API e pacensuruar Laguna

Shumica e faqeve për "modele të lira" ju kërkojnë të pranoni një themel të vogël e të lodhur në këmbim të një shifre të ulët. Kjo jo. Laguna S 2.1 është një publikim Mixture-of-Experts i rrallë i brezit të tanishëm, i stërvitur mbi 4.096 H200 dhe i nxjerrë brenda më pak se nëntë javësh, dhe qëndron te e njëjta dysheme 0.50 $ / 2.00 $ si çdo model tjetër i nivelit hyrës që shërbejmë. Shkëmbimi është i ngushtë dhe i lehtë për t'u arsyetuar: dorëzoni daljen e strukturuar të imponuar nga serveri dhe mbani gjithçka tjetër.

01Çfarë është Laguna S 2.1?

Laguna S 2.1 është një model me pesha të hapura i publikuar nga Poolside më 21 korrik 2026 nën licencën lejuese OpenMDW-1.1 — anëtari i mesëm i familjes Laguna, mes Laguna XS 2.1 (33B/3B aktivë) dhe Laguna M.1 (225B/23B aktivë).

Arkitektura e publikuar është një drejtues me zgjedhje sipas tokenit me porta softplus mbi 256 ekspertë të drejtuar plus një ekspert të përbashkët, dhjetë të përzgjedhur për token, përgjatë 48 shtresash — dymbëdhjetë me vëmendje globale, tridhjetë e gjashtë me dritare rrëshqitëse me dritare 512 tokenash, një ndërthurje që e mban koston e vëmendjes për hyrje shumë të gjata pothuajse lineare e jo kuadratike. Vëmendja është grouped-query me 8 koka çelës-vlerë me përmasë koke 128.

Dy pasoja kanë rëndësi për një konsumator API-je. Aktivizimi i rrallë është arsyeja pse një model 118B mund të qëndrojë te çmimi dysheme — vetëm ~8B parametra punojnë për token, kështu që llogaritja për token është më afër një modeli të vogël të dendur sesa sugjeron numri i parametrave. Dhe ndërthurja me dritare rrëshqitëse është arsyeja pse dritarja e gjatë është vërtet e përdorshme e jo thjesht nominale. Publikimi i Poolside-it mbështet 1.048.576 tokena; ne shërbejmë 262.144, njësoj si çdo model tjetër në portë.

02Vërejtja e vetme: pa dalje të strukturuar

Çfarë punon ende. Thirrja e mjeteve mbështetet plotësisht, dhe argumentet e thirrjes së mjeteve mbërrijnë ende si një objekt JSON pikërisht si te çdo model tjetër këtu. Nëse "dalja e strukturuar" e aplikacionit tuaj janë në të vërtetë argumentet e mjeteve — e vërtetë për shumicën e kornizave të agjentëve, për serverët MCP dhe për ndërfaqet e bazave të të dhënave — Laguna S 2.1 ju shërben mirë. Transmetimi punon në të tri dialektet; reasoning_effort punon.

Çfarë nuk punon. Nuk mund t'i jepni endpoint-it një skemë JSON dhe të keni garanci se përgjigjja me tekst e asistentit do të validohet kundrejt saj, dhe response_format: {"type": "json_object"} nuk ju blen asgjë. Kërkimi i JSON-it në prompt zakonisht prodhon JSON — ky është një model kompetent — por "zakonisht" nuk është kontratë. Vetë Poolside e dokumenton si kufizim të njohur ikjen e gabuar të karaktereve në JSON te thirrjet e mjeteve me fole të thella, një kujtesë se garancia, aty ku ekziston gjetiu në listën tonë, vjen nga shtresa e shërbimit e jo nga qëllimet e mira të modelit.

