වාරණයෙන් තොර Laguna API

බොහෝ "ලාභ ආකෘති" පිටු ඔබෙන් ඉල්ලන්නේ අඩු සංඛ්‍යාවක් වෙනුවෙන් කුඩා, වෙහෙසුණු පදනමක් පිළිගන්නා ලෙසයි. මෙය එසේ නොවේ. Laguna S 2.1 යනු වත්මන් පරම්පරාවේ විරල Mixture-of-Experts නිකුතුවකි, H200 4,096ක් මත පුහුණු කර සති නවයකටත් අඩුවෙන් නිකුත් කරන ලද එකකි, එය අප සේවය කරන අනෙක් සෑම ඇතුළත්-මට්ටමේ ආකෘතියක් මෙන්ම එකම $0.50 / $2.00 බිම් මිලේ පවතී. හුවමාරුව පටු වන අතර තේරුම් ගැනීමට පහසුය: සේවාදායකයෙන් බලාත්මක කරන ලද ව්‍යුහගත ප්‍රතිදානය ඔබ අත්හරින අතර අනෙක් සියල්ල රඳවා ගනී.

01Laguna S 2.1 යනු කුමක්ද?

Laguna S 2.1 යනු Poolside විසින් 2026 ජූලි 21 දින අනුමතිශීලී OpenMDW-1.1 බලපත්‍රය යටතේ නිකුත් කරන ලද විවෘත-බර ආකෘතියකි — Laguna XS 2.1 (33B/3B ක්‍රියාකාරී) සහ Laguna M.1 (225B/23B ක්‍රියාකාරී) අතර, Laguna පවුලේ මධ්‍යම ප්‍රමාණයේ සාමාජිකයා.

ප්‍රකාශිත ගෘහ නිර්මාණය මාර්ගගත විශේෂඥයන් 256ක් සහ බෙදාගත් විශේෂඥයෙකු මත softplus ගේටින් සහිත ටෝකන-තේරීමේ රවුටරයකි, ටෝකනයකට දහයක් තෝරාගනිමින්, ස්තර 48ක් පුරා — දොළහක් ගෝලීය-අවධානය, තිස්හයක් ටෝකන 512ක කවුළුවක ලිස්සන-කවුළු ආකාරයෙන්, ඉතා දිගු ආදානවල අවධානය පිරිවැය චතුරස්‍රාකාර වෙනුවට රේඛීයට ආසන්නව තබා ගන්නා අන්තර්ග්‍රහණයකි. අවධානය කණ්ඩායම්-විමසුම් ආකාරයේ වන අතර හිස් මානය 128 හි යතුරු-අගය හිස් 8ක් ඇත.

API පරිභෝගිකයෙකුට වැදගත් ප්‍රතිඵල දෙකකි. විරල සක්‍රියතාවයයි 118B ආකෘතියකට බිම් මිලේ පැවතීමට හේතුව — ටෝකනයකට ක්‍රියා කරන්නේ පරාමිති ~8Bක් පමණක් වන බැවින්, ටෝකනයකට පරිගණන පිරිවැය පරාමිති ගණන යෝජනා කරනවාට වඩා කුඩා ඝන ආකෘතියකට ආසන්නය. ලිස්සන-කවුළු අන්තර්ග්‍රහණයයි දිගු කවුළුව නාමමාත්‍රික නොව සැබවින්ම භාවිත කළ හැකි වන්නේ. Poolside ගේ නිකුතුව ටෝකන 1,048,576කට සහාය දක්වයි; අප සේවය කරන්නේ 262,144ක්, gateway එකේ අනෙක් සෑම ආකෘතියක් සමඟම ගැලපෙන පරිදි.

02එකම අවවාදය: ව්‍යුහගත ප්‍රතිදානයක් නැත

තවමත් ක්‍රියා කරන දේ. මෙවලම් ඇමතුම් සම්පූර්ණයෙන් සහාය දක්වන අතර, මෙවලම්-ඇමතුම් තර්ක මෙහි ඇති අනෙක් ඕනෑම ආකෘතියක මෙන්ම හරියටම JSON වස්තුවක් ලෙස පැමිණේ. ඔබේ යෙදුමේ "ව්‍යුහගත ප්‍රතිදානය" ඇත්තටම මෙවලම් තර්ක නම් — බොහෝ නියෝජිත රාමු, MCP සේවාදායක සහ දත්ත සමුදා ඉදිරිපස සඳහා එය සත්‍යයි — Laguna S 2.1 ඔබට හොඳින් සේවය කරයි. ප්‍රවාහනය උපභාෂා තුනේම ක්‍රියා කරයි; reasoning_effort ක්‍රියා කරයි.

