Necenzuriran Laguna API

Večina strani o »poceni modelu« od vas zahteva, da v zameno za nizko številko sprejmete majhen, utrujen temelj. Ta ne. Laguna S 2.1 je izdaja redkega Mixture-of-Experts trenutnega rodu, učena na 4.096 karticah H200 in izdana v manj kot devetih tednih, sedi pa na istem dnu $0.50 / $2.00 kot vsak drug vstopni model, ki ga strežemo. Menjava je ozka in o njej je lahko sklepati: odrečete se strežniško vsiljenemu strukturiranemu izhodu, vse drugo pa obdržite.

01Kaj je Laguna S 2.1?

Laguna S 2.1 je model z odprtimi utežmi, ki ga je Poolside izdal 21. julija 2026 pod dopustno licenco OpenMDW-1.1 — srednji član družine Laguna, med Laguna XS 2.1 (33B/3B aktivnih) in Laguna M.1 (225B/23B aktivnih).

Objavljena arhitektura je usmerjevalnik z izbiro žetona in vrati softplus čez 256 usmerjenih strokovnjakov in enega deljenega, deset izbranih na žeton, čez 48 plasti — dvanajst s splošno pozornostjo, šestintrideset z drsečim oknom pri oknu 512 žetonov, kar je prepletanje, ki strošek pozornosti pri zelo dolgih vhodih drži blizu linearnega namesto kvadratnega. Pozornost je skupinsko poizvedbena z 8 glavami ključ-vrednost pri dimenziji glave 128.

Uporabniku API štejeta dve posledici. Redka aktivacija je razlog, da model s 118B parametri lahko sedi na najnižji ceni — na žeton dela le ~8B parametrov, zato je računanje na žeton bliže majhnemu gostemu modelu, kot bi kazalo število parametrov. Prepletanje z drsečim oknom pa je razlog, da je dolgo okno resnično uporabno in ne le navidezno. Poolsidova izdaja podpira 1,048,576 žetonov; mi strežemo 262,144, kar se ujema z vsemi drugimi modeli na prehodu.

02Edino opozorilo: brez strukturiranega izhoda

Kaj še vedno deluje. Klicanje orodij je v celoti podprto, argumenti klicev orodij pa še vedno prispejo kot objekt JSON, natanko kot pri vsakem drugem modelu tukaj. Če je »strukturiran izhod« vaše aplikacije v resnici argument orodja — kar drži za večino agentnih ogrodij, strežnikov MCP in čelnih delov za podatkovne zbirke — vam Laguna S 2.1 povsem ustreza. Pretakanje deluje v vseh treh narečjih; reasoning_effort deluje.

Kaj ne deluje. Končni točki ne morete izročiti sheme JSON in imeti jamstva, da bo besedilni odgovor pomočnika zdržal preverbo proti njej, response_format: {"type": "json_object"} pa vam ne prinese ničesar. Poziv za JSON običajno pripelje do JSON — to je sposoben model — a »običajno« ni pogodba. Poolside sam kot znano omejitev dokumentira napačno ubežno kodiranje JSON v globoko gnezdenih klicih orodij, kar spomni, da jamstvo, kjer drugod v naši ponudbi obstaja, prihaja iz strežnega sloja in ne iz dobrih namenov modela.

Katerega sorodnika uporabiti namesto njega

Če vaša obremenitev potrebuje zajamčen JSON, se s tem modelom ne borite — zamenjajte ID modela. Štirje sorodniki sedijo po enaki ceni $0.50 / $2.00 s polno podporo za json_schema in response_format:

ID modela	json_schema	Razumevanje slik	Zakaj bi ga izbrali
MiMo-V2.5-Pro-W8A16	Da	Ne	Neposredna zamenjava — 8-bitne uteži, stopnja z najvišjo zvestobo, ista cena
MiMo-V2.5-W8A16	Da	Da	Isto, plus slikovni vhod
Hy3-W8A16	Da	Ne	Še en 8-bitni besedilni model po najnižji ceni
DeepSeek-V4-Flash-0731	Da	Ne	W4A16-AutoRound-REAP kot Laguna, s podporo shemi

Naravni privzetek je MiMo-V2.5-Pro (W8A16): samo besedilo, cena na dnu, kvantiziran po najnežnejši stopnji, ki jo poganjamo — podrobnosti so na kartici modela MiMo-V2.5. Ker si vseh dvanajst modelov deli končne točke, okno konteksta in zgornjo mejo izhoda, je preklop sprememba ene vrstice v polju model.

03Kaj pomeni W4A16-AUTOROUND-REAP?

Pripona na ID modela ni okras — natanko pove, kako so bile uteži stisnjene, preden so bile naložene na naš grozd GPU. Trije deli.

