API ya Laguna bila udhibiti

Kurasa nyingi za "modeli nafuu" zinakuomba ukubali msingi mdogo, uliochoka, badala ya namba ndogo. Hii hapana. Laguna S 2.1 ni toleo la kizazi cha sasa la Mixture-of-Experts nyembamba, iliyofunzwa kwenye H200 4,096 na kutolewa ndani ya chini ya wiki tisa, na inakaa kwenye sakafu ileile ya $0.50 / $2.00 kama kila modeli nyingine ya daraja la kuingia tunayoihudumia. Badiliko ni jembamba na rahisi kulifikiria: unatoa matokeo yenye muundo yanayolazimishwa na seva na unabakiza kila kitu kingine.

01Laguna S 2.1 ni nini?

Laguna S 2.1 ni modeli ya uzani wazi iliyotolewa na Poolside tarehe 21 Julai 2026 chini ya leseni ruhusifu ya OpenMDW-1.1 — mwanachama wa ukubwa wa kati wa familia ya Laguna, kati ya Laguna XS 2.1 (33B/3B vinavyowaka) na Laguna M.1 (225B/23B vinavyowaka).

Muundo uliochapishwa ni kielekezi cha kuchagua tokeni chenye lango la softplus juu ya wataalamu 256 wanaoelekezwa pamoja na mtaalamu mmoja anayeshirikiwa, kumi wanaochaguliwa kwa kila tokeni, katika tabaka 48 — kumi na mbili za attention ya kimataifa, thelathini na sita za dirisha linalotelezea kwenye dirisha la tokeni 512, usukaji unaoweka gharama ya attention ya maingizo marefu sana karibu na mstari badala ya mraba. Attention ni ya maswali yaliyokusanywa yenye vichwa 8 vya funguo na thamani kwenye kipimo cha kichwa cha 128.

Matokeo mawili yanahusu mtumiaji wa API. Uwashaji mwembamba ndiyo sababu modeli ya 118B inaweza kukaa kwenye bei ya sakafu — ni takriban vigezo bilioni 8 tu vinavyofanya kazi kwa kila tokeni, hivyo kompyuta kwa kila tokeni iko karibu na modeli ndogo mnene kuliko idadi ya vigezo inavyodokeza. Na usukaji wa dirisha linalotelezea ndiyo sababu dirisha refu linatumika kweli badala ya kuwa la jina tu. Toleo la Poolside linaunga mkono tokeni 1,048,576; sisi tunahudumia 262,144, tukilingana na kila modeli nyingine kwenye lango.

02Tahadhari moja: hakuna matokeo yenye muundo

Kinachoendelea kufanya kazi. Kuita zana kunaungwa mkono kikamilifu, na hoja za mwito wa zana bado zinafika kama kitu cha JSON hasa kama kwenye modeli nyingine yoyote hapa. Kama "matokeo yenye muundo" ya programu yako kwa kweli ni hoja za zana — kweli kwa mifumo mingi ya wakala, seva za MCP na violesura vya hifadhidata — Laguna S 2.1 inakuhudumia vizuri. Utiririshaji unafanya kazi kwenye lahaja zote tatu; reasoning_effort inafanya kazi.

Kisichofanya kazi. Huwezi kuipa ncha JSON Schema na kuhakikishiwa kwamba jibu la maandishi la msaidizi linathibitika dhidi yake, na response_format: {"type": "json_object"} haikununulii chochote. Kudokeza kwa JSON kwa kawaida kunazalisha JSON — hii ni modeli hodari — lakini "kwa kawaida" si mkataba. Poolside yenyewe inaandika utoroshaji usio sahihi wa JSON ndani ya miito ya zana iliyofumwa kwa kina kama kikomo kinachojulikana, ukumbusho kwamba dhamana, pale ilipo mahali pengine ndani ya orodha yetu, inatoka kwenye safu ya kuhudumia badala ya nia njema ya modeli.