ක්‍රියා නොකරන දේ. ඔබට endpoint එකට JSON Schema එකක් ලබා දී සහායකයාගේ පෙළ පිළිතුර එයට එරෙහිව වලංගු වන බවට සහතිකයක් ලබාගත නොහැක, තවද response_format: {"type": "json_object"} එකෙන් ඔබට කිසිවක් නොලැබේ. JSON සඳහා විමසීමෙන් සාමාන්‍යයෙන් JSON ලැබේ — මෙය දක්ෂ ආකෘතියකි — නමුත් "සාමාන්‍යයෙන්" යනු ගිවිසුමක් නොවේ. Poolside විසින්ම ගැඹුරින් කැදැල්ලූ මෙවලම් ඇමතුම්වල වැරදි JSON escaping දන්නා සීමාවක් ලෙස ලේඛනගත කරයි, එය අපගේ පෙළගැස්මේ වෙනත් තැන්වල එම සහතිකය පවතින්නේ ආකෘතියේ යහපත් අභිප්‍රායෙන් නොව සේවා ස්තරයෙන් බව සිහිපත් කිරීමකි.

ඒ වෙනුවට භාවිත කළ යුතු සහෝදර ආකෘතිය

ඔබේ වැඩ බරට සහතික කළ JSON අවශ්‍ය නම්, මෙම ආකෘතිය සමඟ සටන් නොකරන්න — ආකෘති id එක මාරු කරන්න. සම්පූර්ණ json_schema සහ response_format සහාය සමඟ එකම $0.50 / $2.00 මිලේ සහෝදර ආකෘති හතරක් පවතී:

ආකෘති id	json_schema	දෘශ්‍ය හැකියාව	ඔබ එය තෝරන්නේ ඇයි
MiMo-V2.5-Pro-W8A16	ඔව්	නැත	සෘජු ආදේශකය — බිට් 8 බර, ඉහළම විශ්වසනීයත්ව ස්තරය, එකම මිල
MiMo-V2.5-W8A16	ඔව්	ඔව්	එයම, තවද රූප ආදානය සමඟ
Hy3-W8A16	ඔව්	නැත	බිම් මිලේ තවත් බිට් 8 පෙළ ආකෘතියක්
DeepSeek-V4-Flash-0731	ඔව්	නැත	Laguna මෙන් W4A16-AutoRound-REAP, schema සහාය නොනැසී

ස්වාභාවික පෙරනිමිය MiMo-V2.5-Pro (W8A16) ය: පෙළ-පමණයි, බිම්-මිලයි, අප ධාවනය කරන මෘදුම ස්තරයේ ප්‍රමාණකරණය කර ඇත — විස්තර MiMo-V2.5 ආකෘති කාඩ්පතේ ඇත. ආකෘති දොළහම endpoint, සන්දර්භ කවුළුව සහ ප්‍රතිදාන සීමාව බෙදාගන්නා බැවින්, මාරු වීම model ක්ෂේත්‍රයට කරන එක් පේළියක වෙනසකි.

03W4A16-AUTOROUND-REAP යන්නෙන් අදහස් වන්නේ කුමක්ද?

ආකෘති id එකේ අගපදය අලංකාරයක් නොවේ — එය අපගේ GPU පොකුරට පූරණය කිරීමට පෙර බර සම්පීඩනය කළ ආකාරය හරියටම කියයි. කොටස් තුනකි.

W4A16 — බිට් 4 බර, බිට් 16 සක්‍රියතා

බර බිට් 4කින් ගබඩා කෙරේ; සක්‍රියතා — අනුමාන කිරීමේදී ස්තර අතර ගලා යන අගයන් — බිට් 16හිම පවතී. බර ඒවායේ BF16 පියසටහනෙන් හතරෙන් එකකට කැපීමයි 118B ආකෘතියක් ගැලපී වේගවත්ව තබා ගැනීමට හේතුව, සක්‍රියතා පළල්ව තබා ගැනීම ඉදිරි ගමනේ සංඛ්‍යාත්මකව සංවේදී කොටස ආරක්ෂා කරයි. විශාල හා ස්ථිතික දේ සම්පීඩනය කරන්න, කුඩා හා ගතික දේ තනිවම තබන්න.