W4A16 — 4-bitne uteži, 16-bitne aktivacije

Uteži so shranjene pri 4 bitih; aktivacije — vrednosti, ki ob sklepanju tečejo med plastmi — ostanejo pri 16. Zmanjšanje uteži na četrtino njihovega odtisa BF16 je tisto, kar modelu s 118B parametri omogoči, da gre noter in ostane hiter, ohranitev širokih aktivacij pa varuje številsko občutljivi del prehoda naprej. Stisnite, kar je veliko in statično, in pustite pri miru, kar je majhno in dinamično.

AutoRound — naučeno zaokroževanje, ne zaokroževanje na najbližje

Naivni način kvantizacije je zaokroževanje na najbližje: vsako utež pripnite na najbližjo 4-bitno vrednost in sprejmite napako. AutoRound, Intelovo odprto orodje za kvantizacijo po učenju, zmore bolje — njegova metoda SignRound s predznačenim gradientnim spustom v nekaj sto korakih hkrati optimizira odločitve o zaokrožitvi in obsege obrezovanja ter za vsako utež odloči, ali manj škode izhodu plasti povzroči zaokrožitev navzgor ali navzdol. Zamisel si sposodi od učenja, zavedajočega se kvantizacije, brez stroška ponovnega učenja, in prav zato je izvedba W4A16 lahko resen model in ne izgubna radovednost.

REAP — obrezovanje strokovnjakov namesto njihovega zlivanja

REAP je Router-weighted Expert Activation Pruning, ki ga je objavil Cerebras Research. V modelu MoE vsi strokovnjaki ne odtehtajo svoje teže: k nekaterim usmerjevalnik pošlje malo žetonov, nekateri pa ob sprožitvi prispevajo majhno velikost. REAP vsakega strokovnjaka oceni po obeh signalih — vrednostih vrat usmerjevalnika in normah aktivacije strokovnjaka — ter tiste z nizkim izstopanjem v enem zamahu odstrani pred kvantizacijo. Bistveno je, da obrezuje in ne zliva: zlivanje več strokovnjakov zloži v enega, s čimer uniči drobnozrnati, od vhoda odvisni nadzor usmerjevalnika in vnese prag napake, ki ga nobeno uglaševanje ne odpravi (avtorji temu pravijo sesutje funkcijskega podprostora), obrezovanje pa preživele in nadzor usmerjevalnika nad njimi pusti nedotaknjene. Cerebras poroča o odstranitvi do 50 % strokovnjakov pri modelih z bilijonom parametrov ob večinoma ohranjeni izhodiščni kakovosti — pri programerskem modelu s 480B parametri in 50-odstotnim obrezovanjem 97,6 % izhodiščne neagentne sposobnosti programiranja in 96,7 % na agentnem SWE-Bench. To so Cerebrasove številke za njihove lastne modele, ne meritve naše izvedbe, so pa razlog, da ta sklad poganjamo na temelju, čigar glavna moč je koda.

Skupaj se pripona bere kot stavek: obrežite strokovnjake, ki so bili komaj v rabi, 4-bitne zaokrožitve se naučite, namesto da jih ugibate, in aktivacije ohranite v polni širini.

04V čem je ta model pravzaprav dober?

Najprej pošteno: Laguna S 2.1 je samo besedilen pogovorni model — pri tem ID modela ni slikovnega vhoda — Poolside pa ga je zgradil za agentno programiranje in dolgoročno delo, ne za prozo. Potrening je tekel čez več kot 409.000 okolij, med njimi 83.000 terminalskih in 168.000 programsko-inženirskih nalog, s spodbujevalnim učenjem v FP8. Poolsidovi sporočeni rezultati za nekvantizirano izdajo:

Meritev	Z razmišljanjem	Brez razmišljanja	Kaj meri
SWE-Bench Multilingual	78.5%	—	Resnični popravki napak v mnogih jezikih
Terminal-Bench 2.1	70.2%	60.4%	Večkoračno delo z lupino in orodji
SWE-Bench Pro	59.4%	—	Težje naloge v repozitorijih, odporne na okužbo
Toolathlon Verified	49.7%	—	Širina rabe orodij čez mnoge API
SWE Atlas	46.2%	—	Dolgoročna orientacija po repozitoriju
DeepSWE v1.1	40.4%	16.5%	Agentno programsko inženirstvo

Vrzel med obema stolpcema je tu najbolj uporabna številka: na DeepSWE se rezultat ob vklopljenem sklepanju več kot podvoji, na Terminal-Bench pa pridobi skoraj deset točk.

Številke, ki jih za nekvantizirano izdajo Laguna S 2.1 poroča Poolside, julij 2026. Niso meritve naše izvedbe W4A16-AutoRound-REAP in zanjo ne objavljamo lastnih številk meritev. Za nadzor proračuna razmišljanja na našem API uporabite reasoning_effort.

Za pogovorno in ustvarjalno delo je pošteno stališče tole: lastnosti, ki poganjajo dolge agentne teke — skladno držanje veliko stanja, ostajanje pri nalogi, neodnašanje — so iste, ki poganjajo dolgo delo z liki, in v praksi glas dobro drži čez zelo dolgo okno. Nobena objavljena meritev tega ne pove in je ne bomo izmislili. Preizkusite ga na svojih pozivih; pri $0.50 na milijon vhodnih žetonov je to tako rekoč zastonj.

