API Laguna fără cenzură

Majoritatea paginilor despre „modelul ieftin” îți cer să accepți o fundație mică și obosită în schimbul unui număr mic. Aceasta nu. Laguna S 2.1 este o lansare Mixture-of-Experts rară din generația curentă, antrenată pe 4.096 de plăci H200 și livrată în mai puțin de nouă săptămâni, și stă la același prag de 0,50 $ / 2,00 $ ca orice alt model de nivel de intrare pe care îl servim. Compromisul este îngust și ușor de judecat: renunți la ieșirea structurată impusă de server și păstrezi tot restul.

01Ce este Laguna S 2.1?

Laguna S 2.1 este un model cu greutăți deschise lansat de Poolside pe 21 iulie 2026, sub licența permisivă OpenMDW-1.1 — membrul de talie medie al familiei Laguna, între Laguna XS 2.1 (33B/3B activi) și Laguna M.1 (225B/23B activi).

Arhitectura publicată este un router cu alegere pe token, cu poartă softplus, peste 256 de experți rutați plus un expert partajat, zece selectați per token, pe 48 de straturi — douăsprezece cu atenție globală, treizeci și șase cu fereastră glisantă de 512 tokenuri, o intercalare care ține costul de atenție al intrărilor foarte lungi aproape de liniar, în loc de pătratic. Atenția este grupată pe interogări, cu 8 capete cheie-valoare la dimensiunea de cap 128.

Două consecințe contează pentru un consumator de API. Activarea rară este motivul pentru care un model de 118 B poate sta la prețul minim — doar ~8 B de parametri lucrează per token, așa că volumul de calcul per token este mai apropiat de un model dens mic decât sugerează numărul de parametri. Iar intercalarea cu fereastră glisantă este motivul pentru care fereastra lungă este cu adevărat utilizabilă, nu doar declarativă. Lansarea Poolside suportă 1.048.576 de tokenuri; noi servim 262.144, la fel ca orice alt model de pe gateway.

02Unicul avertisment: fără ieșire structurată

Ce funcționează totuși. Apelurile de unelte sunt suportate complet, iar argumentele apelurilor de unelte sosesc în continuare ca obiect JSON, exact ca la orice alt model de aici. Dacă „ieșirea structurată” a aplicației tale înseamnă de fapt argumente de unelte — ceea ce e adevărat pentru majoritatea cadrelor de agenți, a serverelor MCP și a interfețelor peste baze de date — Laguna S 2.1 te servește bine. Streamingul funcționează pe toate cele trei dialecte; reasoning_effort funcționează.

Ce nu funcționează. Nu poți da endpointului o schemă JSON și să ai garanția că răspunsul text al asistentului se validează după ea, iar response_format: {"type": "json_object"} nu îți aduce nimic. Cerând JSON în prompt, de obicei obții JSON — acesta este un model competent — dar „de obicei” nu este un contract. Poolside însuși documentează ca limitare cunoscută escaparea incorectă a JSON-ului în apeluri de unelte adânc imbricate, o amintire că garanția, acolo unde există în restul gamei noastre, vine din stratul de servire, nu din bunele intenții ale modelului.

Ce frate să folosești în schimb

Dacă sarcina ta are nevoie de JSON garantat, nu te lupta cu acest model — schimbă identificatorul de model. Patru frați stau la același preț de 0,50 $ / 2,00 $, cu suport complet pentru json_schema și response_format:

Identificator de model	json_schema	Viziune	De ce l-ai alege
MiMo-V2.5-Pro-W8A16	Da	Nu	Schimbul direct — greutăți pe 8 biți, treapta cu cea mai mare fidelitate, același preț
MiMo-V2.5-W8A16	Da	Da	Același lucru, plus intrare de tip imagine
Hy3-W8A16	Da	Nu	Încă un model de text pe 8 biți la prețul minim
DeepSeek-V4-Flash-0731	Da	Nu	W4A16-AutoRound-REAP ca Laguna, cu suportul de schemă intact

Opțiunea implicită firească este MiMo-V2.5-Pro (W8A16): doar text, la prețul minim, cuantizat la cea mai blândă treaptă pe care o rulăm — detalii pe fișa de model MiMo-V2.5. Pentru că toate cele douăsprezece modele împart endpointurile, fereastra de context și plafonul de ieșire, schimbarea este o modificare de o linie la câmpul model.

03Ce înseamnă W4A16-AUTOROUND-REAP?

Sufixul din identificatorul de model nu este decorativ — spune exact cum au fost comprimate greutățile înainte să fie încărcate pe clusterul nostru GPU. Trei părți.

