ဈေးနှုန်းတူညီစွာ ၌ json_schema နှင့် response_format ကို အပြည့်အဝ ထောက်ပံ့သည် —

Model id	json_schema	Vision	ဘာကြောင့် ရွေးရမလဲ
MiMo-V2.5-Pro-W8A16	ရှိသည်	မရှိပါ	တိုက်ရိုက် အစားထိုးမှု — 8-bit weight, fidelity အမြင့်ဆုံး tier, ဈေးနှုန်း တူညီ
MiMo-V2.5-W8A16	ရှိသည်	ရှိသည်	အတူတူပင်၊ ရုပ်ပုံ input ပါ
Hy3-W8A16	ရှိသည်	မရှိပါ	အနိမ့်ဆုံးနှုန်းရှိ 8-bit စာသားမော်ဒယ် နောက်တစ်ခု
DeepSeek-V4-Flash-0731	ရှိသည်	မရှိပါ	Laguna ကဲ့သို့ W4A16-AutoRound-REAP၊ schema ထောက်ပံ့ချက် မပျက်

သဘာဝကျသော default မှာ MiMo-V2.5-Pro (W8A16) ဖြစ်သည် — စာသားသာ၊ အနိမ့်ဆုံးနှုန်း၊ ကျွန်ုပ်တို့ လည်ပတ်သည့်ထဲမှ ညင်သာဆုံး tier ၌ quantize လုပ်ထားသည် — အသေးစိတ်ကို MiMo-V2.5 model card တွင် ကြည့်ရှုနိုင်သည်။ မော်ဒယ် တစ်ဆယ့်နှစ်ခုစလုံးသည် endpoint, context window နှင့် output ကန့်သတ်ချက် ဝေမျှထားသောကြောင့် ပြောင်းလဲခြင်းသည် model field တစ်ခုတည်း ပြောင်းလိုက်ရုံသာ ဖြစ်သည်။

03W4A16-AUTOROUND-REAP ဆိုသည်မှာ ဘာကို ဆိုလိုသလဲ။

model id ပေါ်ရှိ နောက်ဆက်တွဲသည် အလှပြင်ခြင်း မဟုတ်ပါ — weight များကို ကျွန်ုပ်တို့ GPU ကလပ်စတာပေါ်သို့ တင်မီ မည်သို့ compress လုပ်ခဲ့သည်ကို အတိအကျ ဖော်ပြထားသည်။ အပိုင်း သုံးပိုင်း ရှိသည်။

W4A16 — 4-bit weight, 16-bit activation

Weight များကို 4 bit ၌ သိမ်းဆည်းသည်; activation များ — inference အချိန်တွင် layer များကြား စီးဆင်းသော တန်ဖိုးများ — ကို 16 bit ၌ ဆက်ထားသည်။ weight များကို BF16 footprint ၏ လေးပုံတစ်ပုံသို့ ဖြတ်ချခြင်းသည် parameter 118B ရှိသော မော်ဒယ်တစ်ခုကို ဝင်ကျပြီး မြန်ဆန်စွာ ဆက်ထားစေသည့် အချက်ဖြစ်ပြီး activation များကို ကျယ်ကျယ်ထားခြင်းက forward pass ၏ ကိန်းဂဏန်းဆိုင်ရာ သိမ်မွေ့သော အစိတ်အပိုင်းကို ကာကွယ်ပေးသည်။ ကြီးမားနေသော၊ ငြိမ်နေသောအရာကို compress လုပ်ပြီး သေးငယ်၊ ရွေ့လျားနေသောအရာကို ထိန်းမထားပါ။

AutoRound — အနီးဆုံးတန်ဖိုးသို့ round လုပ်ခြင်း မဟုတ်၊ လေ့လာထားသော rounding

quantize လုပ်ရန် naive နည်းလမ်းမှာ round-to-nearest ဖြစ်သည် — weight တစ်ခုစီကို အနီးဆုံး 4-bit တန်ဖိုးသို့ ပစ်ချပြီး error ကို လက်ခံသည်။ Intel ၏ open post-training quantization toolkit ဖြစ်သော AutoRound ကမူ ပိုကောင်းသည် — ၎င်း၏ SignRound method သည် signed gradient descent ကို အသုံးပြု၍ step ရာနှင့်ချီ၌ rounding ဆုံးဖြတ်ချက်နှင့် clipping range များကို အတူတကွ optimize လုပ်ပြီး၊ weight တစ်ခုချင်းစီအတွက် အထက်ဘက် သို့မဟုတ် အောက်ဘက် round လုပ်ခြင်းက layer ၏ တကယ့် output ကို ဒဏ်ရာနည်းအောင် ဆုံးဖြတ်ပေးသည်။ ၎င်းသည် retraining ၏ ကုန်ကျစရိတ်မပါဘဲ quantization-aware training ၏ idea ကို ငှားယူထားပြီး W4A16 build တစ်ခုကို ဆုံးရှုံးမှုရှိသော ထူးဆန်းအရာတစ်ခုအစား တကယ့်မော်ဒယ်တစ်ခု ဖြစ်စေနိုင်သည့် အကြောင်းရင်း ဖြစ်သည်။

