Ongecensureerde Laguna-API

De meeste pagina's over een "goedkoop model" vragen u een klein, vermoeid basismodel te accepteren in ruil voor een laag getal. Deze niet. Laguna S 2.1 is een spaarzame Mixture-of-Experts-uitgave van de huidige generatie, getraind op 4,096 H200's en in minder dan negen weken opgeleverd, en het zit op dezelfde bodem van $0.50 / $2.00 als elk ander instapmodel dat wij serveren. De afweging is smal en makkelijk te doorzien: u geeft door de server afgedwongen gestructureerde uitvoer op en houdt al het andere.

01Wat is Laguna S 2.1?

Laguna S 2.1 is een open-weights-model dat Poolside op 21 juli 2026 uitbracht onder de permissieve licentie OpenMDW-1.1 — het middelgrote lid van de Laguna-familie, tussen Laguna XS 2.1 (33B/3B actief) en Laguna M.1 (225B/23B actief).

De gepubliceerde architectuur is een token-choice-router met softplus-gating over 256 gerouteerde experts plus één gedeelde expert, tien geselecteerd per token, verdeeld over 48 lagen — twaalf met globale attentie, zesendertig met een schuivend venster van 512 tokens, een afwisseling die de attentiekosten van zeer lange invoer bijna lineair houdt in plaats van kwadratisch. De attentie is grouped-query met 8 key-value-heads bij een head-dimensie van 128.

Twee gevolgen doen ertoe voor wie de API gebruikt. De spaarzame activatie is de reden dat een model van 118B op de bodemprijs kan zitten — er werken maar ~8B parameters per token, dus het rekenwerk per token ligt dichter bij dat van een klein dicht model dan het parameteraantal suggereert. En de afwisseling met schuivende vensters is de reden dat het lange venster werkelijk bruikbaar is in plaats van nominaal. De uitgave van Poolside ondersteunt 1,048,576 tokens; wij serveren 262,144, gelijk aan elk ander model op de gateway.

02De ene kanttekening: geen gestructureerde uitvoer

Wat wel werkt. Tool calling wordt volledig ondersteund, en de argumenten van tool-aanroepen komen nog steeds als JSON-object binnen, precies als bij elk ander model hier. Is de "gestructureerde uitvoer" van uw applicatie in werkelijkheid toolargumenten — wat voor de meeste agentframeworks, MCP-servers en databasefrontends geldt — dan bedient Laguna S 2.1 u prima. Streaming werkt op alle drie de dialecten; reasoning_effort werkt.

Wat niet werkt. U kunt het endpoint geen JSON-schema aanreiken met de garantie dat het tekstantwoord van de assistent daaraan voldoet, en response_format: {"type": "json_object"} levert u niets op. Om JSON vragen levert doorgaans JSON op — dit is een competent model — maar "doorgaans" is geen contract. Poolside documenteert zelf onjuiste JSON-escaping bij diep geneste tool-aanroepen als bekende beperking, een herinnering dat de garantie, waar die elders in ons assortiment bestaat, uit de serveerlaag komt en niet uit de goede bedoelingen van het model.

Welk verwant model u in plaats daarvan neemt

Heeft uw werklast gegarandeerde JSON nodig, vecht dan niet met dit model — verander de model-id. Vier verwante modellen zitten op dezelfde prijs van $0.50 / $2.00 met volledige ondersteuning voor json_schema en response_format:

Model-id	json_schema	Vision	Waarom u het zou kiezen
MiMo-V2.5-Pro-W8A16	Ja	Nee	De directe vervanger — gewichten van 8 bits, het niveau met de hoogste getrouwheid, dezelfde prijs
MiMo-V2.5-W8A16	Ja	Ja	Hetzelfde, plus beeldinvoer
Hy3-W8A16	Ja	Nee	Nog een tekstmodel op 8 bits voor de bodemprijs
DeepSeek-V4-Flash-0731	Ja	Nee	W4A16-AutoRound-REAP net als Laguna, met schema-ondersteuning intact

De natuurlijke standaardkeuze is MiMo-V2.5-Pro (W8A16): alleen tekst, bodemprijs, gekwantiseerd op het mildste niveau dat wij draaien — details op de modelkaart van MiMo-V2.5. Omdat alle twaalf modellen dezelfde endpoints, hetzelfde contextvenster en hetzelfde uitvoerplafond delen, is wisselen een wijziging van één regel in het veld model.

03Wat betekent W4A16-AUTOROUND-REAP?

Het achtervoegsel op de model-id is geen versiering — het zegt precies hoe de gewichten zijn gecomprimeerd voordat ze op ons GPU-cluster werden geladen. Drie delen.

