Usensurert Laguna-API

De fleste sider om «billige modeller» ber deg godta en liten, sliten grunnmodell i bytte mot et lavt tall. Denne gjør ikke det. Laguna S 2.1 er et tynt Mixture-of-Experts-slipp fra inneværende generasjon, trent på 4,096 H200-kort og levert på under ni uker, og den ligger på det samme gulvet på $0.50 / $2.00 som alle de andre inngangsmodellene vi serverer. Avveiningen er smal og lett å resonnere om: du gir fra deg serverhåndhevet strukturert utdata og beholder alt annet.

01Hva er Laguna S 2.1?

Laguna S 2.1 er en modell med åpne vekter sluppet av Poolside 21. juli 2026 under den tillatende OpenMDW-1.1-lisensen — mellomstørrelsen i Laguna-familien, mellom Laguna XS 2.1 (33B/3B aktive) og Laguna M.1 (225B/23B aktive).

Den publiserte arkitekturen er en token-velger-ruter med softplus-portering over 256 rutede eksperter pluss én delt ekspert, ti valgt per token, over 48 lag — tolv med global oppmerksomhet, trettiseks med glidende vindu på 512 tokens, en veksling som holder oppmerksomhetskostnaden for svært lange inndata nær lineær i stedet for kvadratisk. Oppmerksomheten er gruppert spørring med 8 nøkkel-verdi-hoder med hodedimensjon 128.

To konsekvenser betyr noe for en API-bruker. Den tynne aktiveringen er grunnen til at en 118B-modell kan ligge på gulvprisen — bare ~8B parametere arbeider per token, så regnearbeidet per token ligger nærmere en liten tett modell enn parameterantallet antyder. Og vekslingen med glidende vindu er grunnen til at det lange vinduet er reelt brukbart snarere enn nominelt. Poolsides slipp støtter 1,048,576 tokens; vi serverer 262,144, likt med alle andre modeller på gatewayen.

02Det ene forbeholdet: ingen strukturert utdata

Hva som fortsatt fungerer. Verktøykall støttes fullt ut, og argumentene i verktøykall kommer fortsatt som et JSON-objekt nøyaktig som på enhver annen modell her. Er applikasjonens «strukturerte utdata» egentlig verktøyargumenter — noe som gjelder de fleste agentrammeverk, MCP-servere og databasefronter — betjener Laguna S 2.1 deg helt fint. Strømming fungerer på alle tre dialektene; reasoning_effort fungerer.

Hva som ikke gjør det. Du kan ikke gi endepunktet et JSON-skjema og være garantert at assistentens tekstsvar validerer mot det, og response_format: {"type": "json_object"} gir deg ingenting. Å be om JSON i prompten produserer som regel JSON — dette er en kompetent modell — men «som regel» er ingen kontrakt. Poolside dokumenterer selv feil JSON-escaping i dypt nestede verktøykall som en kjent begrensning, en påminnelse om at garantien, der den finnes ellers i utvalget vårt, kommer fra serveringslaget og ikke fra modellens gode hensikter.

Hvilken søstermodell du bør bruke i stedet

Trenger arbeidsmengden din garantert JSON, ikke kjemp mot denne modellen — bytt modell-ID. Fire søstermodeller ligger på nøyaktig samme pris $0.50 / $2.00 med full støtte for json_schema og response_format:

Modell-ID	json_schema	Syn	Hvorfor du ville valgt den
MiMo-V2.5-Pro-W8A16	Ja	Nei	Det direkte byttet — 8-bits vekter, nivået med høyest troskap, samme pris
MiMo-V2.5-W8A16	Ja	Ja	Det samme, pluss bilder som inndata
Hy3-W8A16	Ja	Nei	Enda en 8-bits tekstmodell til gulvprisen
DeepSeek-V4-Flash-0731	Ja	Nei	W4A16-AutoRound-REAP som Laguna, med skjemastøtten intakt

Det naturlige standardvalget er MiMo-V2.5-Pro (W8A16): kun tekst, gulvpris, kvantisert på det mildeste nivået vi kjører — detaljer på modellkortet for MiMo-V2.5. Fordi alle tolv modellene deler endepunkter, kontekstvindu og utdatatak, er det å bytte en endring på én linje i model-feltet.

03Hva betyr W4A16-AUTOROUND-REAP?

Suffikset på modell-ID-en er ikke pynt — det sier nøyaktig hvordan vektene ble komprimert før de ble lastet inn på GPU-klyngen vår. Tre deler.