REAP — expert များကို ပေါင်းစည်းမည့်အစား ဖြုတ်ချခြင်း

Cerebras Research က ထုတ်ဝေထားသော REAP သည် Router-weighted Expert Activation Pruning ဖြစ်သည်။ MoE မော်ဒယ်တစ်ခုတွင် expert အားလုံးက ၎င်းတို့၏ ကျေးဇူးကို မထမ်းဆောင်ကြပါ — router က အချို့ကို token အနည်းငယ်သာ ပို့ပေးပြီး အချို့သည် fire လုပ်ချိန်တွင် magnitude အနည်းငယ်သာ ပါဝင်သည်။ REAP သည် expert တစ်ခုစီကို router gate value နှင့် expert activation norm — signal နှစ်ခုစလုံးဖြင့် အမှတ်ပေးပြီး quantization မလုပ်မီ saliency အနည်းဆုံးများကို တစ်ကြိမ်တည်းဖြင့် ဖယ်ရှားသည်။ အဓိကကျသည့်အချက်မှာ ၎င်းသည် ပေါင်းစည်းမည့်အစား ဖြုတ်ချသည် — ပေါင်းစည်းခြင်းသည် expert များစွာကို တစ်ခုတည်းအဖြစ် ခေါက်သိမ်းလိုက်ခြင်းဖြစ်ပြီး router ၏ အသေးစား, input-dependent ထိန်းချုပ်မှုကို ဖျက်ဆီးကာ tuning ဖြင့် ဖယ်ရှားမရသော error floor တစ်ခု ဖြစ်စေသည် (ရေးသားသူများက functional subspace collapse ဟု ခေါ်သည်)၊ ဖြုတ်ချခြင်းကမူ ကျန်ရှိသူများနှင့် router ၏ ၎င်းတို့အပေါ် ထိန်းချုပ်မှုကို မပျက်စီးစေဘဲ ချန်ထားသည်။ Cerebras က parameter trillion ရှိသော မော်ဒယ်များမှ expert 50% အထိ ဖယ်ရှားပြီး baseline အရည်အသွေးကို အများစု ထိန်းထားနိုင်ကြောင်း ဖော်ပြထားသည် — coder မော်ဒယ် 480B တစ်ခုပေါ်တွင် 50% pruning ၌ baseline non-agentic coding စွမ်းရည် ၉၇.၆% နှင့် agentic SWE-Bench ၌ ၉၆.၇%။ ၎င်းတို့သည် Cerebras ၏ ကိုယ်ပိုင်မော်ဒယ်များအတွက် ကိန်းဂဏန်းများဖြစ်ပြီး ကျွန်ုပ်တို့ build ၏ တိုင်းတာမှု မဟုတ်ပါ၊ သို့သော် ၎င်းတို့ကြောင့်ပင် ကျွန်ုပ်တို့ ဤ stack ကို primary strength code ဖြစ်သော foundation တစ်ခုပေါ်တွင် လည်ပတ်နေခြင်း ဖြစ်သည်။

နောက်ဆက်တွဲကို စာကြောင်းတစ်ကြောင်းအဖြစ် ဖတ်ရလျှင် — အသုံးပြုမှု အနည်းငယ်သာ ရှိသော expert များကို ဖြုတ်ချပါ၊ 4-bit rounding ကို ခန့်မှန်းမည့်အစား လေ့လာပါ၊ activation များကို အပြည့်အဝ ကျယ်ထားပါ။

04ဤမော်ဒယ်သည် အမှန်တကယ် ဘာကို ကောင်းသနည်း။

ရိုးသားစွာ ပြောရလျှင် — Laguna S 2.1 သည် စာသားသာ ကိုင်တွယ်သော conversational မော်ဒယ်တစ်ခု ဖြစ်ပြီး — ဤ model id တွင် vision input မရှိပါ — Poolside က ၎င်းကို prose အတွက် မဟုတ်ဘဲ agentic coding နှင့် long-horizon အလုပ် အတွက် တည်ဆောက်ခဲ့သည်။ Post-training သည် terminal task 83,000 နှင့် software-engineering task 168,000 အပါအဝင် environment 409,000 ကျော်တွင် FP8 ၌ reinforcement learning ဖြင့် လည်ပတ်ခဲ့သည်။ quantize မလုပ်ရသေးသော ထုတ်ပြန်ချက်အတွက် Poolside ဖော်ပြထားသော ရလဒ်များ —

