API Laguna sem censura

A maioria das páginas de "modelo barato" pede que você aceite uma fundação pequena e cansada em troca de um número baixo. Esta não. O Laguna S 2.1 é um lançamento Mixture-of-Experts esparso da geração atual, treinado em 4,096 H200s e entregue em menos de nove semanas, e ele fica no mesmo piso de $0.50 / $2.00 de todos os outros modelos de nível de entrada que servimos. A troca é estreita e fácil de analisar: você abre mão da saída estruturada imposta pelo servidor e mantém todo o resto.

01O que é o Laguna S 2.1?

O Laguna S 2.1 é um modelo de pesos abertos lançado pela Poolside em 21 de julho de 2026 sob a licença permissiva OpenMDW-1.1 — o membro intermediário da família Laguna, entre o Laguna XS 2.1 (33B/3B ativos) e o Laguna M.1 (225B/23B ativos).

A arquitetura publicada é um roteador por escolha de token com gating softplus sobre 256 especialistas roteados mais um especialista compartilhado, dez selecionados por token, ao longo de 48 camadas — doze de atenção global, trinta e seis de janela deslizante com janela de 512 tokens, uma intercalação que mantém o custo de atenção de entradas muito longas perto do linear, em vez de quadrático. A atenção é grouped-query com 8 cabeças de chave-valor e dimensão de cabeça 128.

Duas consequências importam para quem consome a API. A ativação esparsa é a razão de um modelo de 118B poder ficar no preço de piso — apenas ~8B de parâmetros trabalham por token, então a computação por token está mais perto da de um modelo denso pequeno do que a contagem de parâmetros sugere. E a intercalação com janela deslizante é a razão de a janela longa ser genuinamente utilizável, e não apenas nominal. O lançamento da Poolside suporta 1,048,576 tokens; nós servimos 262,144, em linha com todos os outros modelos do gateway.

02A única ressalva: sem saída estruturada

O que continua funcionando. A chamada de ferramentas é totalmente suportada, e os argumentos das chamadas de ferramenta continuam chegando como um objeto JSON, exatamente como em qualquer outro modelo daqui. Se a "saída estruturada" da sua aplicação é, na verdade, argumentos de ferramenta — o caso da maioria dos frameworks de agente, servidores MCP e front-ends de banco de dados —, o Laguna S 2.1 lhe serve bem. O streaming funciona nos três dialetos; o reasoning_effort funciona.

O que não funciona. Você não pode entregar um JSON Schema ao endpoint e ter garantia de que a resposta de texto do assistente valida contra ele, e response_format: {"type": "json_object"} não lhe compra nada. Pedir JSON no prompt geralmente produz JSON — este é um modelo competente —, mas "geralmente" não é um contrato. A própria Poolside documenta escape incorreto de JSON em chamadas de ferramenta profundamente aninhadas como uma limitação conhecida, um lembrete de que a garantia, onde ela existe no resto da nossa linha, vem da camada de serving, e não das boas intenções do modelo.

Qual irmão usar no lugar

Se a sua carga de trabalho precisa de JSON garantido, não brigue com este modelo — troque o id do modelo. Quatro irmãos ficam no preço idêntico de $0.50 / $2.00 com suporte completo a json_schema e response_format:

Id do modelo	json_schema	Visão	Por que escolhê-lo
MiMo-V2.5-Pro-W8A16	Sim	Não	A troca direta — pesos de 8 bits, nível de maior fidelidade, mesmo preço
MiMo-V2.5-W8A16	Sim	Sim	O mesmo, mais entrada de imagem
Hy3-W8A16	Sim	Não	Outro modelo de texto em 8 bits pelo preço de piso
DeepSeek-V4-Flash-0731	Sim	Não	W4A16-AutoRound-REAP como o Laguna, com suporte a schema intacto

O padrão natural é o MiMo-V2.5-Pro (W8A16): só texto, no preço de piso, quantizado no nível mais suave que operamos — detalhes no cartão de modelo do MiMo-V2.5. Como os doze modelos compartilham endpoints, janela de contexto e teto de saída, trocar é uma mudança de uma linha no campo model.

03O que significa W4A16-AUTOROUND-REAP?

O sufixo no id do modelo não é decoração — ele diz exatamente como os pesos foram comprimidos antes de serem carregados no nosso cluster de GPUs. Três partes.