Cilën motër të përdorni në vend të tij

Nëse ngarkesa juaj ka nevojë për JSON të garantuar, mos u grindni me këtë model — ndërroni id-në e modelit. Katër motra qëndrojnë me të njëjtin çmim 0.50 $ / 2.00 $ me mbështetje të plotë për json_schema dhe response_format:

Id-ja e modelit	json_schema	Pamje	Pse do ta zgjidhnit
MiMo-V2.5-Pro-W8A16	Po	Jo	Zëvendësimi i drejtpërdrejtë — pesha 8-bitëshe, niveli me besnikërinë më të lartë, i njëjti çmim
MiMo-V2.5-W8A16	Po	Po	Njësoj, plus hyrje me imazh
Hy3-W8A16	Po	Jo	Një tjetër model 8-bitësh me tekst me çmimin dysheme
DeepSeek-V4-Flash-0731	Po	Jo	W4A16-AutoRound-REAP si Laguna, me mbështetjen për skema të paprekur

Parazgjedhja e natyrshme është MiMo-V2.5-Pro (W8A16): vetëm tekst, me çmim dysheme, i kuantizuar te niveli më i butë që ekzekutojmë — hollësitë te karta e modelit MiMo-V2.5. Ngaqë të dymbëdhjetë modelet ndajnë endpoint-et, dritaren e kontekstit dhe tavanin e daljes, kalimi është një ndryshim me një rresht te fusha model.

03Çfarë do të thotë W4A16-AUTOROUND-REAP?

Prapashtesa te id-ja e modelit nuk është dekor — thotë saktësisht se si u ngjeshën peshat përpara se të ngarkoheshin në grupin tonë të GPU-ve. Tri pjesë.

W4A16 — pesha 4-bitëshe, aktivizime 16-bitëshe

Peshat ruhen me 4 bita; aktivizimet — vlerat që rrjedhin mes shtresave në kohën e nxjerrjes — mbeten me 16. Prerja e peshave në një të katërtën e gjurmës së tyre BF16 është ajo që e bën një model 118B të hyjë dhe të mbetet i shpejtë, ndërsa mbajtja e aktivizimeve të gjera e mbron pjesën numerikisht të ndjeshme të kalimit përpara. Ngjeshni atë që është e madhe dhe statike, lëreni të qetë atë që është e vogël dhe dinamike.

AutoRound — rrumbullakim i mësuar, jo rrumbullakim te më i afërti

Mënyra naive për të kuantizuar është rrumbullakimi te më i afërti: kapëse çdo peshë te vlera më e afërt 4-bitëshe, prano gabimin. AutoRound, grupi i hapur i mjeteve të kuantizimit pas stërvitjes i Intel-it, e bën më mirë — metoda e tij SignRound përdor zbritje gradienti me shenjë për t'i optimizuar bashkërisht vendimet e rrumbullakimit dhe rangjet e kufizimit përgjatë disa qindra hapave, duke vendosur për çdo peshë nëse rrumbullakimi lart apo poshtë i bën më pak dëm daljes së vërtetë të shtresës. E huazon idenë nga stërvitja e vetëdijshme për kuantizimin pa koston e ristërvitjes, dhe pikërisht prandaj një ndërtim W4A16 mund të jetë një model serioz e jo një kuriozitet me humbje.

REAP — krasitja e ekspertëve në vend të bashkimit të tyre

REAP është Router-weighted Expert Activation Pruning, e botuar nga Cerebras Research. Në një model MoE jo të gjithë ekspertët e mbajnë peshën e tyre: drejtuesi u dërgon pak tokena disave, dhe disa kontribuojnë me madhësi të vogël kur ndizen. REAP e vlerëson çdo ekspert mbi të dyja sinjalet — vlerat e portës së drejtuesit dhe normat e aktivizimit të ekspertit — dhe i heq ata me rëndësi të ulët me një hedhje të vetme, përpara kuantizimit. Vendimtare është se ai krasit e nuk bashkon: bashkimi i palos disa ekspertë në një, duke shkatërruar kontrollin e imët e të varur nga hyrja të drejtuesit dhe duke futur një dysheme gabimi që asnjë rregullim nuk e heq (autorët e quajnë kolaps i nënhapësirës funksionale), ndërsa krasitja i lë të mbijetuarit dhe kontrollin e drejtuesit mbi ta të paprekur. Cerebras raporton heqjen e deri në 50% të ekspertëve nga modele me një trilion parametra duke ruajtur kryesisht cilësinë bazë — te një model programimi 480B me krasitje 50%, 97.6% e aftësisë bazë joagjentike të programimit dhe 96.7% te SWE-Bench agjentik. Ato janë shifra të Cerebras-it për modelet e tyre, jo matje të ndërtimit tonë, por janë arsyeja pse e ekzekutojmë këtë stivë mbi një themel pika e fortë kryesore e të cilit është kodi.