05Kaj vam najnižja cena pravzaprav kupi?

$0.50 vhod / $2.00 izhod na milijon žetonov je vstopna stopnja na prehodu Shannon AI, ki si jo delijo MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro in Hy3. Konkretno:

Delovna obremenitev	Vhod	Izhod	Strošek
En obrat klepeta s 100K zgodovine	100,000	2,000	$0.054
Poglavje s 5.000 besedami iz dolgega povzetka	30,000	7,000	$0.029
1.000 kratkih pogovornih obratov	4,000,000	500,000	$3.00
Branje polnega konteksta 262K žetonov	262,144	16,384	$0.164

Zadnjo vrstico velja ponotranjiti: polnjenje celotnega okna konteksta in generiranje največjega odgovora s 16,384 žetoni stane približno šestnajst centov. Poriniti cel rokopis, prepis seje ali nabor dokumentov v en klic neha biti proračunska in postane latenčna odločitev. Ista aritmetika poganja drugo rabo najnižje cene — količino: paketno razvrščanje, množično prepisovanje, sintetični dialog, prvi osnutek, ki ga pozneje izpili močnejši model. Poglejte stran s cenami in raziskovalno kazalo.

06Kaj tu pomeni »necenzuriran«

Pomeni, kar pravi: brez sloja zavračanja in brez vsebinskega filtriranja izhoda. Med modelom in vašim odgovorom ne sedi razvrščevalnik, ki bi odločal, ali ste smeli vprašati; model odgovori v registru, ki ste ga zahtevali, in vam prej ne pridiga o izhodišču.

Pri ustvarjalnem delu je to razlika med uporabnim in neuporabnim orodjem. Leposlovje vsebuje grozeče nasprotnike, like, ki prepričljivo lažejo, nasilje s posledicami, moralno omadeževane pripovedovalce — model, ki pade iz vloge, da bi pripel omejitev odgovornosti, je nalogo zavozil, ne pa uspel pri varnosti. Isto velja za varnostne raziskave, dokumentacijo rdečih ekip, zdravstveno in pravno pisanje ter prevajanje, kjer je izvirnik oster: to so kategorije, kjer je zavrnitev preprosto napačen odgovor. Ne pomeni pa, da presoja neha biti vaša — za to, kar ustvarite, ostajate odgovorni sami, po naši Politiki odgovorne uporabe in po pravu, ki velja za vas.

07Kako poklicati necenzuriran Laguna API

Tri narečja, en model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Pretakanje deluje v vseh treh, zato se obstoječa integracija preseli s spremembo osnovnega URL in ID modela — brez menjave SDK, brez predelave obravnave sporočil.

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"
}

Nekaj praktičnih opomb:

• Temu ID modela ne pošiljajte response_format ali json_schema — če ju vaša odjemalska knjižnica privzeto nastavi, ju odstranite ali preidite na sorodnika, ki ju podpira.
• Orodja gredo v običajno polje tools — klicanje orodij je v celoti podprto; manjka le vsiljevanje sheme na prostem besedilu.
• Načrtujte proračun sklepanja. reasoning_effort je upoštevan — nizek ali izklopljen drži pogovorno latenco nizko in izhodne žetone poceni; zvišajte ga za večkoračno delo z orodji, kjer vrzel v meritvah zgoraj pokaže, kaj to kupi.
• Zgornja meja izhoda je 16,384 žetonov na zahtevo. Za generiranje v dolžini knjige jo razdelite po poglavjih in pretakajte.
• Samo besedilo. Pri tem ID modela ni slikovnega vhoda — za slike uporabite MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 ali inkling.

Popoln pregled parametrov, overjanje, semantika napak in živo igrišče: dokumentacija API.

08Kdaj ga izbrati in kdaj ne

Izberite ga, kadar je vaš izhod proza, dialog ali koda, ki jo bere človek; kadar potrebujete klicanje orodij, ne pa s shemo omejenega besedila; kadar strošek na žeton prevlada nad dolgim kontekstom; ali kadar hočete drugo mnenje iz rodovnice, ki ni družina DeepSeek, Kimi ali MiMo, kakršne polnijo preostanek ponudbe.

Izberite kaj drugega, kadar potrebujete zajamčen JSON (MiMo-V2.5-Pro), razumevanje slik (Kimi-K2.6 ali MiMo-V2.5) ali skrajno težavnostno lestvico, kjer je cenovna vrzel nepomembna v primerjavi s pravilnim odgovorom (DeepSeek-V4-Pro, Kimi-K3).

09Pogosta vprašanja

---

Viri: Poolside — kartica modela Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Številke o arhitekturi in meritvah poroča izdajatelj za nekvantizirano izdajo in niso meritve izvedbe, ki jo strežemo. Shannon AI upravlja Shannon Lab LLC, Nova Mehika, ZDA.