எந்த பயனரின் தரவையும் நாங்கள் வைத்திருக்கவோ அணுகவோ செய்யவில்லை; சட்டபூர்வ அதிகாரம் அமலாக்க நடவடிக்கையை கோராத வரை கணக்குகளை இடைநிறுத்துவதில்லை.

மாதிரி வழிகாட்டி · Laguna S 2.1 · W4A16-AUTOROUND-REAP

தணிக்கையற்ற Laguna API

Laguna S 2.1 — மறுப்புப் படை இல்லாமல், ஒரு 262K சூழல் சாளரத்துடன், கருவி அழைப்புடன் வழங்கப்படும் ஒரு 118B Mixture-of-Experts அடித்தளம் — ஒரு மில்லியன் டோக்கனுக்கு உள்ளே $0.50 / வெளியே $2.00 என்ற தரைமட்ட விலையில்.

செப்டம்பர் 5, 2026 அன்று புதுப்பிக்கப்பட்டதுமாதிரி வழிகாட்டிஅடித்தளம்: Poolside Laguna S 2.1

சுருக்கமாக

தணிக்கையற்ற Laguna API இயக்குவது Poolside இன் Laguna S 2.1 — மொத்தம் 118B அளபுருக்கள், ஒரு டோக்கனுக்கு ~8B செயல்பாட்டில், OpenMDW-1.1 இன் கீழ் திறந்த எடைகள் — AutoRound உம் REAP உம் கொண்டு W4A16 ஆகக் குவாண்டைஸ் செய்யப்பட்டு எங்கள் சொந்த GPU கிளஸ்டரில் வழங்கப்படுகிறது. நீங்கள் ஒரு 262,144 டோக்கன் சூழலையும், ஒரு கோரிக்கைக்கு 16,384 வெளியீட்டு டோக்கன்களையும், ஸ்ட்ரீமிங், கருவி அழைப்பு, reasoning_effort ஆகியவற்றையும், வெளியீட்டு வடிகட்டல் இல்லாத நிலையையும் பெறுகிறீர்கள். ஒரு எச்சரிக்கை, முன்கூட்டியே சொல்லப்படுகிறது: json_schema ஐயும் response_format ஐயும் இரண்டையுமே ஆதரிக்காத எங்கள் வரிசையின் ஒரே மாதிரி இதுவே. உங்களுக்கு உத்தரவாதமான JSON தேவை என்றால், ஒரு உடன்பிறப்பை எடுங்கள் — MiMo-V2.5 இன் Pro கட்டமைப்பு அதே விலையில் அதைச் செய்கிறது.

பெரும்பாலான “மலிவான மாதிரி” பக்கங்கள், ஒரு தாழ்ந்த எண்ணுக்குப் பதிலாக ஒரு சிறிய, சோர்ந்த அடித்தளத்தை ஏற்குமாறு உங்களைக் கேட்கின்றன. இது அப்படி அல்ல. Laguna S 2.1 ஒரு தற்போதைய தலைமுறை சிதறிய Mixture-of-Experts வெளியீடு, 4,096 H200 களில் பயிற்றுவிக்கப்பட்டு ஒன்பது வாரங்களுக்குள் வழங்கப்பட்டது, மேலும் நாங்கள் வழங்கும் மற்ற ஒவ்வொரு நுழைவு-அடுக்கு மாதிரியின் அதே $0.50 / $2.00 தரையிலேயே அமர்கிறது. பரிமாற்றம் குறுகியது, எளிதில் ஆராயக்கூடியது: சேவையகம் அமல்படுத்தும் கட்டமைக்கப்பட்ட வெளியீட்டை விட்டுக்கொடுத்து, மற்ற எல்லாவற்றையும் வைத்துக்கொள்கிறீர்கள்.

01Laguna S 2.1 என்றால் என்ன?

Laguna S 2.1 என்பது Poolside ஆல் ஜூலை 21, 2026 அன்று தாராள OpenMDW-1.1 உரிமத்தின் கீழ் வெளியிடப்பட்ட ஒரு திறந்த-எடை மாதிரி — Laguna XS 2.1 (33B/3B செயல்பாட்டில்) க்கும் Laguna M.1 (225B/23B செயல்பாட்டில்) க்கும் இடையே உள்ள, Laguna குடும்பத்தின் நடுத்தர அளவு உறுப்பினர்.

