Nieocenzurowane API Laguna

Większość stron o „tanim modelu” prosi cię, byś w zamian za niską cenę przyjął mały, zmęczony fundament. Ta nie. Laguna S 2.1 to wydanie rzadkiej mieszanki ekspertów z bieżącej generacji, trenowane na 4096 kartach H200 i dostarczone w niecałe dziewięć tygodni, a stoi na tym samym progu $0.50 / $2.00 co każdy inny serwowany przez nas model poziomu wejściowego. Kompromis jest wąski i łatwy do przemyślenia: rezygnujesz z wyjścia strukturalnego wymuszanego przez serwer, a zachowujesz całą resztę.

01Czym jest Laguna S 2.1?

Laguna S 2.1 to model o otwartych wagach wydany przez Poolside 21 lipca 2026 na permisywnej licencji OpenMDW-1.1 — średni członek rodziny Laguna, między Laguna XS 2.1 (33B/3B aktywnych) a Laguna M.1 (225B/23B aktywnych).

Opublikowana architektura to router typu token-choice z bramkowaniem softplus nad 256 routowanymi ekspertami plus jednym współdzielonym, po dziesięciu wybieranych na token, w 48 warstwach — dwunastu z uwagą globalną i trzydziestu sześciu z oknem przesuwnym o szerokości 512 tokenów; to przeplatanie utrzymuje koszt uwagi dla bardzo długich wejść blisko liniowego zamiast kwadratowego. Uwaga jest grupowana zapytaniami, z 8 głowicami klucz-wartość o wymiarze głowicy 128.

Dla odbiorcy API liczą się dwie konsekwencje. Rzadka aktywacja jest powodem, dla którego model o 118 miliardach parametrów może stać w cenie minimalnej — na token pracuje tylko ~8B parametrów, więc obliczenia na token są bliższe małemu modelowi gęstemu, niż sugeruje liczba parametrów. A przeplatanie okna przesuwnego jest powodem, dla którego długie okno jest naprawdę użyteczne, a nie tylko nominalne. Wydanie Poolside obsługuje 1,048,576 tokenów; my serwujemy 262,144, tak jak każdy inny model w bramie.

02Jedno zastrzeżenie: brak wyjścia strukturalnego

Co nadal działa. Wywoływanie narzędzi jest w pełni obsługiwane, a argumenty wywołań narzędzi wciąż przychodzą jako obiekt JSON, dokładnie tak jak w każdym innym modelu tutaj. Jeśli „wyjściem strukturalnym” twojej aplikacji są w rzeczywistości argumenty narzędzi — a tak jest w większości frameworków agentowych, serwerów MCP i nakładek na bazy danych — Laguna S 2.1 spełni swoje zadanie. Streaming działa we wszystkich trzech dialektach; reasoning_effort działa.

Co nie działa. Nie możesz podać endpointowi schematu JSON i mieć gwarancji, że tekstowa odpowiedź asystenta go spełni, a response_format: {"type": "json_object"} nic ci nie daje. Proszenie o JSON w promptcie zwykle daje JSON — to kompetentny model — ale „zwykle” nie jest kontraktem. Sam Poolside dokumentuje nieprawidłowe escapowanie JSON-a w głęboko zagnieżdżonych wywołaniach narzędzi jako znane ograniczenie, co przypomina, że gwarancja — tam, gdzie istnieje w reszcie naszej oferty — pochodzi z warstwy serwującej, a nie z dobrych intencji modelu.