W4A16 — pesos de 4 bits, ativações de 16 bits

Os pesos são armazenados em 4 bits; as ativações — os valores que fluem entre as camadas em tempo de inferência — ficam em 16. Cortar os pesos para um quarto da pegada em BF16 é o que faz um modelo de 118B caber e continuar rápido, enquanto manter as ativações largas protege a parte numericamente sensível da passada direta. Comprima o que é grande e estático, deixe em paz o que é pequeno e dinâmico.

AutoRound — arredondamento aprendido, não arredondamento ao mais próximo

A forma ingênua de quantizar é arredondar para o mais próximo: encaixar cada peso no valor de 4 bits mais próximo e aceitar o erro. O AutoRound, o kit aberto de quantização pós-treinamento da Intel, faz melhor — o método SignRound dele usa descida de gradiente sinalizada para otimizar conjuntamente as decisões de arredondamento e as faixas de recorte ao longo de algumas centenas de passos, decidindo, peso a peso, se arredondar para cima ou para baixo causa menos dano à saída real da camada. Ele toma emprestada a ideia do treinamento ciente de quantização sem o custo de retreinar, e é por isso que uma build W4A16 pode ser um modelo sério, e não uma curiosidade com perdas.

REAP — podar especialistas em vez de fundi-los

O REAP é Router-weighted Expert Activation Pruning, publicado pela Cerebras Research. Num modelo MoE, nem todos os especialistas puxam o seu peso: o roteador manda poucos tokens para alguns, e alguns contribuem com pouca magnitude quando de fato disparam. O REAP pontua cada especialista pelos dois sinais — valores de gate do roteador e normas de ativação do especialista — e remove os de baixa saliência de uma só vez, antes da quantização. E, crucialmente, ele poda em vez de fundir: fundir dobra vários especialistas em um só, destruindo o controle de granularidade fina e dependente da entrada do roteador e introduzindo um piso de erro que nenhum ajuste remove (os autores chamam isso de colapso de subespaço funcional), enquanto podar deixa intactos os sobreviventes e o controle do roteador sobre eles. A Cerebras relata remover até 50% dos especialistas de modelos de um trilhão de parâmetros preservando em boa medida a qualidade de base — num modelo de código de 480B com 50% de poda, 97.6% da capacidade de programação não agêntica de base e 96.7% no SWE-Bench agêntico. Esses são números da Cerebras para os modelos deles, não medições da nossa build, mas são a razão de rodarmos esta pilha sobre uma fundação cuja força principal é código.

Juntas, as partes do sufixo se leem como uma frase: pode os especialistas que quase não eram usados, aprenda o arredondamento de 4 bits em vez de chutá-lo, mantenha as ativações em largura plena.

04Em que este modelo é realmente bom?

Honestidade primeiro: o Laguna S 2.1 é um modelo conversacional só de texto — sem entrada de imagem neste id de modelo — e a Poolside o construiu para programação agêntica e trabalho de longo horizonte, não para prosa. O pós-treinamento rodou sobre mais de 409,000 ambientes, incluindo 83,000 tarefas de terminal e 168,000 de engenharia de software, com aprendizado por reforço em FP8. Os resultados relatados pela Poolside para o lançamento não quantizado:

Benchmark	Com pensamento	Sem pensamento	O que ele mede
SWE-Bench Multilingual	78.5%	—	Correções reais de bugs em muitas linguagens
Terminal-Bench 2.1	70.2%	60.4%	Trabalho de shell e ferramental em várias etapas
SWE-Bench Pro	59.4%	—	Tarefas de repositório mais difíceis e resistentes a contaminação
Toolathlon Verified	49.7%	—	Amplitude de uso de ferramentas em muitas APIs
SWE Atlas	46.2%	—	Navegação de repositório de longo horizonte
DeepSWE v1.1	40.4%	16.5%	Engenharia de software agêntica

A diferença entre as duas colunas é o número mais acionável daqui: no DeepSWE a pontuação mais que dobra quando o raciocínio é ativado, e no Terminal-Bench ela ganha quase dez pontos.

Números relatados pela Poolside para o lançamento não quantizado do Laguna S 2.1, julho de 2026. Eles não são medições da nossa build W4A16-AutoRound-REAP, e não publicamos números de benchmark próprios para ela. Use o reasoning_effort para controlar o orçamento de pensamento na nossa API.

Para trabalho conversacional e criativo, a posição honesta é esta: as qualidades por trás de execuções agênticas longas — segurar muito estado de forma coerente, manter-se na tarefa, não derivar — são as mesmas por trás do trabalho longo com personagens e, na prática, ele sustenta bem a voz ao longo de uma janela muito longa. Nenhum benchmark publicado diz isso, e não vamos inventar um. Teste nos seus próprios prompts; a $0.50 por milhão de tokens de entrada, isso é praticamente de graça.