W4A16 — 4-bits vekter, 16-bits aktiveringer

Vektene lagres med 4 bits; aktiveringene — verdiene som flyter mellom lagene under inferens — holder 16. Å kutte vektene til en fjerdedel av BF16-avtrykket sitt er det som gjør at en 118B-modell får plass og holder farten, mens det å holde aktiveringene brede beskytter den numerisk følsomme delen av foroverkjøringen. Komprimer det som er stort og statisk, la det som er lite og dynamisk være i fred.

AutoRound — lært avrunding, ikke avrunding til nærmeste

Den naive måten å kvantisere på er avrunding til nærmeste: knepp hver vekt til den nærmeste 4-bits verdien, godta feilen. AutoRound, Intels åpne verktøykasse for kvantisering etter trening, gjør det bedre — SignRound-metoden bruker fortegnsbasert gradientnedstigning til å optimere avrundingsvalg og klippeområder i fellesskap over et par hundre steg, og avgjør per vekt om å runde opp eller ned gjør minst skade på lagets faktiske utdata. Den låner idéen fra kvantiseringsbevisst trening uten kostnaden ved å trene på nytt, og det er derfor en W4A16-bygging kan være en seriøs modell snarere enn en tapsbefengt kuriositet.

REAP — å beskjære eksperter i stedet for å slå dem sammen

REAP er Router-weighted Expert Activation Pruning, publisert av Cerebras Research. I en MoE-modell drar ikke alle eksperter sin del av lasset: ruteren sender få tokens til noen, og noen bidrar med lite når de først fyrer. REAP scorer hver ekspert på begge signalene — ruterens portverdier og ekspertens aktiveringsnormer — og fjerner de lite fremtredende i ett skudd, før kvantisering. Avgjørende nok beskjærer den snarere enn å slå sammen: sammenslåing bretter flere eksperter inn i én, ødelegger ruterens finkornede, inndataavhengige styring og innfører et feilgulv ingen justering fjerner (forfatterne kaller det kollaps av det funksjonelle underrommet), mens beskjæring lar de overlevende og ruterens styring over dem være intakt. Cerebras rapporterer at de fjerner opptil 50% av ekspertene i modeller med en billion parametere med i stor grad bevart utgangskvalitet — på en kodemodell på 480B med 50% beskjæring, 97.6% av utgangsnivået på ikke-agentisk koding og 96.7% på agentisk SWE-Bench. Det er Cerebras' tall for deres egne modeller, ikke målinger av vår bygging, men de er grunnen til at vi kjører denne stabelen på en grunnmodell hvis primære styrke er kode.

Til sammen leses suffikset som en setning: beskjær ekspertene som knapt ble brukt, lær 4-bits-avrundingen i stedet for å gjette den, hold aktiveringene i full bredde.

04Hva er denne modellen faktisk god til?

Ærlighet først: Laguna S 2.1 er en samtalemodell kun for tekst — ingen bilder som inndata på denne modell-ID-en — og Poolside bygde den for agentisk koding og arbeid over lang horisont, ikke for prosa. Ettertreningen gikk over 409,000 miljøer, deriblant 83,000 terminaloppgaver og 168,000 programvareutviklingsoppgaver, med forsterkningslæring i FP8. Poolsides rapporterte resultater for det ukvantiserte slippet:

Benchmark	Med tenking	Uten tenking	Hva den måler
SWE-Bench Multilingual	78.5%	—	Reelle feilrettinger på tvers av mange språk
Terminal-Bench 2.1	70.2%	60.4%	Skall- og verktøyarbeid over flere steg
SWE-Bench Pro	59.4%	—	Vanskeligere, forurensningsresistente repo-oppgaver
Toolathlon Verified	49.7%	—	Bredde i verktøybruk på tvers av mange API-er
SWE Atlas	46.2%	—	Navigasjon i kodebaser over lang horisont
DeepSWE v1.1	40.4%	16.5%	Agentisk programvareutvikling

Gapet mellom de to kolonnene er det mest handlingsrettede tallet her: på DeepSWE mer enn dobles skåren når resonnering er slått på, og på Terminal-Bench vinner den nesten ti poeng.

Tall rapportert av Poolside for det ukvantiserte Laguna S 2.1-slippet, juli 2026. De er ikke målinger av vår W4A16-AutoRound-REAP-bygging, og vi publiserer ingen egne benchmark-tall for den. Bruk reasoning_effort til å styre tenkebudsjettet på API-et vårt.

For samtale og kreativt arbeid er den ærlige posisjonen denne: egenskapene bak lange agentiske kjøringer — å holde mye tilstand sammenhengende, å bli i oppgaven, å ikke drive av gårde — er de samme som ligger bak langt karakterarbeid, og i praksis holder den stemmen godt over et svært langt vindu. Ingen publisert benchmark sier det, og vi skal ikke finne opp en. Test den på dine egne prompter; til $0.50 per million inn-tokens er det nesten gratis.