Ndugu gani utumie badala yake

Kama mzigo wako wa kazi unahitaji JSON ya uhakika, usipigane na modeli hii — badilisha kitambulisho cha modeli. Ndugu wanne wanakaa kwenye bei ileile ya $0.50 / $2.00 wakiwa na uungwaji mkono kamili wa json_schema na response_format:

Kitambulisho cha modeli	json_schema	Uoni	Kwa nini ungeichagua
MiMo-V2.5-Pro-W8A16	Ndiyo	Hapana	Badiliko la moja kwa moja — uzani wa biti 8, daraja lenye uaminifu wa juu kuliko yote, bei ileile
MiMo-V2.5-W8A16	Ndiyo	Ndiyo	Ileile, pamoja na ingizo la picha
Hy3-W8A16	Ndiyo	Hapana	Modeli nyingine ya maandishi ya biti 8 kwa bei ya sakafu
DeepSeek-V4-Flash-0731	Ndiyo	Hapana	W4A16-AutoRound-REAP kama Laguna, uungwaji mkono wa muundo ukiwa salama

Chaguo la kawaida la asili ni MiMo-V2.5-Pro (W8A16): maandishi pekee, bei ya sakafu, imebanwa kwenye daraja laini kuliko yote tunaloliendesha — maelezo yapo kwenye mwongozo wa modeli wa MiMo-V2.5. Kwa sababu modeli zote kumi na mbili zinashiriki ncha, dirisha la muktadha na dari ya matokeo, kubadili ni badiliko la mstari mmoja kwenye uwanja wa model.

03W4A16-AUTOROUND-REAP inamaanisha nini?

Kiambishi kwenye kitambulisho cha modeli si pambo — kinasema hasa jinsi uzani ulivyobanwa kabla haujapakiwa kwenye kundi letu la GPU. Sehemu tatu.

W4A16 — uzani wa biti 4, uwashaji wa biti 16

Uzani unahifadhiwa kwa biti 4; uwashaji — thamani zinazotiririka kati ya tabaka wakati wa uendeshaji — unabaki kwa 16. Kukata uzani hadi robo ya alama yake ya BF16 ndicho kinachofanya modeli ya 118B itoshee na ibaki ya kasi, huku kuweka uwashaji mpana kunalinda sehemu nyeti kihesabu ya pigo la mbele. Bana kilicho kikubwa na tuli, acha kilicho kidogo na kinachobadilika.

AutoRound — mviringisho uliojifunza, si mviringisho wa karibu zaidi

Njia rahisi ya kubana ni kuviringisha hadi wa karibu zaidi: bandika kila uzani kwenye thamani ya biti 4 iliyo karibu zaidi, kubali kosa. AutoRound, seti ya zana wazi ya Intel ya mbano wa baada ya mafunzo, inafanya vizuri zaidi — mbinu yake ya SignRound inatumia mteremko wa gredienti wenye alama kuboresha kwa pamoja maamuzi ya kuviringisha na maeneo ya kukata katika hatua mia chache, ikiamua kwa kila uzani kama kuviringisha juu au chini kunafanya uharibifu mdogo kwenye matokeo halisi ya tabaka. Inakopa wazo kutoka mafunzo yanayozingatia mbano bila gharama ya kufunza upya, na ndiyo sababu ujenzi wa W4A16 unaweza kuwa modeli ya kweli badala ya kitu cha ajabu chenye hasara.

REAP — kupogoa wataalamu badala ya kuwaunganisha

REAP ni Router-weighted Expert Activation Pruning, iliyochapishwa na Cerebras Research. Ndani ya modeli ya MoE si wataalamu wote wanaovuta uzito wao: kielekezi kinatuma tokeni chache kwa baadhi, na baadhi wanachangia ukubwa mdogo wanapowaka. REAP inampa kila mtaalamu alama kwa ishara zote mbili — thamani za lango la kielekezi na kanuni za uwashaji wa mtaalamu — na inaondoa wenye umuhimu mdogo kwa pigo moja, kabla ya mbano. Muhimu zaidi inapogoa badala ya kuunganisha: kuunganisha kunakunja wataalamu kadhaa kuwa mmoja, kukiharibu udhibiti wa daraja jembamba, unaotegemea ingizo, wa kielekezi na kukiingiza sakafu ya kosa ambayo hakuna urekebishaji unaoiondoa (waandishi wanaiita kuporomoka kwa nafasi ndogo ya kiutendaji), wakati kupogoa kunaacha waliobaki na udhibiti wa kielekezi juu yao ukiwa salama. Cerebras inaripoti kuondoa hadi 50% ya wataalamu kutoka modeli za vigezo trilioni huku kwa kiasi kikubwa ikidumisha ubora wa msingi — kwenye modeli ya kuandika msimbo ya 480B kwa upogoaji wa 50%, 97.6% ya uwezo wa msingi wa kuandika msimbo usio wa kiwakala na 96.7% kwenye SWE-Bench ya kiwakala. Hizo ni namba za Cerebras kwa modeli zao wenyewe, si vipimo vya ujenzi wetu, lakini ndiyo sababu tunaendesha rundo hili kwenye msingi ambao nguvu yake kuu ni msimbo.