Benchmark	Thinking	No-thinking	ဘာကို တိုင်းတာသနည်း
SWE-Bench Multilingual	78.5%	—	ဘာသာစကား များစွာတစ်လျှောက် တကယ့် bug ပြင်ဆင်မှု
Terminal-Bench 2.1	70.2%	60.4%	Multi-step shell နှင့် tooling အလုပ်
SWE-Bench Pro	59.4%	—	ပိုခက်ခဲ၊ contamination-resistant repo task များ
Toolathlon Verified	49.7%	—	API များစွာတစ်လျှောက် tool-use ကျယ်ပြန့်မှု
SWE Atlas	46.2%	—	Long-horizon repository လမ်းညွှန်
DeepSWE v1.1	40.4%	16.5%	Agentic software engineering

Column နှစ်ခုကြားက ကွာဟချက်သည် ဤနေရာတွင် အသုံးအဝင်ဆုံး ကိန်းဂဏန်း ဖြစ်သည် — DeepSWE ပေါ်တွင် reasoning ဖွင့်လိုက်လျှင် အမှတ်သည် နှစ်ဆကျော် တိုးလာပြီး Terminal-Bench ပေါ်တွင် အမှတ် ဆယ်ခန့် ရရှိသည်။

2026 ခုနှစ် ဇူလိုင်လ quantize မလုပ်ရသေးသော Laguna S 2.1 ထုတ်ပြန်ချက်အတွက် Poolside ဖော်ပြချက်များ။ ၎င်းတို့သည် ကျွန်ုပ်တို့ W4A16-AutoRound-REAP build ၏ တိုင်းတာမှု မဟုတ်ပြီး ၎င်းအတွက် ကျွန်ုပ်တို့ ကိုယ်ပိုင် benchmark ကိန်းဂဏန်း ထုတ်ဝေမထားပါ။ ကျွန်ုပ်တို့ API ပေါ်တွင် thinking budget ကို ထိန်းချုပ်ရန် reasoning_effort ကို သုံးပါ။

Conversational နှင့် creative အလုပ်အတွက် ရိုးသားသော ရပ်တည်ချက်မှာ — agentic run ရှည်များနောက်ကွယ်ရှိ ဂုဏ်သတ္တိများ — state များစွာကို ကိုက်ညီစွာ ကိုင်ထားခြင်း၊ အလုပ်ပေါ်တွင် ဆက်ရှိနေခြင်း၊ လွှဲမသွားခြင်း — သည် long-form character အလုပ်နောက်ကွယ်ရှိ ဂုဏ်သတ္တိများနှင့် တူညီပြီး၊ လက်တွေ့တွင် window ရှည်လျားတစ်ခုတစ်လျှောက် voice ကို ကောင်းစွာ ကိုင်ထားနိုင်သည်။ ထုတ်ဝေထားသော benchmark တစ်ခုမျှ ထိုသို့ မဆိုပါ၊ ကျွန်ုပ်တို့လည်း တစ်ခု ဖန်တီးမည် မဟုတ်ပါ။ သင့်ကိုယ်ပိုင် prompt များပေါ်တွင် စမ်းသပ်ပါ; 1M input token လျှင် $0.50 ၌ ၎င်းသည် အခမဲ့နီးပါး ဖြစ်သည်။

05အနိမ့်ဆုံးနှုန်းသည် အမှန်တကယ် ဘာကို ဝယ်ပေးသနည်း။

1M token လျှင် $0.50 in / $2.00 out သည် Shannon AI Gateway ၏ entry tier ဖြစ်ပြီး MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro နှင့် Hy3 တို့နှင့် ဝေမျှသည်။ တိကျစွာ ဆိုရလျှင် —

Workload	Input	Output	ကုန်ကျစရိတ်
history 100K ပါသော chat turn တစ်ခု	100,000	2,000	$0.054
brief ရှည်တစ်ခုမှ စာလုံး 5,000 chapter တစ်ခု	30,000	7,000	$0.029
conversational turn တိုတောင်း 1,000	4,000,000	500,000	$3.00
262K-token context အပြည့် ဖတ်ခြင်း	262,144	16,384	$0.164