AutoRound — ළඟම වට කිරීම නොව, ඉගෙනගත් වට කිරීම

ප්‍රමාණකරණයට බොළඳ ක්‍රමය ළඟම අගයට වට කිරීමයි: එක් එක් බර ළඟම බිට් 4 අගයට ගසාගෙන, දෝෂය පිළිගන්න. Intel හි විවෘත පශ්චාත්-පුහුණු ප්‍රමාණකරණ මෙවලම් කට්ටලය වන AutoRound ඊට වඩා හොඳින් කරයි — එහි SignRound ක්‍රමය ලකුණු සහිත අනුක්‍රමණ බැසීම භාවිත කරමින්, පියවර සිය දෙකක් පමණ පුරා වට කිරීමේ තීරණ සහ කැපීමේ පරාස ඒකාබද්ධව ප්‍රශස්තකරණය කරමින්, බරකට බර ඉහළට හෝ පහළට වට කිරීමෙන් ස්තරයේ සැබෑ ප්‍රතිදානයට අඩු හානියක් වන්නේ කුමකින්දැයි තීරණය කරයි. එය ප්‍රමාණකරණ-දැනුවත් පුහුණුවේ අදහස නැවත පුහුණු කිරීමේ පිරිවැයකින් තොරව ණයට ගනී, W4A16 නිමැවුමකට හානිකර කුතුහලයක් වෙනුවට බැරෑරුම් ආකෘතියක් විය හැක්කේ ඒ නිසාය.

REAP — විශේෂඥයන් ඒකාබද්ධ කරනවා වෙනුවට ඉවත් කිරීම

REAP යනු Cerebras Research විසින් ප්‍රකාශිත Router-weighted Expert Activation Pruning ය. MoE ආකෘතියක සියලුම විශේෂඥයන් තම බර දරන්නේ නැත: රවුටරය සමහරුන්ට යවන්නේ ටෝකන ස්වල්පයක් වන අතර, සමහරු ක්‍රියාත්මක වන විටද දායක වන්නේ අඩු විශාලත්වයකි. REAP එක් එක් විශේෂඥයා සංඥා දෙකෙන්ම ලකුණු කරයි — රවුටර ගේට් අගයන් සහ විශේෂඥ සක්‍රියතා සම්මත — සහ අඩු වැදගත්කමක් ඇති ඒවා එක් ගමනකින්, ප්‍රමාණකරණයට පෙර ඉවත් කරයි. තීරණාත්මක ලෙස එය ඒකාබද්ධ කරනවා වෙනුවට ඉවත් කරයි: ඒකාබද්ධ කිරීම විශේෂඥයන් කිහිප දෙනෙකු එකකට නවා, රවුටරයේ සියුම්, ආදාන-පදනම් පාලනය විනාශ කරමින්, කිසිදු සීරුමාරු කිරීමකින් ඉවත් නොවන දෝෂ බිමක් හඳුන්වා දෙයි (කතුවරු එය functional subspace collapse ලෙස හඳුන්වයි), අනෙක් අතට ඉවත් කිරීම ඉතිරි වන ඒවා සහ ඒවා මත රවුටරයේ පාලනය නොනැසී තබයි. ට්‍රිලියන-පරාමිති ආකෘතිවලින් විශේෂඥයන්ගෙන් 50% දක්වා ඉවත් කරමින්ද මූලික ගුණාත්මකභාවය බොහෝ දුරට පවත්වා ගත් බව Cerebras වාර්තා කරයි — 480B කේතන ආකෘතියක් මත 50% කප්පාදුවේදී, මූලික නොවන-නියෝජිත කේතන හැකියාවෙන් 97.6%ක් සහ නියෝජිත SWE-Bench හි 96.7%ක්. ඒවා Cerebras විසින් ඔවුන්ගේම ආකෘති සඳහා දක්වන සංඛ්‍යා මිස අපගේ නිමැවුමේ මිනුම් නොවේ, නමුත් අප මෙම තට්ටුව ධාවනය කරන්නේ එහි ප්‍රාථමික ශක්තිය කේතය වන පදනමක් මත වන්නේ ඒ නිසාය.