Së bashku prapashtesa lexohet si një fjali: krasit ekspertët që mezi përdoreshin, mëso rrumbullakimin 4-bitësh e mos e hamendëso, mbaji aktivizimet me gjerësi të plotë.

04Për çfarë është vërtet i mirë ky model?

Ndershmëria së pari: Laguna S 2.1 është një model bisede vetëm me tekst — pa hyrje me pamje te kjo id modeli — dhe Poolside e ndërtoi për programim agjentik dhe punë me horizont të gjatë, jo për prozë. Pas-stërvitja u zhvillua mbi 409.000 mjedise, përfshirë 83.000 detyra terminali dhe 168.000 detyra të inxhinierisë së programeve, me mësim përforcues në FP8. Rezultatet e raportuara nga Poolside për publikimin e pakuantizuar:

Benchmark	Me mendim	Pa mendim	Çfarë mat
SWE-Bench Multilingual	78.5%	—	Riparime të vërteta defektesh përgjatë shumë gjuhëve
Terminal-Bench 2.1	70.2%	60.4%	Punë shumëhapëshe me shell dhe mjete
SWE-Bench Pro	59.4%	—	Detyra depoje më të vështira, rezistente ndaj ndotjes
Toolathlon Verified	49.7%	—	Gjerësia e përdorimit të mjeteve përgjatë shumë API-ve
SWE Atlas	46.2%	—	Lundrim depoje me horizont të gjatë
DeepSWE v1.1	40.4%	16.5%	Inxhinieri agjentike e programeve

Hendeku mes dy kolonave është numri më i vlefshëm për veprim këtu: te DeepSWE pikët më se dyfishohen kur arsyetimi është i ndezur, dhe te Terminal-Bench fitojnë afër dhjetë pikë.

Shifra të raportuara nga Poolside për publikimin e pakuantizuar Laguna S 2.1, korrik 2026. Nuk janë matje të ndërtimit tonë W4A16-AutoRound-REAP, dhe ne nuk publikojmë asnjë shifër benchmark-u tonën për të. Përdorni reasoning_effort për të kontrolluar buxhetin e mendimit në API-në tonë.

Për punë bisedore dhe krijuese, qëndrimi i ndershëm është ky: cilësitë pas ekzekutimeve të gjata agjentike — mbajtja e shumë gjendjeje në mënyrë koherente, qëndrimi te detyra, mosrrëshqitja — janë po ato pas punës së gjatë me personazhe, dhe në praktikë ai e mban zërin mirë përgjatë një dritareje shumë të gjatë. Asnjë benchmark i publikuar nuk e thotë këtë, dhe ne nuk do të shpikim një të tillë. Provojeni mbi promptet tuaja; me 0.50 $ për milion tokena hyrjeje kjo është thuajse falas.

05Çfarë blen vërtet çmimi dysheme?

0.50 $ hyrje / 2.00 $ dalje për milion tokena është niveli hyrës në portën e Shannon AI, i ndarë me MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro dhe Hy3. Konkretisht:

Ngarkesa e punës	Hyrje	Dalje	Kosto
Një raund bisede me 100K histori	100,000	2,000	$0.054
Një kapitull 5.000-fjalësh nga një brief i gjatë	30,000	7,000	$0.029
1.000 raunde të shkurtra bisede	4,000,000	500,000	$3.00
Një lexim i plotë konteksti prej 262K tokenash	262,144	16,384	$0.164

Rreshti i fundit është ai për t'u përvetësuar: mbushja e krejt dritares së kontekstit dhe gjenerimi i përgjigjes maksimale prej 16.384 tokenash kushton rreth gjashtëmbëdhjetë cent. Futja e një dorëshkrimi të tërë, e një transkripti seance ose e një grupi dokumentesh në një thirrje të vetme pushon së qeni vendim buxheti dhe bëhet vendim vonese. E njëjta aritmetikë e drejton edhe rastin tjetër të përdorimit me çmim dysheme — volumin: klasifikim masiv, rishkrim masiv, dialog sintetik, hartim i kalimit të parë që një model më i fortë e rafinon më vonë. Shihni faqen e çmimeve dhe indeksin e kërkimit.