05Hva kjøper gulvprisen egentlig?

$0.50 inn / $2.00 ut per million tokens er inngangsnivået på Shannon AI Gateway, delt med MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro og Hy3. Konkret:

Arbeidsmengde	Inn	Ut	Kostnad
Én samtalerunde med 100K historikk	100,000	2,000	$0.054
Et kapittel på 5,000 ord fra en lang brief	30,000	7,000	$0.029
1,000 korte samtalerunder	4,000,000	500,000	$3.00
En full lesning av 262K tokens kontekst	262,144	16,384	$0.164

Den siste raden er den du bør ta innover deg: å fylle hele kontekstvinduet og generere det maksimale svaret på 16,384 tokens koster rundt seksten cent. Å mate et helt manuskript, en øktlogg eller et dokumentsett inn i ett kall slutter å være et budsjettvalg og blir et latensvalg. Det samme regnestykket driver den andre bruken av gulvprisen — volum: bulkklassifisering, omskriving i stor skala, syntetisk dialog, førsteutkast som en sterkere modell finpusser senere. Se prissiden og forskningsindeksen.

06Hva «usensurert» betyr her

Det betyr det det sier: ingen avvisningslag og ingen innholdsfiltrering av utdata. Ingen klassifiserer sitter mellom modellen og svaret ditt og avgjør om du hadde lov til å spørre; modellen svarer i registeret du ba om og belærer deg ikke om premisset først.

For kreativt arbeid er det forskjellen på et brukbart verktøy og et ubrukelig. Skjønnlitteratur inneholder truende antagonister, personer som lyver overbevisende, vold med konsekvenser, moralsk kompromitterte fortellere — en modell som bryter karakter for å føye til en ansvarsfraskrivelse, har mislyktes med oppgaven, ikke lykkes med sikkerhet. Det samme gjelder sikkerhetsforskning, red team-dokumentasjon, medisinsk og juridisk skrivearbeid, og oversettelse der kilden er direkte: kategorier der en avvisning ganske enkelt er et galt svar. Det det ikke betyr, er at skjønnet slutter å være ditt — du er fortsatt ansvarlig for det du genererer, under vår policy for ansvarlig bruk og gjeldende lov.

07Slik kaller du det usensurerte Laguna-API-et

Tre dialekter, én modell: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Strømming fungerer på alle tre, så en eksisterende integrasjon flyttes over ved å endre en base-URL og en modell-ID — ingen SDK-bytte, ingen omskriving av meldingshåndteringen din.

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"
}

Noen praktiske merknader:

• Ikke send response_format eller json_schema til denne modell-ID-en — setter klientbiblioteket ditt en av dem som standard, må du fjerne den eller gå over til en søstermodell som støtter den.
• Verktøy legges i det vanlige tools-arrayet — verktøykall støttes fullt ut; det er bare skjemahåndheving på fritekst som ikke gjør det.
• Budsjetter resonneringen. reasoning_effort respekteres — lav eller av holder samtalelatensen nede og ut-tokenene billige; skru den opp for verktøyarbeid over flere steg, der benchmark-gapet over viser hva det kjøper.
• Utdatataket er 16,384 tokens per forespørsel. Til generering i bokformat, del opp i kapitler og strøm.
• Kun tekst. Ingen bilder som inndata på denne modell-ID-en — bruk MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 eller inkling til syn.

Fullstendig parameterreferanse, autentisering, feilsemantikk og en interaktiv lekegrind: API-dokumentasjonen.

08Når du bør velge den, og når ikke

Velg den når utdataene dine er prosa, dialog eller kode som leses av et menneske; du trenger verktøykall, men ikke skjemabegrenset tekst; kostnad per token dominerer over lang kontekst; eller du vil ha en ny vurdering fra en annen avstamning enn DeepSeek-, Kimi- og MiMo-familiene som fyller resten av utvalget.

Velg noe annet når du trenger garantert JSON (MiMo-V2.5-Pro), bildeforståelse (Kimi-K2.6 eller MiMo-V2.5), eller den fremste enden av vanskelighetsgrad der prisgapet er irrelevant ved siden av å få svaret riktig (DeepSeek-V4-Pro, Kimi-K3).

09Ofte stilte spørsmål

---

Kilder: Poolside — modellkortet for Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Arkitektur- og benchmark-tall er rapportert av utgiveren for det ukvantiserte slippet, ikke målinger av byggingen vi serverer. Shannon AI drives av Shannon Lab LLC, New Mexico, USA.