එකට ගත් විට අගපදය වාක්‍යයක් ලෙස කියවේ: කලාතුරකින් භාවිත වූ විශේෂඥයන් ඉවත් කරන්න, බිට් 4 වට කිරීම අනුමාන කරනවා වෙනුවට ඉගෙන ගන්න, සක්‍රියතා පූර්ණ පළලින්ම තබා ගන්න.

04මෙම ආකෘතිය ඇත්තටම හොඳ කුමකටද?

මුලින්ම අවංකව: Laguna S 2.1 යනු පෙළ-පමණක් සංවාද ආකෘතියකි — මෙම ආකෘති id එකේ දෘශ්‍ය ආදානයක් නැත — සහ Poolside එය තැනුවේ ගද්‍යය සඳහා නොව නියෝජිත කේතනය සහ දිගු-ක්ෂිතිජ කාර්යය සඳහාය. පශ්චාත්-පුහුණුව පරිසර 409,000කට වඩා පුරා ධාවනය විය, ඒවාට ටර්මිනල් කාර්යයන් 83,000ක් සහ මෘදුකාංග-ඉංජිනේරු කාර්යයන් 168,000ක් ඇතුළත් වූ අතර, ශක්තිමත් කිරීමේ ඉගෙනුම FP8 හි සිදු විය. ප්‍රමාණකරණය නොකළ නිකුතුව සඳහා Poolside වාර්තා කරන ප්‍රතිඵල:

ප්‍රමිතිය	සිතමින්	නොසිතා	එය මනින්නේ කුමක්ද
SWE-Bench Multilingual	78.5%	—	භාෂා ගණනාවක් හරහා සැබෑ දෝෂ නිවැරදි කිරීම්
Terminal-Bench 2.1	70.2%	60.4%	බහු-පියවර shell සහ මෙවලම් කාර්යය
SWE-Bench Pro	59.4%	—	දුෂ්කර, දූෂණයට ඔරොත්තු දෙන ගබඩා කාර්යයන්
Toolathlon Verified	49.7%	—	API ගණනාවක් හරහා මෙවලම්-භාවිත පළල
SWE Atlas	46.2%	—	දිගු-ක්ෂිතිජ ගබඩා සංචලනය
DeepSWE v1.1	40.4%	16.5%	නියෝජිත මෘදුකාංග ඉංජිනේරු කිරීම

තීරු දෙක අතර පරතරයයි මෙහි ඇති වඩාත්ම ක්‍රියාකාරී සංඛ්‍යාව: DeepSWE හි තර්කනය සක්‍රීය කළ විට ලකුණු දෙගුණයකටත් වඩා ඉහළ යන අතර, Terminal-Bench හි එය ලකුණු දහයකට ආසන්න වැඩිවීමක් ලබයි.

ප්‍රමාණකරණය නොකළ Laguna S 2.1 නිකුතුව සඳහා Poolside වාර්තා කරන සංඛ්‍යා, 2026 ජූලි. ඒවා අපගේ W4A16-AutoRound-REAP නිමැවුමේ මිනුම් නොවන අතර, ඒ සඳහා අප අපගේම ප්‍රමිති සංඛ්‍යා ප්‍රකාශ නොකරමු. අපගේ API එකේ සිතීමේ අයවැය පාලනය කිරීමට reasoning_effort භාවිත කරන්න.

සංවාද සහ නිර්මාණාත්මක කාර්යය සඳහා අවංක ස්ථාවරය මෙයයි: දිගු නියෝජිත ධාවනවලට පසුබිම් වන ගුණාංග — තත්ත්වයක් රාශියක් සුසංයෝගීව රඳවා ගැනීම, කාර්යයේම රැඳී සිටීම, අපගමනය නොවීම — දිගු-ආකෘති චරිත කාර්යයට පසුබිම් වන ඒවාමය, ප්‍රායෝගිකව එය ඉතා දිගු කවුළුවක් පුරා හඬ හොඳින් රඳවා ගනී. ප්‍රකාශිත කිසිදු ප්‍රමිතියක් එසේ නොකියන අතර, අප එකක් නිර්මාණය කරන්නේද නැත. ඔබේම විමසුම් මත එය පරීක්ෂා කරන්න; ආදාන ටෝකන මිලියනයකට $0.50 ගානේ එය නොමිලේ තරම්ය.

05බිම් මිල ඇත්තටම ලබා දෙන්නේ කුමක්ද?