05O que o preço de piso compra de fato?

$0.50 de entrada / $2.00 de saída por milhão de tokens é o nível de entrada do Shannon AI Gateway, compartilhado com MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro e Hy3. Concretamente:

Carga de trabalho	Entrada	Saída	Custo
Um turno de chat com 100K de histórico	100,000	2,000	$0.054
Um capítulo de 5,000 palavras a partir de um briefing longo	30,000	7,000	$0.029
1,000 turnos conversacionais curtos	4,000,000	500,000	$3.00
Uma leitura de contexto cheio de 262K tokens	262,144	16,384	$0.164

A última linha é a que vale internalizar: encher a janela de contexto inteira e gerar a resposta máxima de 16,384 tokens custa cerca de dezesseis centavos. Jogar um manuscrito inteiro, uma transcrição de sessão ou um conjunto de documentos numa única chamada deixa de ser uma decisão de orçamento e vira uma decisão de latência. A mesma aritmética move o outro caso de uso do preço de piso — o volume: classificação em lote, reescrita em massa, diálogo sintético, primeiro rascunho que um modelo mais forte refina depois. Veja a página de preços e o índice de pesquisa.

06O que "sem censura" significa aqui

Significa o que diz: sem camada de recusa e sem filtragem de conteúdo na saída. Nenhum classificador fica entre o modelo e a sua resposta decidindo se você tinha permissão de perguntar; o modelo responde no registro que você pediu e não lhe dá um sermão sobre a premissa antes.

Para trabalho criativo, essa é a diferença entre uma ferramenta utilizável e uma inutilizável. A ficção contém antagonistas ameaçadores, personagens que mentem de forma convincente, violência com consequências, narradores moralmente comprometidos — um modelo que quebra o personagem para anexar um aviso falhou na tarefa, não teve sucesso em segurança. O mesmo vale para pesquisa em segurança, documentação de red team, redação médica e jurídica e tradução em que a fonte é crua: categorias em que uma recusa é simplesmente uma resposta errada. O que isso não significa é que o julgamento deixa de ser seu — você continua responsável pelo que gera, sob a nossa Política de Uso Responsável e a lei aplicável.

07Como chamar a API Laguna sem censura

Três dialetos, um modelo: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. O streaming funciona nos três, então uma integração existente migra mudando uma URL base e um id de modelo — sem troca de SDK, sem reescrever o seu tratamento de mensagens.

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"
}

Algumas notas práticas:

• Não envie response_format nem json_schema para este id de modelo — se a sua biblioteca cliente define algum por padrão, desative-o ou passe para um irmão que os suporte.
• Ferramentas vão no array tools de sempre — a chamada de ferramentas é totalmente suportada; só a imposição de schema sobre texto livre não é.
• Faça o orçamento do seu raciocínio. O reasoning_effort é respeitado — baixo ou desligado mantém a latência conversacional baixa e os tokens de saída baratos; aumente-o para trabalho de ferramentas em várias etapas, onde a diferença de benchmark acima mostra o que isso compra.
• O teto de saída é de 16,384 tokens por requisição. Para geração do tamanho de um livro, divida em capítulos e use streaming.
• Só texto. Sem entrada de imagem neste id de modelo — use MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 ou inkling para visão.

Referência completa de parâmetros, autenticação, semântica de erros e um playground ao vivo: documentação da API.

08Quando escolhê-lo, e quando não

Escolha-o quando a sua saída é prosa, diálogo ou código lido por uma pessoa; você precisa de chamada de ferramentas, mas não de texto restrito por schema; o custo por token domina sobre contexto longo; ou você quer uma segunda opinião de uma linhagem diferente das famílias DeepSeek, Kimi e MiMo que preenchem o resto da linha.

Escolha outra coisa quando você precisa de JSON garantido (MiMo-V2.5-Pro), de compreensão de imagem (Kimi-K2.6 ou MiMo-V2.5), ou da ponta de fronteira em dificuldade, onde a diferença de preço é irrelevante diante de acertar a resposta (DeepSeek-V4-Pro, Kimi-K3).

09Perguntas frequentes

---

Fontes: Poolside — cartão de modelo do Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Os números de arquitetura e de benchmark são relatados por quem publicou o modelo, para o lançamento não quantizado, e não são medições da build que servimos. A Shannon AI é operada pela Shannon Lab LLC, Novo México, EUA.