W4A16 — gewichten van 4 bits, activaties van 16 bits

Gewichten worden op 4 bits opgeslagen; activaties — de waarden die tijdens inferentie tussen de lagen stromen — blijven op 16. Gewichten terugbrengen tot een kwart van hun BF16-voetafdruk is wat een model van 118B laat passen en snel houdt, terwijl brede activaties het numeriek gevoelige deel van de forward pass beschermen. Comprimeer wat groot en statisch is, en laat wat klein en dynamisch is met rust.

AutoRound — geleerd afronden, niet afronden op de dichtstbijzijnde waarde

De naïeve manier om te kwantiseren is afronden op de dichtstbijzijnde waarde: klik elk gewicht vast op de dichtstbijzijnde 4-bitswaarde en accepteer de fout. AutoRound, Intels open toolkit voor kwantisatie na de training, doet het beter — de SignRound-methode gebruikt signed gradient descent om afrondingsbeslissingen en afknotbereiken in een paar honderd stappen gezamenlijk te optimaliseren, en bepaalt per gewicht of naar boven of naar beneden afronden minder schade doet aan de werkelijke uitvoer van de laag. Het leent het idee van quantization-aware training zonder de kosten van hertrainen, en daarom kan een W4A16-build een serieus model zijn in plaats van een lossy curiositeit.

REAP — experts snoeien in plaats van samenvoegen

REAP staat voor Router-weighted Expert Activation Pruning, gepubliceerd door Cerebras Research. In een MoE-model trekken niet alle experts hun gewicht: de router stuurt naar sommige weinig tokens, en sommige dragen weinig grootte bij wanneer ze wel vuren. REAP geeft elke expert een score op beide signalen — gate-waarden van de router en activatienormen van de expert — en verwijdert de weinig saillante in één stap, vóór het kwantiseren. Cruciaal is dat het snoeit in plaats van samenvoegt: samenvoegen vouwt meerdere experts tot één, vernietigt de fijnkorrelige, invoerafhankelijke regie van de router en introduceert een foutbodem die geen afstelling wegneemt (de auteurs noemen dat functionele deelruimte-instorting), terwijl snoeien de overlevers en de regie van de router daarover intact laat. Cerebras rapporteert dat tot 50% van de experts uit modellen met een biljoen parameters kan worden verwijderd met grotendeels behoud van de basiskwaliteit — op een codeermodel van 480B bij 50% snoeien bleef 97.6% van de niet-agentische codeervaardigheid van de baseline over en 96.7% op agentische SWE-Bench. Dat zijn cijfers van Cerebras voor hun eigen modellen, geen metingen van onze build, maar ze zijn de reden dat wij deze stack draaien op een basismodel waarvan de belangrijkste sterkte code is.

Samen leest het achtervoegsel als een zin: snoei de experts die nauwelijks werden gebruikt, leer de afronding op 4 bits in plaats van ernaar te gissen, en houd de activaties op volle breedte.

04Waar is dit model werkelijk goed in?

Eerst de eerlijkheid: Laguna S 2.1 is een conversatiemodel dat alleen tekst verwerkt — geen beeldinvoer op deze model-id — en Poolside bouwde het voor agentisch coderen en werk met een lange horizon, niet voor proza. De post-training liep over 409,000 omgevingen, waaronder 83,000 terminaltaken en 168,000 software-engineeringtaken, met reinforcement learning in FP8. De door Poolside gerapporteerde resultaten voor de ongekwantiseerde uitgave:

Benchmark	Denkend	Niet-denkend	Wat het meet
SWE-Bench Multilingual	78.5%	—	Echte bugfixes in veel talen
Terminal-Bench 2.1	70.2%	60.4%	Shell- en toolwerk in meerdere stappen
SWE-Bench Pro	59.4%	—	Zwaardere, besmettingsbestendige repotaken
Toolathlon Verified	49.7%	—	Breedte van toolgebruik over veel API's
SWE Atlas	46.2%	—	Navigeren door repositories met lange horizon
DeepSWE v1.1	40.4%	16.5%	Agentische software-engineering

Het gat tussen de twee kolommen is hier het bruikbaarste getal: op DeepSWE meer dan verdubbelt de score wanneer redeneren aanstaat, en op Terminal-Bench wint hij bijna tien punten.

Door Poolside gerapporteerde cijfers voor de ongekwantiseerde uitgave van Laguna S 2.1, juli 2026. Het zijn geen metingen van onze W4A16-AutoRound-REAP-build, en wij publiceren daarvoor geen eigen benchmarkcijfers. Gebruik reasoning_effort om het denkbudget op onze API te regelen.

Voor conversatie en creatief werk is dit het eerlijke standpunt: de eigenschappen achter lange agentische runs — veel toestand samenhangend vasthouden, bij de taak blijven, niet afdrijven — zijn dezelfde als die achter lang werk met personages, en in de praktijk houdt het zijn stem goed vast over een zeer lang venster. Geen enkele gepubliceerde benchmark zegt dat, en wij verzinnen er geen. Test het op uw eigen prompts; bij $0.50 per miljoen invoertokens is dat vrijwel gratis.