ටෝකන මිලියනයකට $0.50 ආදාන / $2.00 ප්‍රතිදාන යනු Shannon AI Gateway හි ඇතුළත් වීමේ ස්තරය වන අතර, එය MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro සහ Hy3 සමඟ බෙදාගනී. නිශ්චිතව:

වැඩ බර	ආදාන	ප්‍රතිදාන	පිරිවැය
ඉතිහාසය 100Kක් සහිත එක් කතාබස් හැරීමක්	100,000	2,000	$0.054
දිගු සාරාංශයකින් වචන 5,000ක පරිච්ඡේදයක්	30,000	7,000	$0.029
කෙටි සංවාද හැරීම් 1,000ක්	4,000,000	500,000	$3.00
සම්පූර්ණ 262K-ටෝකන සන්දර්භ කියවීමක්	262,144	16,384	$0.164

අවසාන පේළියයි මනසේ තබාගත යුත්තේ: සම්පූර්ණ සන්දර්භ කවුළුව පුරවා උපරිම ටෝකන 16,384ක ප්‍රතිචාරය නිපදවීමට වැය වන්නේ ශත දාසයක් පමණි. සම්පූර්ණ අත් පිටපතක්, සැසි පිටපතක් හෝ ලේඛන කට්ටලයක් එක් ඇමතුමකට ලබා දීම අයවැය තීරණයක් වීම නවතී, එය ප්‍රමාද තීරණයක් බවට පත් වේ. එකම අංක ගණිතයම අනෙක් බිම්-මිල භාවිත අවස්ථාව මෙහෙයවයි — පරිමාව: කණ්ඩායම් වර්ගීකරණය, තොග නැවත ලිවීම, කෘත්‍රිම සංවාද, පසුව ශක්තිමත් ආකෘතියක් පිරිපහදු කරන පළමු-ගමන් කෙටුම්පත් කිරීම. මිල පිටුව සහ පර්යේෂණ දර්ශකය බලන්න.

06මෙහි "වාරණයෙන් තොර" යන්නෙන් අදහස් වන්නේ කුමක්ද

එයින් අදහස් වන්නේ එය කියන දෙයමය: ප්‍රතික්ෂේප ස්තරයක් නැත, ප්‍රතිදානය මත අන්තර්ගත පෙරහනක්ද නැත. ඔබට ඇසීමට අවසර තිබුණාදැයි තීරණය කරමින් ආකෘතිය සහ ඔබේ ප්‍රතිචාරය අතර වර්ගීකාරකයෙක් නොසිටියි; ආකෘතිය ඔබ ඉල්ලූ ලේඛන විලාසයෙන්ම පිළිතුරු දෙන අතර පළමුව උපකල්පනය ගැන ඔබට දේශනා නොකරයි.

නිර්මාණාත්මක කාර්යය සඳහා එය භාවිත කළ හැකි මෙවලමක් සහ භාවිත කළ නොහැකි එකක් අතර වෙනසයි. ප්‍රබන්ධයේ තර්ජනාත්මක විරුද්ධවාදීන්, විශ්වාසදායක ලෙස බොරු කියන චරිත, ප්‍රතිවිපාක සහිත ප්‍රචණ්ඩත්වය, සදාචාරාත්මකව අවදානමට ලක් වූ කථකයන් අඩංගු වේ — වියාචනයක් එක් කිරීමට චරිතයෙන් බැහැර වන ආකෘතියක් කාර්යයේදී අසමත් වී ඇත, ආරක්ෂාවේදී සමත් වී නොවේ. ආරක්ෂක පර්යේෂණ, රතු-කණ්ඩායම් ලේඛනගත කිරීම, වෛද්‍ය හා නීතිමය කෙටුම්පත් කිරීම, සහ මූලාශ්‍රය අවංක වන පරිවර්තනය සඳහාද එයම අදාළ වේ: ප්‍රතික්ෂේපයක් සරලවම වැරදි පිළිතුරක් වන ප්‍රවර්ග. එයින් අදහස් නොවන්නේ විනිශ්චය ඔබේ එකක් වීම නවතින බවයි — අපගේ වගකීම් සහගත භාවිත ප්‍රතිපත්තිය සහ අදාළ නීතිය යටතේ, ඔබ නිපදවන දේට වගකිව යුත්තේ ඔබයි.