Które rodzeństwo wziąć zamiast tego

Jeśli twoje obciążenie wymaga gwarantowanego JSON-a, nie walcz z tym modelem — zmień identyfikator modelu. Cztery bliźniacze modele stoją w identycznej cenie $0.50 / $2.00 z pełnym wsparciem json_schema i response_format:

Identyfikator modelu	json_schema	Wizja	Dlaczego go wybrać
MiMo-V2.5-Pro-W8A16	Tak	Nie	Bezpośredni zamiennik — wagi 8-bitowe, poziom najwyższej wierności, ta sama cena
MiMo-V2.5-W8A16	Tak	Tak	To samo plus wejście obrazowe
Hy3-W8A16	Tak	Nie	Kolejny 8-bitowy model tekstowy w cenie minimalnej
DeepSeek-V4-Flash-0731	Tak	Nie	W4A16-AutoRound-REAP jak Laguna, ale ze wsparciem schematu

Naturalnym domyślnym wyborem jest MiMo-V2.5-Pro (W8A16): tylko tekst, cena minimalna, kwantyzacja na najłagodniejszym poziomie, jaki uruchamiamy — szczegóły w karcie modelu MiMo-V2.5. Ponieważ wszystkie dwanaście modeli dzieli endpointy, okno kontekstu i sufit wyjścia, przełączenie to zmiana jednej linii w polu model.

03Co oznacza W4A16-AUTOROUND-REAP?

Przyrostek w identyfikatorze modelu nie jest ozdobą — mówi dokładnie, jak wagi zostały skompresowane, zanim trafiły na nasz klaster GPU. Trzy części.

W4A16 — wagi 4-bitowe, aktywacje 16-bitowe

Wagi są przechowywane na 4 bitach; aktywacje — wartości płynące między warstwami w czasie inferencji — zostają na 16. Ścięcie wag do jednej czwartej ich rozmiaru w BF16 jest tym, co sprawia, że model 118B mieści się i pozostaje szybki, a utrzymanie szerokich aktywacji chroni numerycznie wrażliwą część przejścia w przód. Skompresuj to, co duże i statyczne, zostaw w spokoju to, co małe i dynamiczne.

AutoRound — zaokrąglanie wyuczone, nie do najbliższej wartości

Naiwny sposób kwantyzacji to zaokrąglanie do najbliższej wartości: przyciągnij każdą wagę do najbliższej wartości 4-bitowej i pogódź się z błędem. AutoRound, otwarty zestaw narzędzi Intela do kwantyzacji potreningowej, robi to lepiej — jego metoda SignRound używa znakowego spadku gradientu, by przez kilkaset kroków wspólnie optymalizować decyzje o zaokrąglaniu i zakresy przycinania, rozstrzygając dla każdej wagi, czy zaokrąglenie w górę czy w dół mniej szkodzi faktycznemu wyjściu warstwy. Zapożycza pomysł z treningu świadomego kwantyzacji bez kosztu ponownego trenowania i właśnie dlatego kompilacja W4A16 może być poważnym modelem, a nie stratną ciekawostką.

REAP — przycinanie ekspertów zamiast ich scalania

REAP to Router-weighted Expert Activation Pruning, opublikowane przez Cerebras Research. W modelu MoE nie wszyscy eksperci zapracowują na swoje miejsce: do niektórych router wysyła mało tokenów, a niektórzy, gdy już się odpalą, wnoszą niewielką magnitudę. REAP ocenia każdego eksperta po obu sygnałach — wartościach bramki routera i normach aktywacji ekspertów — i jednorazowo usuwa tych o niskiej istotności, jeszcze przed kwantyzacją. Kluczowe, że przycina, a nie scala: scalanie zwija kilku ekspertów w jednego, niszcząc drobnoziarnistą, zależną od wejścia kontrolę routera i wprowadzając podłogę błędu, której żadne strojenie nie usunie (autorzy nazywają to funkcjonalnym zapadnięciem podprzestrzeni), podczas gdy przycinanie zostawia ocalałych i kontrolę routera nad nimi nietkniętą. Cerebras raportuje usunięcie do 50% ekspertów z modeli o bilionie parametrów przy w dużej mierze zachowanej jakości bazowej — na modelu kodującym 480B przy 50% przycięcia 97,6% bazowej zdolności kodowania nieagentowego i 96,7% na agentowym SWE-Bench. To liczby Cerebrasa dla ich własnych modeli, nie pomiary naszej kompilacji, ale to dlatego uruchamiamy ten stos na fundamencie, którego główną siłą jest kod.