W4A16 — greutăți pe 4 biți, activări pe 16 biți

Greutățile sunt stocate pe 4 biți; activările — valorile care curg între straturi la inferență — rămân pe 16. Reducerea greutăților la un sfert din amprenta lor BF16 este ce face ca un model de 118 B să încapă și să rămână rapid, în timp ce păstrarea activărilor late protejează partea sensibilă numeric a trecerii înainte. Comprimă ce este mare și static, lasă în pace ce este mic și dinamic.

AutoRound — rotunjire învățată, nu rotunjire la cel mai apropiat

Modul naiv de a cuantiza este rotunjirea la cel mai apropiat: fixezi fiecare greutate la cea mai apropiată valoare pe 4 biți și accepți eroarea. AutoRound, trusa deschisă de cuantizare post-antrenare de la Intel, face mai bine — metoda sa SignRound folosește coborâre de gradient cu semn ca să optimizeze împreună deciziile de rotunjire și intervalele de tăiere, pe vreo două sute de pași, hotărând pentru fiecare greutate dacă rotunjirea în sus sau în jos face mai puțin rău ieșirii reale a stratului. Împrumută ideea din antrenarea conștientă de cuantizare, fără costul reantrenării, și de aceea un build W4A16 poate fi un model serios, nu o curiozitate cu pierderi.

REAP — tăierea experților în loc de contopirea lor

REAP înseamnă Router-weighted Expert Activation Pruning, publicat de Cerebras Research. Într-un model MoE, nu toți experții își trag greutatea: routerul trimite puțini tokeni către unii, iar alții contribuie cu magnitudine mică atunci când chiar se activează. REAP punctează fiecare expert după ambele semnale — valorile porții routerului și normele de activare ale expertului — și îi elimină pe cei cu relevanță mică într-un singur pas, înainte de cuantizare. Esențial, taie în loc să contopească: contopirea strânge mai mulți experți într-unul singur, distrugând controlul fin, dependent de intrare, al routerului și introducând un prag de eroare pe care niciun reglaj nu îl mai înlătură (autorii îl numesc colaps al subspațiului funcțional), în timp ce tăierea lasă intacți supraviețuitorii și controlul routerului asupra lor. Cerebras raportează eliminarea a până la 50% dintre experți din modele de un trilion de parametri, menținând în mare parte calitatea de referință — pe un model de programare de 480 B, la 50% tăiere, 97,6% din capacitatea de programare non-agentică de referință și 96,7% la SWE-Bench agentic. Acelea sunt cifre Cerebras pentru propriile lor modele, nu măsurători ale build-ului nostru, dar sunt motivul pentru care rulăm această stivă pe o fundație a cărei forță principală este codul.

Împreună, sufixul se citește ca o propoziție: taie experții care abia erau folosiți, învață rotunjirea pe 4 biți în loc să o ghicești, ține activările la lățime completă.

04La ce este bun, de fapt, acest model?

Onestitatea mai întâi: Laguna S 2.1 este un model conversațional doar text — fără intrare de tip imagine pe acest identificator de model — iar Poolside l-a construit pentru programare agentică și muncă pe orizont lung, nu pentru proză. Post-antrenarea a rulat pe peste 409.000 de medii, incluzând 83.000 de sarcini de terminal și 168.000 de sarcini de inginerie software, cu învățare prin întărire în FP8. Rezultatele raportate de Poolside pentru lansarea necuantizată:

Benchmark	Cu gândire	Fără gândire	Ce măsoară
SWE-Bench Multilingual	78.5%	—	Reparații reale de defecte, în multe limbaje
Terminal-Bench 2.1	70.2%	60.4%	Muncă în shell și cu unelte, în mai mulți pași
SWE-Bench Pro	59.4%	—	Sarcini de repo mai grele, rezistente la contaminare
Toolathlon Verified	49.7%	—	Lărgimea folosirii uneltelor, pe multe API-uri
SWE Atlas	46.2%	—	Navigare pe orizont lung într-un repozitoriu
DeepSWE v1.1	40.4%	16.5%	Inginerie software agentică

Diferența dintre cele două coloane este cifra cea mai acționabilă de aici: la DeepSWE scorul mai mult decât se dublează când raționamentul este activat, iar la Terminal-Bench câștigă aproape zece puncte.

Cifre raportate de Poolside pentru lansarea necuantizată Laguna S 2.1, iulie 2026. Nu sunt măsurători ale build-ului nostru W4A16-AutoRound-REAP, iar noi nu publicăm cifre proprii de benchmark pentru el. Folosește reasoning_effort ca să controlezi bugetul de gândire pe API-ul nostru.

Pentru munca de conversație și de creație, poziția onestă este aceasta: calitățile din spatele rulărilor agentice lungi — ținerea coerentă a unei stări mari, rămânerea în sarcină, lipsa derivei — sunt aceleași care stau în spatele muncii de personaj pe text lung, iar în practică modelul ține bine vocea pe o fereastră foarte lungă. Niciun benchmark publicat nu spune asta și nu vom inventa noi unul. Testează-l pe propriile prompturi; la 0,50 $ per milion de tokenuri de intrare, asta e aproape gratis.