နောက်ဆုံး row သည် အလွတ်ကျက်ထိုက်သောအချက်ဖြစ်သည် — context window တစ်ခုလုံးကို ဖြည့်ပြီး output token 16,384 အများဆုံး ထုတ်လုပ်ခြင်းသည် cent တစ်ဆယ့်ခြောက်ခန့်သာ ကုန်ကျသည်။ manuscript တစ်ခုလုံး, session transcript သို့မဟုတ် document set တစ်ခုလုံးကို call တစ်ခုထဲသို့ ကျွေးမြေးခြင်းသည် budget ဆုံးဖြတ်ချက် တစ်ခု မဟုတ်တော့ဘဲ latency ဆုံးဖြတ်ချက်တစ်ခု ဖြစ်လာသည်။ ဂဏန်းသင်္ချာ တူတူပင် အနိမ့်ဆုံးနှုန်းရှိ အသုံးချမှု အခြားတစ်ခု — volume — ကို ဆွဲဆောင်သည်: batch classification, အစုလိုက် ပြန်ရေးခြင်း, synthetic dialogue, ပိုအားကောင်းသော မော်ဒယ်တစ်ခုက နောက်တွင် ပြင်ဆင်မည့် ပထမအကြိမ် မူကြမ်းရေးခြင်း။ ဈေးနှုန်း စာမျက်နှာ နှင့် research အညွှန်း ကို ကြည့်ရှုနိုင်သည်။

06ဤနေရာတွင် "ဆင်ဆာမဲ့" ဆိုသည်မှာ ဘာကို ဆိုလိုသလဲ

ဆိုလိုသည့်အတိုင်းပင် ဆိုလိုသည် — ငြင်းပယ်မှု အလွှာ မရှိပြီး output ပေါ်တွင် content filtering မရှိ။ သင် မေးခွင့်ရှိမရှိ ဆုံးဖြတ်သော classifier တစ်ခုမျှ မော်ဒယ်နှင့် သင့်တုံ့ပြန်ချက် ကြားတွင် မရှိပါ; မော်ဒယ်သည် သင်တောင်းဆိုသော register ဖြင့် အဖြေပေးပြီး ဦးစွာ premise ကို ဟောပြောခြင်း မလုပ်ပါ။

Creative အလုပ်များအတွက် ၎င်းသည် အသုံးပြုနိုင်သော tool တစ်ခုနှင့် အသုံးမပြုနိုင်သော tool တစ်ခုကြား ကွာဟချက် ဖြစ်သည်။ ဝတ္ထုများတွင် ခြိမ်းခြောက်တတ်သော ပြိုင်ဘက်များ၊ ယုံသာလွယ်စွာ လိမ်လည်သော character များ၊ ရလဒ်ပါသော အကြမ်းဖက်မှု၊ ကိုယ်ကျင့်တရားအရ ချို့ယွင်းနေသော narrator များ ပါဝင်သည် — disclaimer ထပ်ဖြည့်ရန် character မှ ခွဲထွက်လာသော မော်ဒယ်တစ်ခုသည် အလုပ်ကို မအောင်မြင်ခဲ့ခြင်း ဖြစ်ပြီး ဘေးကင်းရေးတွင် အောင်မြင်ခဲ့ခြင်း မဟုတ်ပါ။ လုံခြုံရေး သုတေသန၊ red-team စာရွက်စာတမ်း၊ ဆေးဘက်နှင့် တရားရေးဆိုင်ရာ ရေးသားမှု၊ ရင်းမြစ်သည် ရိုးရှင်းစွာ ပြောသည့် ဘာသာပြန်ခြင်း — ငြင်းပယ်ခြင်းသည် ရိုးရိုးရှင်းရှင်း အဖြေမှားတစ်ခုသာ ဖြစ်သည့် အမျိုးအစားများတွင်လည်း ထို့အတူပင် သက်ဆိုင်သည်။ ဆိုလိုသည့်အရာမှာ ဆုံးဖြတ်ချက်ချသည့်အခွင့်သည် သင့်ဆီမှ ရပ်တန့်သွားသည် မဟုတ်ပါ — ကျွန်ုပ်တို့၏ Responsible Use Policy နှင့် သက်ဆိုင်ရာ ဥပဒေအောက်တွင် သင် ထုတ်လုပ်သည့်အရာအတွက် သင်ကိုယ်တိုင် ဆက်လက် တာဝန်ရှိနေသည်။