06Çfarë do të thotë "i pacensuruar" këtu

Do të thotë atë që thotë: pa shtresë refuzimi dhe pa filtrim përmbajtjeje mbi daljen. Asnjë klasifikues nuk qëndron mes modelit dhe përgjigjes suaj duke vendosur nëse ju lejohej të pyesnit; modeli përgjigjet në regjistrin që kërkuat dhe nuk ju bën leksion për premisën së pari.

Për punën krijuese, kjo është diferenca mes një mjeti të përdorshëm dhe një të papërdorshmi. Trillimi përmban antagonistë kërcënues, personazhe që gënjejnë bindshëm, dhunë me pasoja, narratorë moralisht të komprometuar — një model që del nga personazhi për të shtuar një sqarim ka dështuar në detyrë, jo ia ka dalë me sigurinë. E njëjta vlen për kërkimin e sigurisë, dokumentimin red-team, hartimin mjekësor e ligjor, dhe përkthimin ku burimi është i vrazhdë: kategori ku një refuzim është thjesht një përgjigje e gabuar. Çfarë nuk do të thotë është që gjykimi pushon së qeni i juaji — mbeteni përgjegjës për atë që gjeneroni, sipas Politikës sonë të Përdorimit të Përgjegjshëm dhe ligjit të zbatueshëm.

07Si ta thërrisni API-në e pacensuruar Laguna

Tri dialekte, një model: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Transmetimi punon në të tria, kështu që një integrim ekzistues kalon duke ndryshuar një URL bazë dhe një id modeli — pa ndërruar SDK-në, pa rishkruar trajtimin e mesazheve.

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"
}

Disa shënime praktike:

• Mos dërgoni response_format ose json_schema te kjo id modeli — nëse biblioteka juaj e klientit vendos njërin si parazgjedhje, hiqeni ose kaloni te një motër që e mbështet.
• Mjetet shkojnë te vargu i zakonshëm tools — thirrja e mjeteve mbështetet plotësisht; mungon vetëm imponimi i skemës mbi tekstin e lirë.
• Buxhetoni arsyetimin. reasoning_effort respektohet — i ulët ose i fikur e mban vonesën e bisedës poshtë dhe tokenat e daljes të lirë; ngrijeni për punë shumëhapëshe me mjete, ku hendeku i benchmark-eve më sipër tregon çfarë blen.
• Tavani i daljes është 16.384 tokena për kërkesë. Për gjenerim në përmasa libri, ndajeni në kapituj dhe transmetoni.
• Vetëm tekst. Pa hyrje me imazh te kjo id modeli — përdorni MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 ose inkling për pamjen.

Referenca e plotë e parametrave, autentikimi, semantika e gabimeve dhe një terren prove i drejtpërdrejtë: dokumentacioni i API-t.

08Kur ta zgjidhni dhe kur jo

Zgjidheni kur dalja juaj është prozë, dialog ose kod që e lexon një njeri; ju duhet thirrje mjetesh por jo tekst i kufizuar nga skema; kostoja për token sundon mbi kontekstin e gjatë; ose doni një mendim të dytë nga një linjë tjetër veç familjeve DeepSeek, Kimi dhe MiMo që mbushin pjesën tjetër të listës.

Zgjidhni diçka tjetër kur ju duhet JSON i garantuar (MiMo-V2.5-Pro), kuptim imazhesh (Kimi-K2.6 ose MiMo-V2.5), ose skaji i vijës së parë i vështirësisë ku hendeku i çmimit është i parëndësishëm përballë marrjes së përgjigjes së saktë (DeepSeek-V4-Pro, Kimi-K3).

09Pyetje të bëra shpesh

---

Burimet: Poolside — karta e modelit Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Shifrat e arkitekturës dhe të benchmark-eve janë të raportuara nga botuesi për publikimin e pakuantizuar, jo matje të ndërtimit që shërbejmë. Shannon AI operohet nga Shannon Lab LLC, Nju Meksiko, SHBA.