05Wat koopt de bodemprijs eigenlijk?

$0.50 in / $2.00 uit per miljoen tokens is het instapniveau op de Shannon AI Gateway, gedeeld met MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro en Hy3. Concreet:

Werklast	Invoer	Uitvoer	Kosten
Eén chatbeurt met 100K geschiedenis	100,000	2,000	$0.054
Een hoofdstuk van 5,000 woorden uit een lange briefing	30,000	7,000	$0.029
1,000 korte conversatiebeurten	4,000,000	500,000	$3.00
Een volledige lezing van 262K tokens context	262,144	16,384	$0.164

De laatste rij is degene om te internaliseren: het hele contextvenster vullen en het maximale antwoord van 16,384 tokens genereren kost ongeveer zestien cent. Een heel manuscript, sessietranscript of documentenset in één aanroep stoppen houdt op een budgetbeslissing te zijn en wordt een latentiebeslissing. Dezelfde rekensom drijft het andere gebruiksscenario voor de bodemprijs — volume: batchclassificatie, massaal herschrijven, synthetische dialoog, eerste versies die een sterker model later bijschaaft. Zie de prijspagina en de onderzoeksindex.

06Wat "ongecensureerd" hier betekent

Het betekent wat het zegt: geen weigeringslaag en geen contentfiltering op de uitvoer. Er zit geen classifier tussen het model en uw antwoord die beslist of u het mocht vragen; het model antwoordt in het register waarom u vroeg en houdt vooraf geen preek over de premisse.

Voor creatief werk is dat het verschil tussen een bruikbaar en een onbruikbaar gereedschap. Fictie bevat dreigende antagonisten, personages die overtuigend liegen, geweld met gevolgen, moreel besmette vertellers — een model dat uit zijn rol stapt om een disclaimer aan te plakken, heeft de taak niet volbracht en niet aan veiligheid gewonnen. Hetzelfde geldt voor beveiligingsonderzoek, red-teamdocumentatie, medische en juridische teksten, en vertalingen waarvan de bron bot is: categorieën waarin een weigering simpelweg een fout antwoord is. Wat het niet betekent, is dat het oordeel ophoudt van u te zijn — u blijft verantwoordelijk voor wat u genereert, onder ons beleid voor verantwoord gebruik en het toepasselijke recht.

07Hoe u de ongecensureerde Laguna API aanroept

Drie dialecten, één model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Streaming werkt op alle drie, dus een bestaande integratie verhuist door een base-URL en een model-id te wijzigen — geen andere SDK, geen herschreven berichtafhandeling.

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"
}

Een paar praktische noten:

• Stuur geen response_format of json_schema naar deze model-id — zet uw clientbibliotheek er standaard een, schakel die uit of stap over op een verwant model dat het wel ondersteunt.
• Tools gaan in de gebruikelijke tools-array — tool calling wordt volledig ondersteund; alleen het afdwingen van een schema op vrije tekst niet.
• Begroot uw redeneren. reasoning_effort wordt gehonoreerd — laag of uit houdt de latentie in gesprekken laag en de uitvoertokens goedkoop; zet hem hoger voor toolwerk in meerdere stappen, waar het benchmarkgat hierboven laat zien wat dat oplevert.
• Het uitvoerplafond is 16,384 tokens per verzoek. Voor generatie ter lengte van een boek: knip het in hoofdstukken en stream.
• Alleen tekst. Geen beeldinvoer op deze model-id — gebruik MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 of inkling voor vision.

Volledige parameterreferentie, authenticatie, foutsemantiek en een live playground: API-documentatie.

08Wanneer u het kiest, en wanneer niet

Kies het wanneer uw uitvoer proza, dialoog of code is die een mens leest; u tool calling nodig hebt maar geen door een schema begrensde tekst; de kosten per token zwaarder wegen dan lange context; of u een tweede mening wilt uit een andere afstamming dan de DeepSeek-, Kimi- en MiMo-families die de rest van het assortiment vullen.

Kies iets anders wanneer u gegarandeerde JSON nodig hebt (MiMo-V2.5-Pro), beeldbegrip (Kimi-K2.6 of MiMo-V2.5), of het uiterste van de moeilijkheidsgraad waar het prijsverschil er niet toe doet naast het juiste antwoord krijgen (DeepSeek-V4-Pro, Kimi-K3).

09Veelgestelde vragen

---

Bronnen: Poolside — modelkaart Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. De cijfers over architectuur en benchmarks zijn door de uitgever gerapporteerd voor de ongekwantiseerde uitgave, geen metingen van de build die wij serveren. Shannon AI wordt geëxploiteerd door Shannon Lab LLC, New Mexico, VS.