Ocensurerat Laguna-API

De flesta sidor om ”billiga modeller” ber dig acceptera en liten, trött grundmodell i utbyte mot ett lågt tal. Den här gör det inte. Laguna S 2.1 är en gles Mixture-of-Experts-utgåva i aktuell generation, tränad på 4 096 H200-kort och levererad på under nio veckor, och den ligger på samma golv $0.50 / $2.00 som varje annan instegsmodell vi serverar. Avvägningen är smal och lätt att resonera om: du ger upp serverpåtvingad strukturerad utdata och behåller allt annat.

01Vad är Laguna S 2.1?

Laguna S 2.1 är en modell med öppna vikter, släppt av Poolside den 21 juli 2026 under den tillåtande licensen OpenMDW-1.1 — mellanstorleken i Laguna-familjen, mellan Laguna XS 2.1 (33B/3B aktiva) och Laguna M.1 (225B/23B aktiva).

Den publicerade arkitekturen är en token-choice-router med softplus-grindning över 256 dirigerade experter plus en delad expert, tio valda per token, över 48 lager — tolv med global attention, trettiosex med glidande fönster om 512 tokens, en varvning som håller attention-kostnaden för mycket långa indata nära linjär i stället för kvadratisk. Attention är grouped-query med 8 nyckel-värde-huvuden vid huvuddimension 128.

Två konsekvenser spelar roll för en API-konsument. Den glesa aktiveringen är skälet till att en modell på 118B kan ligga på golvpriset — bara ~8 miljarder parametrar arbetar per token, så beräkningen per token ligger närmare en liten tät modell än parameterantalet antyder. Och varvningen med glidande fönster är skälet till att det långa fönstret är genuint användbart snarare än nominellt. Poolsides utgåva stöder 1 048 576 tokens; vi serverar 262 144, i linje med varje annan modell på gatewayen.

02Det enda förbehållet: ingen strukturerad utdata

Vad som fortfarande fungerar. Verktygsanrop stöds fullt ut, och argumenten i verktygsanrop kommer fortfarande som ett JSON-objekt precis som på vilken annan modell här som helst. Om din applikations ”strukturerade utdata” egentligen är verktygsargument — sant för de flesta agentramverk, MCP-servrar och databasgränssnitt — duger Laguna S 2.1 utmärkt. Strömning fungerar på alla tre dialekterna; reasoning_effort fungerar.

Vad som inte gör det. Du kan inte ge slutpunkten ett JSON-schema och garanteras att assistentens textsvar validerar mot det, och response_format: {"type": "json_object"} ger dig ingenting. Att prompta för JSON producerar oftast JSON — det här är en kompetent modell — men ”oftast” är inget kontrakt. Poolside dokumenterar själv felaktig JSON-escapning i djupt nästlade verktygsanrop som en känd begränsning, en påminnelse om att garantin, där den finns på annat håll i vår uppsättning, kommer från serveringslagret snarare än från modellens goda vilja.

Vilken systermodell du ska använda i stället

Behöver din arbetslast garanterad JSON, slåss inte med den här modellen — byt modell-id. Fyra systermodeller ligger på identiskt pris $0.50 / $2.00 med fullt stöd för json_schema och response_format:

Modell-id	json_schema	Vision	Varför du väljer den
MiMo-V2.5-Pro-W8A16	Ja	Nej	Det direkta bytet — 8-bitars vikter, nivån med högst trohet, samma pris
MiMo-V2.5-W8A16	Ja	Ja	Samma sak, plus bildindata
Hy3-W8A16	Ja	Nej	Ännu en 8-bitars textmodell till golvpris
DeepSeek-V4-Flash-0731	Ja	Nej	W4A16-AutoRound-REAP som Laguna, med schemastödet intakt

Det naturliga standardvalet är MiMo-V2.5-Pro (W8A16): endast text, golvprissatt, kvantiserad på den skonsammaste nivån vi kör — detaljer finns på modellkortet för MiMo-V2.5. Eftersom alla tolv modellerna delar slutpunkter, kontextfönster och utdatatak är bytet en enradsändring i fältet model.

03Vad betyder W4A16-AUTOROUND-REAP?

Suffixet på modell-id:t är ingen dekoration — det säger exakt hur vikterna komprimerades innan de laddades in på vårt GPU-kluster. Tre delar.