05Ce cumpără, de fapt, prețul minim?

0,50 $ intrare / 2,00 $ ieșire per milion de tokenuri este treapta de intrare de pe gateway-ul Shannon AI, împărțită cu MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro și Hy3. Concret:

Sarcină	Intrare	Ieșire	Cost
O tură de chat cu 100K de istoric	100.000	2.000	$0.054
Un capitol de 5.000 de cuvinte, dintr-un brief lung	30.000	7.000	$0.029
1.000 de ture conversaționale scurte	4.000.000	500.000	$3.00
O citire completă a contextului de 262K	262.144	16.384	$0.164

Ultimul rând este cel de interiorizat: umplerea întregii ferestre de context și generarea răspunsului maxim de 16.384 de tokenuri costă cam șaisprezece cenți. Băgarea unui manuscris întreg, a unei transcrieri de sesiune sau a unui set de documente într-un singur apel încetează să mai fie o decizie de buget și devine o decizie de latență. Aceeași aritmetică împinge și celălalt caz de utilizare al prețului minim — volumul: clasificare în lot, rescriere în masă, dialog sintetic, schițarea de primă mână pe care un model mai puternic o rafinează ulterior. Vezi pagina de prețuri și indexul de cercetare.

06Ce înseamnă „fără cenzură” aici

Înseamnă exact ce spune: niciun strat de refuz și nicio filtrare de conținut la ieșire. Niciun clasificator nu stă între model și răspunsul tău ca să decidă dacă aveai voie să întrebi; modelul răspunde în registrul pe care l-ai cerut și nu îți ține întâi o predică despre premisă.

Pentru munca de creație, aceasta este diferența dintre o unealtă utilizabilă și una inutilizabilă. Ficțiunea conține antagoniști amenințători, personaje care mint convingător, violență cu consecințe, naratori compromiși moral — un model care iese din personaj ca să adauge o precizare a ratat sarcina, nu a reușit la siguranță. La fel stau lucrurile pentru cercetarea de securitate, documentarea de red team, redactarea medicală și juridică și traducerea în care sursa este directă: categorii în care un refuz este pur și simplu un răspuns greșit. Ce nu înseamnă este că judecata încetează să fie a ta — rămâi responsabil pentru ce generezi, sub Politica noastră de utilizare responsabilă și sub legea aplicabilă.

07Cum apelezi API-ul Laguna fără cenzură

Trei dialecte, un singur model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Streamingul funcționează pe toate trei, așa că o integrare existentă se mută schimbând o adresă de bază și un identificator de model — fără schimb de SDK, fără rescrierea gestionării mesajelor.

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"
}

Câteva note practice:

• Nu trimite response_format sau json_schema spre acest identificator de model — dacă biblioteca ta de client setează implicit vreunul, dezactivează-l sau treci la un frate care îl suportă.
• Uneltele merg în tabloul obișnuit tools — apelurile de unelte sunt suportate complet; lipsește doar impunerea schemei pe textul liber.
• Bugetează-ți raționamentul. reasoning_effort este respectat — scăzut sau oprit ține latența conversațională jos și tokenurile de ieșire ieftine; ridică-l pentru munca cu unelte în mai mulți pași, unde diferența de benchmark de mai sus arată ce cumperi.
• Plafonul de ieșire este de 16.384 de tokenuri per cerere. Pentru generare de lungimea unei cărți, împarte pe capitole și folosește streamingul.
• Doar text. Fără intrare de tip imagine pe acest identificator de model — folosește MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 sau inkling pentru viziune.

Referința completă de parametri, autentificarea, semantica erorilor și un playground live: documentația API.

08Când să îl alegi și când nu

Alege-l când ieșirea ta este proză, dialog sau cod citit de un om; când ai nevoie de apeluri de unelte, dar nu de text constrâns de schemă; când costul per token domină față de contextul lung; sau când vrei o a doua opinie dintr-o descendență diferită de familiile DeepSeek, Kimi și MiMo care umplu restul gamei.

Alege altceva când ai nevoie de JSON garantat (MiMo-V2.5-Pro), de înțelegerea imaginilor (Kimi-K2.6 sau MiMo-V2.5) sau de capătul de frontieră al dificultății, unde diferența de preț este irelevantă față de a nimeri răspunsul corect (DeepSeek-V4-Pro, Kimi-K3).

09Întrebări frecvente

---

Surse: Poolside — fișa de model Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Cifrele de arhitectură și de benchmark sunt raportate de editor pentru lansarea necuantizată, nu sunt măsurători ale build-ului pe care îl servim. Shannon AI este operat de Shannon Lab LLC, New Mexico, SUA.