Razem przyrostek czyta się jak zdanie: przytnij ekspertów, którzy byli ledwie używani, naucz się zaokrąglania 4-bitowego zamiast je zgadywać, zostaw aktywacje w pełnej szerokości.

04W czym ten model jest naprawdę dobry?

Najpierw uczciwie: Laguna S 2.1 to model konwersacyjny wyłącznie tekstowy — pod tym identyfikatorem modelu nie ma wejścia obrazowego — a Poolside zbudował go do kodowania agentowego i pracy na długim horyzoncie, nie do prozy. Potrening przebiegał w ponad 409 000 środowisk, w tym 83 000 zadaniach terminalowych i 168 000 inżynierii oprogramowania, z uczeniem ze wzmocnieniem w FP8. Wyniki raportowane przez Poolside dla nieskwantyzowanego wydania:

Benchmark	Z myśleniem	Bez myślenia	Co mierzy
SWE-Bench Multilingual	78.5%	—	Realne poprawki błędów w wielu językach
Terminal-Bench 2.1	70.2%	60.4%	Wieloetapowa praca w powłoce i z narzędziami
SWE-Bench Pro	59.4%	—	Trudniejsze zadania repozytoryjne odporne na kontaminację
Toolathlon Verified	49.7%	—	Szerokość użycia narzędzi w wielu API
SWE Atlas	46.2%	—	Nawigacja po repozytorium na długim horyzoncie
DeepSWE v1.1	40.4%	16.5%	Agentowa inżynieria oprogramowania

Różnica między tymi dwiema kolumnami to najbardziej użyteczna liczba tutaj: na DeepSWE wynik więcej niż się podwaja po włączeniu rozumowania, a na Terminal-Bench zyskuje niemal dziesięć punktów.

Liczby raportowane przez Poolside dla nieskwantyzowanego wydania Laguna S 2.1 z lipca 2026. Nie są pomiarami naszej kompilacji W4A16-AutoRound-REAP i nie publikujemy dla niej własnych wyników benchmarkowych. Do sterowania budżetem myślenia w naszym API użyj reasoning_effort.

Do pracy konwersacyjnej i kreatywnej uczciwe stanowisko brzmi tak: cechy stojące za długimi przebiegami agentowymi — spójne utrzymywanie dużego stanu, trzymanie się zadania, brak dryfu — są tymi samymi, które stoją za długą pracą z postacią, i w praktyce model dobrze trzyma głos w bardzo długim oknie. Żaden opublikowany benchmark tego nie mówi, a my go nie wymyślimy. Przetestuj na własnych promptach; przy $0.50 za milion tokenów wejściowych to niemal darmowe.

05Co właściwie kupuje cena minimalna?

$0.50 wejście / $2.00 wyjście za milion tokenów to poziom wejściowy w bramie Shannon AI, wspólny z MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro i Hy3. Konkretnie:

Obciążenie	Wejście	Wyjście	Koszt
Jedna tura czatu ze 100K historii	100,000	2,000	$0.054
Rozdział o 5000 słów z długiego briefu	30,000	7,000	$0.029
1000 krótkich tur konwersacyjnych	4,000,000	500,000	$3.00
Pełne odczytanie kontekstu 262K	262,144	16,384	$0.164

Ostatni wiersz warto zapamiętać: zapełnienie całego okna kontekstu i wygenerowanie maksymalnej odpowiedzi 16,384 tokenów kosztuje mniej więcej szesnaście centów. Wrzucenie całego maszynopisu, transkryptu sesji albo zestawu dokumentów do jednego wywołania przestaje być decyzją budżetową, a staje się decyzją o opóźnieniu. Ta sama arytmetyka napędza drugie zastosowanie ceny minimalnej — wolumen: klasyfikację wsadową, masowe przepisywanie, dialogi syntetyczne, szkice pierwszego podejścia, które mocniejszy model potem dopracuje. Zobacz stronę z cennikiem i indeks badań.