118B

மொத்த அளபுருக்கள்

~8B

டோக்கனுக்குச் செயல்பாட்டில்

256+1

நிபுணர்கள் (மேல்-10)

262K

Shannon இல் சூழல்

வெளியிடப்பட்ட கட்டமைப்பு, 256 திசைதிருப்பப்பட்ட நிபுணர்கள் மற்றும் ஒரு பகிரப்பட்ட நிபுணர் மீது softplus கேட்டிங் கொண்ட ஒரு டோக்கன்-தேர்வு ரவுட்டர், ஒரு டோக்கனுக்குப் பத்து பேர் தேர்ந்தெடுக்கப்படுகின்றனர், 48 அடுக்குகள் முழுவதும் — பன்னிரண்டு உலகளாவிய கவனம், முப்பத்தாறு சறுக்கு-சாளரம் ஒரு 512 டோக்கன் சாளரத்தில், மிக நீண்ட உள்ளீடுகளின் கவனச் செலவை இருபடிக்குப் பதிலாக நேரியலுக்கு அருகில் வைத்திருக்கும் ஒரு இடையிடையே பின்னல். கவனம் குழுவாக்கப்பட்ட வினவல் வகை, தலைப் பரிமாணம் 128 இல் 8 விசை-மதிப்புத் தலைகள்.

ஒரு API நுகர்வோருக்கு இரண்டு விளைவுகள் முக்கியம். சிதறிய செயல்பாடே ஒரு 118B மாதிரி தரைமட்ட விலையில் அமர முடிவதற்குக் காரணம் — ஒரு டோக்கனுக்கு ~8B அளபுருக்களே வேலை செய்கின்றன, எனவே ஒரு டோக்கனுக்கான கணக்கீடு, அளபுரு எண்ணிக்கை குறிப்பதை விட ஒரு சிறிய அடர்த்தியான மாதிரிக்கே நெருக்கமானது. மேலும் சறுக்கு-சாளர இடையிடையே பின்னலே, நீண்ட சாளரம் பெயரளவில் அல்லாமல் உண்மையிலேயே பயன்படுத்தக்கூடியதாக இருப்பதற்குக் காரணம். Poolside இன் வெளியீடு 1,048,576 டோக்கன்களை ஆதரிக்கிறது; நாங்கள் 262,144 ஐ வழங்குகிறோம், நுழைவாயிலில் உள்ள மற்ற ஒவ்வொரு மாதிரியுடனும் பொருந்துகிறது.

02அந்த ஒரு எச்சரிக்கை: கட்டமைக்கப்பட்ட வெளியீடு இல்லை

ஒருங்கிணைப்பதற்கு முன் இதைப் படியுங்கள்

Shannon AI இல் Laguna S 2.1, json_schema ஐயும் response_format ஐயும் ஏற்காது. கட்டமைக்கப்பட்ட வெளியீட்டு ஆதரவு இல்லாத, எங்கள் பன்னிரண்டு மாதிரி வரிசையின் ஒரே மாதிரி இதுவே; இவற்றில் ஏதேனும் ஒரு அளபுருவை அனுப்புவது schema கட்டுப்படுத்தப்பட்ட ஒரு பதிலைத் தராது. கருவி அழைப்பு வேலை செய்கிறது. ஸ்ட்ரீமிங் வேலை செய்கிறது. சிந்தனை வேலை செய்கிறது. சேவையகம் அமல்படுத்தும் வெளியீட்டு வடிவமைப்பு மட்டுமே இல்லை.

இன்னும் என்ன வேலை செய்கிறது. கருவி அழைப்பு முழுமையாக ஆதரிக்கப்படுகிறது, மேலும் கருவி அழைப்பு வாதங்கள் இங்குள்ள மற்ற எந்த மாதிரியிலும் போலவே ஒரு JSON பொருளாகவே வந்து சேர்கின்றன. உங்கள் பயன்பாட்டின் “கட்டமைக்கப்பட்ட வெளியீடு” உண்மையில் கருவி வாதங்களே என்றால் — பெரும்பாலான முகவர்ச் சட்டகங்கள், MCP சேவையகங்கள், தரவுத்தள முன்பக்கங்களுக்கு இது உண்மை — Laguna S 2.1 உங்களுக்கு நன்றாகவே சேவை செய்யும். மூன்று வகைகளிலும் ஸ்ட்ரீமிங் வேலை செய்கிறது; reasoning_effort வேலை செய்கிறது.