Kwa pamoja kiambishi kinasomeka kama sentensi: pogoa wataalamu waliokuwa hawatumiki sana, jifunze mviringisho wa biti 4 badala ya kuubashiri, weka uwashaji kwa upana kamili.

04Modeli hii ni nzuri kwa nini hasa?

Ukweli kwanza: Laguna S 2.1 ni modeli ya mazungumzo ya maandishi pekee — hakuna ingizo la picha kwenye kitambulisho hiki cha modeli — na Poolside ilijenga kwa kuandika msimbo kwa kiwakala na kazi ya upeo mrefu, si kwa maandishi ya kubuni. Mafunzo ya baadaye yaliendeshwa juu ya mazingira 409,000, yakijumuisha kazi 83,000 za kituo cha amri na 168,000 za uhandisi wa programu, kwa ujifunzaji wa kuimarisha katika FP8. Matokeo yaliyoripotiwa ya Poolside kwa toleo lisilobanwa:

Kipimo	Kufikiri	Bila kufikiri	Kinachopima
SWE-Bench Multilingual	78.5%	—	Marekebisho halisi ya hitilafu katika lugha nyingi
Terminal-Bench 2.1	70.2%	60.4%	Kazi ya ganda na zana ya hatua nyingi
SWE-Bench Pro	59.4%	—	Kazi ngumu zaidi za hazina zinazostahimili uchafuzi
Toolathlon Verified	49.7%	—	Upana wa matumizi ya zana katika API nyingi
SWE Atlas	46.2%	—	Kuzunguka hazina kwa upeo mrefu
DeepSWE v1.1	40.4%	16.5%	Uhandisi wa programu wa kiwakala

Pengo kati ya safu mbili ndiyo namba yenye manufaa kuliko zote hapa: kwenye DeepSWE alama inazidi kuwa mara mbili hoja ikiwashwa, na kwenye Terminal-Bench inapata karibu pointi kumi.

Namba zilizoripotiwa na Poolside kwa toleo lisilobanwa la Laguna S 2.1, Julai 2026. Si vipimo vya ujenzi wetu wa W4A16-AutoRound-REAP, na hatuchapishi namba zetu wenyewe za vipimo kwa ajili yake. Tumia reasoning_effort kudhibiti bajeti ya kufikiri kwenye API yetu.

Kwa kazi ya mazungumzo na ubunifu msimamo wa kweli ni huu: sifa zilizo nyuma ya vipindi virefu vya kiwakala — kushikilia hali nyingi kwa mshikamano, kubaki kwenye kazi, kutopotea — ndizo zilezile zilizo nyuma ya kazi ndefu ya wahusika, na kiutendaji inashikilia sauti vizuri katika dirisha refu sana. Hakuna kipimo kilichochapishwa kinachosema hivyo, na hatutabuni kimoja. Ijaribu kwenye vidokezo vyako mwenyewe; kwa $0.50 kwa tokeni milioni za ingizo hiyo ni ya bure karibu kabisa.

05Bei ya sakafu inanunua nini hasa?

$0.50 ndani / $2.00 nje kwa tokeni milioni ni daraja la kuingia kwenye Lango la Shannon AI, linaloshirikiwa na MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro na Hy3. Kwa uwazi:

Mzigo wa kazi	Ingizo	Matokeo	Gharama
Zamu moja ya mazungumzo yenye historia ya 100K	100,000	2,000	$0.054
Sura ya maneno 5,000 kutoka muhtasari mrefu	30,000	7,000	$0.029
Zamu 1,000 fupi za mazungumzo	4,000,000	500,000	$3.00
Usomaji kamili wa muktadha wa tokeni 262K	262,144	16,384	$0.164

Safu ya mwisho ndiyo ya kuiweka ndani: kujaza dirisha zima la muktadha na kuzalisha jibu la juu kabisa la tokeni 16,384 kunagharimu takriban senti kumi na sita. Kulisha muswada mzima, nakala ya kipindi, au seti ya hati ndani ya mwito mmoja kunaacha kuwa uamuzi wa bajeti na kunakuwa uamuzi wa ucheleweshaji. Hesabu ileile inaendesha matumizi mengine ya bei ya sakafu — kiasi kikubwa: uainishaji wa kundi, uandishi upya wa wingi, mazungumzo bandia, rasimu ya pigo la kwanza ambayo modeli imara zaidi inairekebisha baadaye. Ona ukurasa wa bei na orodha ya utafiti.