07ဆင်ဆာမဲ့ Laguna API ကို မည်သို့ ခေါ်ဆိုမည်နည်း

Dialect သုံးမျိုး၊ မော်ဒယ်တစ်ခု — /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses။ Streaming က သုံးမျိုးလုံးတွင် အလုပ်လုပ်သောကြောင့် ရှိပြီးသား integration တစ်ခုသည် base URL နှင့် model id တစ်ခု ပြောင်းလိုက်ရုံဖြင့် ပြောင်းရွှေ့နိုင်သည် — SDK အစားထိုးရန် သို့မဟုတ် message handling ပြန်ရေးရန် မလိုပါ။

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"
}

လက်တွေ့ မှတ်ချက် အနည်းငယ် —

• ဤ model id ဆီသို့ response_format သို့မဟုတ် json_schema မပို့ပါနှင့် — သင့် client library က default အနေနှင့် တစ်ခုခုကို သတ်မှတ်ထားလျှင် ၎င်းကို unset လုပ်ပါ သို့မဟုတ် ၎င်းကို ထောက်ပံ့သော ညီအစ်ကိုတစ်ခုသို့ ပြောင်းပါ။
• Tool များကို ပုံမှန် tools array ထဲသို့ ထည့်ပါ — tool calling ကို အပြည့်အဝ ထောက်ပံ့ထားပြီး free-text schema enforcement တစ်ခုတည်းသာ မရှိပါ။
• သင့် reasoning ကို budget လုပ်ပါ။ reasoning_effort ကို လိုက်နာသည် — low သို့မဟုတ် off ထားလျှင် conversational latency ကို နိမ့်ထားပြီး output token ကို ဈေးသက်သာစေသည်; multi-step tool အလုပ်အတွက် မြှင့်ပါ၊ အထက်ပါ benchmark ကွာဟချက်က ၎င်းက ဘာဝယ်ပေးသည်ကို ပြသသည်။
• Output ကန့်သတ်ချက်သည် request တစ်ခုလျှင် token 16,384 ဖြစ်သည်။ စာအုပ်အရွယ်အစား generation အတွက် chapter ခွဲပြီး stream လုပ်ပါ။
• စာသားသာ။ ဤ model id တွင် ရုပ်ပုံ input မရှိပါ — vision အတွက် MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 သို့မဟုတ် inkling ကို သုံးပါ။

Parameter အပြည့်အစုံ အညွှန်း, authentication, error semantics နှင့် တိုက်ရိုက် playground — API documentation။

08ဘယ်အချိန် ရွေးချယ်ရမလဲ၊ ဘယ်အချိန် မရွေးချယ်သင့်လဲ

သင့် output သည် လူတစ်ဦးက ဖတ်ရှုသော prose, dialogue သို့မဟုတ် code ဖြစ်လျှင်; schema-constrained စာသား မဟုတ်ဘဲ tool calling လိုအပ်လျှင်; context ရှည်လျားခြင်းထက် token တစ်ခုလျှင် ကုန်ကျစရိတ် ပိုအရေးကြီးလျှင်; သို့မဟုတ် ကျန်စာရင်းကို ဖြည့်ထားသော DeepSeek, Kimi နှင့် MiMo မိသားစုများ မှ ကွဲပြားသော မျိုးရိုးတစ်ခု၏ ဒုတိယအကြံပေးချက် လိုချင်လျှင် ဤမော်ဒယ်ကို ရွေးချယ်ပါ။

အာမခံ JSON (MiMo-V2.5-Pro), ရုပ်ပုံနားလည်မှု (Kimi-K2.6 သို့မဟုတ် MiMo-V2.5), သို့မဟုတ် အဖြေမှန်ကန်ခြင်းနှင့် ယှဉ်လျှင် ဈေးနှုန်းကွာဟချက် အရေးမကြီးသော ခက်ခဲမှု အစွန်းရောက် (DeepSeek-V4-Pro, Kimi-K3) လိုအပ်လျှင် အခြားတစ်ခုကို ရွေးချယ်ပါ။

09မေးလေ့ရှိသော မေးခွန်းများ

---

Sources: Poolside — Laguna S 2.1 model card · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound။ ဗိသုကာလက်ရာနှင့် benchmark ကိန်းဂဏန်းများသည် quantize မလုပ်ရသေးသော ထုတ်ပြန်ချက်အတွက် ထုတ်ဝေသူ ဖော်ပြချက်များ ဖြစ်ပြီး ကျွန်ုပ်တို့ ဝန်ဆောင်မှုပေးသည့် build ၏ တိုင်းတာမှု မဟုတ်ပါ။ Shannon AI ကို Shannon Lab LLC, New Mexico, USA က လည်ပတ်ထားသည်။