07වාරණයෙන් තොර Laguna API එකට ඇමතුම් දෙන ආකාරය

උපභාෂා තුනක්, එක් ආකෘතියක්: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. ප්‍රවාහනය තුනේම ක්‍රියා කරන බැවින්, පවතින ඒකාබද්ධ කිරීමක් base URL එකක් සහ ආකෘති id එකක් වෙනස් කිරීමෙන් මාරු වේ — SDK මාරුවක් නැත, ඔබේ පණිවිඩ හැසිරවීම නැවත ලිවීමක්ද නැත.

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"
}

ප්‍රායෝගික සටහන් කිහිපයක්:

• මෙම ආකෘති id එකට response_format හෝ json_schema නොයවන්න — ඔබේ client library එක පෙරනිමියෙන් එකක් සකසන්නේ නම්, එය ඉවත් කරන්න හෝ ඒවාට සහාය දක්වන සහෝදර ආකෘතියකට මාරු වන්න.
• මෙවලම් සුපුරුදු tools අරාවට යයි — මෙවලම් ඇමතුම් සම්පූර්ණයෙන් සහාය දක්වයි; නොදක්වන්නේ නිදහස්-පෙළ schema බලාත්මක කිරීමට පමණි.
• ඔබේ තර්කනයට අයවැයක් දෙන්න. reasoning_effort ගරු කරයි — අඩු හෝ ක්‍රියා විරහිත තැබීම සංවාද ප්‍රමාදය අඩුවෙන් සහ ප්‍රතිදාන ටෝකන ලාභයෙන් තබා ගනී; ඉහත ප්‍රමිති පරතරය එය ලබා දෙන දේ පෙන්වන බහු-පියවර මෙවලම් කාර්යය සඳහා එය ඉහළ නංවන්න.
• ප්‍රතිදාන සීමාව ඉල්ලීමකට ටෝකන 16,384කි. පොත්-දිග උත්පාදනය සඳහා, එය පරිච්ඡේද කර ප්‍රවාහනය කරන්න.
• පෙළ පමණයි. මෙම ආකෘති id එකේ රූප ආදානයක් නැත — දෘශ්‍ය හැකියාව සඳහා MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 හෝ inkling භාවිත කරන්න.

සම්පූර්ණ පරාමිති යොමුව, සත්‍යාපනය, දෝෂ අර්ථකථන සහ සජීවී ක්‍රීඩා පිටියක්: API ලේඛනය.

08එය තෝරාගත යුත්තේ කවදාද, නොගත යුත්තේ කවදාද

එය තෝරන්න ඔබේ ප්‍රතිදානය මිනිසෙකු කියවන ගද්‍යය, දෙබස් හෝ කේතය වන විට; ඔබට මෙවලම් ඇමතුම් අවශ්‍ය නමුත් schema-සීමිත පෙළ අවශ්‍ය නොවන විට; දිගු සන්දර්භයට වඩා ටෝකනයකට පිරිවැය ආධිපත්‍යය දරන විට; නැතහොත් පෙළගැස්මේ ඉතිරිය පුරවන DeepSeek, Kimi සහ MiMo පවුල් හැර වෙනත් පෙළපතකින් දෙවන මතයක් ඔබට අවශ්‍ය විට.

වෙනත් එකක් තෝරන්න ඔබට සහතික කළ JSON අවශ්‍ය නම් (MiMo-V2.5-Pro), රූප අවබෝධය අවශ්‍ය නම් (Kimi-K2.6 හෝ MiMo-V2.5), නැතහොත් පිළිතුර නිවැරදිව ලබාගැනීම අසල මිල පරතරය අදාළ නොවන දුෂ්කරතාවයේ ඉදිරිපෙළ අවශ්‍ය නම් (DeepSeek-V4-Pro, Kimi-K3).

09නිතර අසන ප්‍රශ්න

---

මූලාශ්‍ර: Poolside — Laguna S 2.1 model card · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. ගෘහ නිර්මාණ සහ ප්‍රමිති සංඛ්‍යා ප්‍රමාණකරණය නොකළ නිකුතුව සඳහා ප්‍රකාශකයා විසින් වාර්තා කරන ලද ඒවා මිස අප සේවය කරන නිමැවුමේ මිනුම් නොවේ. Shannon AI ක්‍රියාත්මක කරනු ලබන්නේ Shannon Lab LLC, New Mexico, USA විසිනි.