W4A16 — 4-bitars vikter, 16-bitars aktiveringar

Vikter lagras i 4 bitar; aktiveringar — värdena som flödar mellan lagren vid inferens — stannar på 16. Att skära vikterna till en fjärdedel av deras BF16-avtryck är det som gör att en modell på 118B får plats och förblir snabb, medan breda aktiveringar skyddar den numeriskt känsliga delen av framåtpassningen. Komprimera det som är stort och statiskt, lämna det som är litet och dynamiskt i fred.

AutoRound — inlärd avrundning, inte närmaste avrundning

Det naiva sättet att kvantisera är avrundning till närmaste: snäpp varje vikt till närmaste 4-bitarsvärde, acceptera felet. AutoRound, Intels öppna verktygslåda för kvantisering efter träning, gör det bättre — dess SignRound-metod använder teckenbaserad gradientnedstigning för att gemensamt optimera avrundningsbeslut och klippintervall över ett par hundra steg, och avgör per vikt om avrundning uppåt eller nedåt skadar lagrets faktiska utdata minst. Den lånar idén från kvantiseringsmedveten träning utan omträningens kostnad, och det är därför en W4A16-build kan vara en seriös modell snarare än en förlustbehäftad kuriositet.

REAP — att beskära experter i stället för att slå ihop dem

REAP står för Router-weighted Expert Activation Pruning, publicerad av Cerebras Research. I en MoE-modell drar inte alla experter sitt strå till stacken: routern skickar få tokens till vissa, och vissa bidrar med liten magnitud när de väl aktiveras. REAP poängsätter varje expert på båda signalerna — routerns grindvärden och expertens aktiveringsnormer — och tar bort de med låg framträdandegrad i ett enda svep, före kvantiseringen. Avgörande är att den beskär i stället för att slå ihop: sammanslagning viker in flera experter i en, förstör routerns finkorniga, indataberoende kontroll och inför ett felgolv som ingen justering tar bort (författarna kallar det kollaps av det funktionella delrummet), medan beskärning lämnar de överlevande och routerns kontroll över dem intakt. Cerebras rapporterar borttagning av upp till 50 % av experterna i modeller med en biljon parametrar med i stort sett bibehållen baskvalitet — på en kodmodell på 480B vid 50 % beskärning, 97,6 % av baslinjens icke-agentiska kodförmåga och 96,7 % på agentiska SWE-Bench. Det är Cerebras siffror för deras egna modeller, inte mätningar av vår build, men de är skälet till att vi kör den här stapeln på en grundmodell vars främsta styrka är kod.

Tillsammans läses suffixet som en mening: beskär experterna som knappt användes, lär dig 4-bitarsavrundningen i stället för att gissa den, håll aktiveringarna i full bredd.

04Vad är den här modellen faktiskt bra på?

Ärlighet först: Laguna S 2.1 är en konversationsmodell som bara hanterar text — ingen bildindata på det här modell-id:t — och Poolside byggde den för agentisk kodning och långsiktigt arbete, inte för prosa. Efterträningen kördes över 409 000 miljöer, inklusive 83 000 terminaluppgifter och 168 000 mjukvaruutvecklingsuppgifter, med förstärkningsinlärning i FP8. Poolsides rapporterade resultat för den okvantiserade utgåvan:

Benchmark	Med tänkande	Utan tänkande	Vad den mäter
SWE-Bench Multilingual	78.5%	—	Verkliga buggfixar över många språk
Terminal-Bench 2.1	70.2%	60.4%	Skal- och verktygsarbete i flera steg
SWE-Bench Pro	59.4%	—	Svårare, kontamineringståliga repouppgifter
Toolathlon Verified	49.7%	—	Bredd i verktygsanvändning över många API:er
SWE Atlas	46.2%	—	Långsiktig navigering i repositorier
DeepSWE v1.1	40.4%	16.5%	Agentisk mjukvaruutveckling

Gapet mellan de två kolumnerna är den mest handlingsbara siffran här: på DeepSWE mer än fördubblas resultatet när resonemang är påslaget, och på Terminal-Bench vinner den nästan tio poäng.

Poolside-rapporterade siffror för den okvantiserade utgåvan av Laguna S 2.1, juli 2026. De är inga mätningar av vår W4A16-AutoRound-REAP-build, och vi publicerar inga egna benchmarksiffror för den. Använd reasoning_effort för att styra tänkebudgeten på vårt API.

För konversation och kreativt arbete är den ärliga hållningen denna: egenskaperna bakom långa agentiska körningar — att hålla mycket tillstånd sammanhängande, hålla sig till uppgiften, inte driva iväg — är samma egenskaper som ligger bakom långt karaktärsarbete, och i praktiken håller den rösten väl över ett mycket långt fönster. Ingen publicerad benchmark säger det, och vi tänker inte hitta på en. Testa den på dina egna prompter; vid $0.50 per miljon indatatokens är det nästan gratis.