06"Bila udhibiti" kunamaanisha nini hapa

Kunamaanisha kile kinachosemwa: hakuna safu ya kukataa na hakuna kuchuja maudhui kwenye matokeo. Hakuna kiainishi kinachokaa kati ya modeli na jibu lako kikiamua kama uliruhusiwa kuuliza; modeli inajibu kwa mtindo uliouomba na haikuhubirii kuhusu msingi wa swali kwanza.

Kwa kazi ya ubunifu hiyo ndiyo tofauti kati ya chombo kinachotumika na kisichotumika. Hadithi zina wapinzani wanaotisha, wahusika wanaodanganya kwa ushawishi, ukatili wenye matokeo, wasimulizi waliokwenda kinyume kimaadili — modeli inayovunja mhusika ili kuongeza tahadhari imeshindwa kazi, haijafaulu kwenye usalama. Vivyo hivyo kwa utafiti wa usalama, nyaraka za timu nyekundu, uandishi wa kimatibabu na kisheria, na tafsiri ambapo chanzo ni kikali: makundi ambapo kukataa ni jibu baya tu. Kisichomaanisha ni kwamba hukumu inaacha kuwa yako — unabaki na jukumu kwa kile unachokizalisha, chini ya Sera yetu ya Matumizi ya Kuwajibika na sheria inayotumika.

07Jinsi ya kuita API ya Laguna isiyodhibitiwa

Lahaja tatu, modeli moja: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Utiririshaji unafanya kazi kwenye zote tatu, hivyo uunganishaji uliopo unahamia kwa kubadilisha URL ya msingi na kitambulisho cha modeli — hakuna kubadilisha SDK, hakuna kuandika upya ushughulikiaji wako wa ujumbe.

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"
}

Madokezo machache ya vitendo:

• Usitume response_format au json_schema kwenye kitambulisho hiki cha modeli — kama maktaba ya mteja wako inaweka mojawapo kwa kawaida, iondoe au hamia kwa ndugu anayeiunga mkono.
• Zana zinaenda kwenye safu ya kawaida ya tools — kuita zana kunaungwa mkono kikamilifu; ni ulazimishaji wa muundo kwenye maandishi huru pekee usioungwa mkono.
• Panga bajeti ya hoja yako. reasoning_effort inaheshimiwa — chini au imezimwa kunaweka ucheleweshaji wa mazungumzo chini na tokeni za matokeo nafuu; iinue kwa kazi ya zana ya hatua nyingi, ambapo pengo la vipimo hapo juu linaonyesha inanunua nini.
• Dari ya matokeo ni tokeni 16,384 kwa kila ombi. Kwa uzalishaji wa urefu wa kitabu, igawe kwa sura na uitiririshe.
• Maandishi pekee. Hakuna ingizo la picha kwenye kitambulisho hiki cha modeli — tumia MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 au inkling kwa uoni.

Marejeo kamili ya vigezo, uthibitishaji, maana za hitilafu na uwanja hai wa majaribio: nyaraka za API.

08Lini uichague, na lini usiichague

Ichague pale matokeo yako ni maandishi ya kubuni, mazungumzo au msimbo unaosomwa na binadamu; unahitaji kuita zana lakini si maandishi yaliyobanwa na muundo; gharama kwa kila tokeni inatawala juu ya muktadha mrefu; au unataka maoni ya pili kutoka ukoo mwingine tofauti na familia za DeepSeek, Kimi na MiMo zinazojaza sehemu iliyobaki ya orodha.

Chagua kitu kingine pale unapohitaji JSON ya uhakika (MiMo-V2.5-Pro), uelewa wa picha (Kimi-K2.6 au MiMo-V2.5), au upande wa mstari wa mbele wa ugumu ambapo pengo la bei halina maana ikilinganishwa na kupata jibu sahihi (DeepSeek-V4-Pro, Kimi-K3).

09Maswali yanayoulizwa mara kwa mara

---

Vyanzo: Poolside — kadi ya modeli ya Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Namba za muundo na vipimo zimeripotiwa na mchapishaji kwa toleo lisilobanwa, si vipimo vya ujenzi tunaouhudumia. Shannon AI inaendeshwa na Shannon Lab LLC, New Mexico, Marekani.