06Co znaczy tutaj „bez cenzury”

Znaczy dokładnie to, co mówi: brak warstwy odmów i brak filtrowania treści na wyjściu. Między modelem a twoją odpowiedzią nie siedzi żaden klasyfikator decydujący, czy wolno ci było zapytać; model odpowiada w rejestrze, o który poprosiłeś, i nie prawi ci najpierw kazania o samym założeniu.

W pracy kreatywnej to różnica między narzędziem użytecznym a bezużytecznym. Fikcja zawiera groźnych antagonistów, postacie kłamiące przekonująco, przemoc z konsekwencjami, moralnie skompromitowanych narratorów — model, który wychodzi z roli, by dokleić zastrzeżenie, zawalił zadanie, a nie odniósł sukces w bezpieczeństwie. To samo dotyczy badań bezpieczeństwa, dokumentacji red-teamingu, redagowania pism medycznych i prawnych oraz tłumaczeń, w których oryginał jest dosadny: kategorii, w których odmowa jest po prostu błędną odpowiedzią. Nie znaczy to natomiast, że osąd przestaje być twój — odpowiadasz za to, co generujesz, zgodnie z naszą polityką odpowiedzialnego użycia i obowiązującym prawem.

07Jak wywołać nieocenzurowane API Laguna

Trzy dialekty, jeden model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Streaming działa we wszystkich trzech, więc istniejąca integracja przenosi się przez zmianę bazowego URL i identyfikatora modelu — bez wymiany SDK, bez przepisywania obsługi wiadomości.

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"
}

Kilka praktycznych uwag:

• Nie wysyłaj response_format ani json_schema pod ten identyfikator modelu — jeśli twoja biblioteka kliencka ustawia je domyślnie, wyłącz je albo przejdź na rodzeństwo, które je obsługuje.
• Narzędzia trafiają do zwykłej tablicy tools — wywoływanie narzędzi jest w pełni obsługiwane; brakuje wyłącznie wymuszania schematu na swobodnym tekście.
• Planuj budżet rozumowania. reasoning_effort jest respektowany — niski albo wyłączony trzyma opóźnienie rozmowy nisko, a tokeny wyjściowe tanio; podnieś go do wieloetapowej pracy z narzędziami, gdzie powyższa różnica w benchmarkach pokazuje, co za to dostajesz.
• Sufit wyjścia to 16,384 tokenów na żądanie. Do generowania długości książkowej dziel na rozdziały i streamuj.
• Tylko tekst. Pod tym identyfikatorem modelu nie ma wejścia obrazowego — do wizji użyj MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 albo inkling.

Pełny opis parametrów, uwierzytelnianie, semantyka błędów i działający playground: dokumentacja API.

08Kiedy go wybrać, a kiedy nie

Wybierz go, gdy twoim wyjściem jest proza, dialog albo kod czytany przez człowieka; potrzebujesz wywoływania narzędzi, ale nie tekstu ograniczonego schematem; koszt na token dominuje nad długim kontekstem; albo chcesz drugiej opinii z rodowodu innego niż rodziny DeepSeek, Kimi i MiMo, które wypełniają resztę oferty.

Wybierz coś innego, gdy potrzebujesz gwarantowanego JSON-a (MiMo-V2.5-Pro), rozumienia obrazów (Kimi-K2.6 albo MiMo-V2.5) albo skrajnej trudności, przy której różnica ceny jest nieistotna wobec trafienia z odpowiedzią (DeepSeek-V4-Pro, Kimi-K3).

09Najczęściej zadawane pytania

---

Źródła: Poolside — karta modelu Laguna S 2.1 · Przedstawiamy Lagunę S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Dane o architekturze i benchmarkach są raportowane przez wydawcę dla nieskwantyzowanego wydania i nie są pomiarami kompilacji, którą serwujemy. Shannon AI jest prowadzone przez Shannon Lab LLC, Nowy Meksyk, USA.