05Vad köper golvpriset egentligen?

$0.50 in / $2.00 ut per miljon tokens är instegsnivån på Shannon AI Gateway, delad med MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro och Hy3. Konkret:

Arbetslast	Indata	Utdata	Kostnad
En chattur med 100K historik	100,000	2,000	$0.054
Ett kapitel på 5 000 ord ur en lång brief	30,000	7,000	$0.029
1 000 korta konversationsturer	4,000,000	500,000	$3.00
En full inläsning av 262K tokens kontext	262,144	16,384	$0.164

Den sista raden är den att internalisera: att fylla hela kontextfönstret och generera det maximala svaret på 16 384 tokens kostar ungefär sexton cent. Att mata in ett helt manuskript, ett sessionstranskript eller en dokumentsamling i ett enda anrop slutar vara ett budgetbeslut och blir ett latensbeslut. Samma aritmetik driver det andra användningsfallet för golvpris — volym: batchklassificering, massomskrivning, syntetisk dialog, förstautkast som en starkare modell förfinar senare. Se prissidan och forskningsindexet.

06Vad ”ocensurerad” betyder här

Det betyder vad det säger: inget vägranslager och ingen innehållsfiltrering av utdata. Ingen klassificerare sitter mellan modellen och ditt svar och avgör om du fick fråga; modellen svarar i den ton du bad om och läxar inte först upp dig om premissen.

För kreativt arbete är det skillnaden mellan ett användbart verktyg och ett oanvändbart. Skönlitteratur innehåller hotfulla antagonister, karaktärer som ljuger övertygande, våld med konsekvenser, moraliskt komprometterade berättare — en modell som bryter karaktären för att lägga till en brasklapp har misslyckats med uppgiften, inte lyckats med säkerheten. Detsamma gäller säkerhetsforskning, red team-dokumentation, medicinskt och juridiskt författande, och översättning där källan är rå: kategorier där en vägran helt enkelt är ett felaktigt svar. Vad det inte betyder är att omdömet slutar vara ditt — du förblir ansvarig för det du genererar, under vår policy för ansvarsfull användning och tillämplig lag.

07Så anropar du det ocensurerade Laguna-API:et

Tre dialekter, en modell: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Strömning fungerar på alla tre, så en befintlig integration flyttas över genom att byta en bas-URL och ett modell-id — inget SDK-byte, ingen omskrivning av din meddelandehantering.

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"
}

Några praktiska noteringar:

• Skicka inte response_format eller json_schema till det här modell-id:t — om ditt klientbibliotek sätter någon av dem som standard, slå av det eller byt till en systermodell som stöder det.
• Verktyg går i den vanliga tools-arrayen — verktygsanrop stöds fullt ut; det är bara påtvingade scheman på fri text som inte gör det.
• Budgetera ditt resonemang. reasoning_effort respekteras — lågt eller av håller konversationslatensen nere och utdatatokens billiga; höj det för verktygsarbete i flera steg, där benchmarkgapet ovan visar vad det köper.
• Utdatataket är 16 384 tokens per förfrågan. För generering i bokformat, dela upp i kapitel och strömma.
• Endast text. Ingen bildindata på det här modell-id:t — använd MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 eller inkling för vision.

Fullständig parameterreferens, autentisering, felsemantik och en live-lekplats: API-dokumentationen.

08När du ska välja den, och när du inte ska

Välj den när din utdata är prosa, dialog eller kod som läses av en människa; du behöver verktygsanrop men inte schemabegränsad text; kostnad per token väger tyngre än lång kontext; eller du vill ha en andra åsikt från en annan härstamning än DeepSeek-, Kimi- och MiMo-familjerna som fyller resten av uppsättningen.

Välj något annat när du behöver garanterad JSON (MiMo-V2.5-Pro), bildförståelse (Kimi-K2.6 eller MiMo-V2.5), eller frontlinjeänden av svårighetsgraden där prisskillnaden är irrelevant vid sidan av att få rätt svar (DeepSeek-V4-Pro, Kimi-K3).

09Vanliga frågor

---

Källor: Poolside — modellkort för Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Arkitektur- och benchmarksiffror är utgivarrapporterade för den okvantiserade utgåvan, inte mätningar av den build vi serverar. Shannon AI drivs av Shannon Lab LLC, New Mexico, USA.