எது வேலை செய்யாது. இறுதிப்புள்ளிக்கு ஒரு JSON Schema ஐக் கொடுத்து, உதவியாளரின் உரைப் பதில் அதற்கு எதிராகச் செல்லுபடியாகும் என்ற உத்தரவாதத்தைப் பெற முடியாது, மேலும் response_format: {"type": "json_object"} உங்களுக்கு ஒன்றும் வாங்கித் தராது. JSON கேட்டுத் தூண்டுவது பொதுவாக JSON ஐயே உருவாக்குகிறது — இது ஒரு திறமையான மாதிரி — ஆனால் “பொதுவாக” என்பது ஒரு ஒப்பந்தம் அல்ல. ஆழமாகக் கூடுகட்டப்பட்ட கருவி அழைப்புகளில் தவறான JSON தப்பிப்பு ஒரு அறியப்பட்ட வரம்பு என்று Poolside தானே ஆவணப்படுத்துகிறது, அந்த உத்தரவாதம் எங்கள் வரிசையின் மற்ற இடங்களில் இருக்கும்போது, அது மாதிரியின் நல்ல எண்ணத்திலிருந்து அல்ல, வழங்கல் அடுக்கிலிருந்தே வருகிறது என்பதற்கான ஒரு நினைவூட்டல்.

அதற்குப் பதிலாக எந்த உடன்பிறப்பைப் பயன்படுத்துவது

உங்கள் வேலைச்சுமைக்கு உத்தரவாதமான JSON தேவை என்றால், இந்த மாதிரியுடன் போராடாதீர்கள் — மாதிரி அடையாளத்தை மாற்றுங்கள். முழு json_schema மற்றும் response_format ஆதரவுடன் நான்கு உடன்பிறப்புகள் அதே $0.50 / $2.00 விலையில் அமர்கின்றன:

மாதிரி அடையாளம்	json_schema	பார்வை	ஏன் இதைத் தேர்ந்தெடுப்பீர்கள்
MiMo-V2.5-Pro-W8A16	ஆம்	இல்லை	நேரடி மாற்று — 8-பிட் எடைகள், மிக உயர்ந்த நம்பகத்தன்மை அடுக்கு, அதே விலை
MiMo-V2.5-W8A16	ஆம்	ஆம்	அதுவே, அத்துடன் பட உள்ளீடு
Hy3-W8A16	ஆம்	இல்லை	தரைமட்ட விலையில் மற்றொரு 8-பிட் உரை மாதிரி
DeepSeek-V4-Flash-0731	ஆம்	இல்லை	Laguna போலவே W4A16-AutoRound-REAP, schema ஆதரவு அப்படியே

இயல்பான இயல்புநிலைத் தேர்வு MiMo-V2.5-Pro (W8A16): உரை மட்டும், தரைமட்ட விலை, நாங்கள் இயக்கும் மிக மென்மையான அடுக்கில் குவாண்டைஸ் செய்யப்பட்டது — விவரங்கள் MiMo-V2.5 மாதிரி வழிகாட்டியில். பன்னிரண்டு மாதிரிகளும் இறுதிப்புள்ளிகளையும், சூழல் சாளரத்தையும், வெளியீட்டு உச்சவரம்பையும் பகிர்ந்துகொள்வதால், மாறுவது என்பது model புலத்தில் ஒரு வரி மாற்றமே.

03W4A16-AUTOROUND-REAP என்றால் என்ன?

மாதிரி அடையாளத்தின் மேல் உள்ள பின்னொட்டு அலங்காரம் அல்ல — எங்கள் GPU கிளஸ்டரில் ஏற்றப்படுவதற்கு முன் எடைகள் எப்படிச் சுருக்கப்பட்டன என்பதைச் சரியாக அது சொல்கிறது. மூன்று பகுதிகள்.

W4A16 — 4-பிட் எடைகள், 16-பிட் செயல்படுத்தல்கள்

எடைகள் 4 பிட்டுகளில் சேமிக்கப்படுகின்றன; செயல்படுத்தல்கள் — அனுமான நேரத்தில் அடுக்குகளுக்கு இடையே பாயும் மதிப்புகள் — 16 இல் இருக்கின்றன. எடைகளை அவற்றின் BF16 தடத்தில் கால் பங்காக வெட்டுவதே ஒரு 118B மாதிரி பொருந்தி வேகமாக இருப்பதற்குக் காரணம், அதே நேரம் செயல்படுத்தல்களை அகலமாக வைத்திருப்பது முன்னோக்கு நகர்வின் எண் ரீதியாக உணர்திறன் மிக்க பகுதியைப் பாதுகாக்கிறது. பெரியதும் நிலையானதுமான ஒன்றைச் சுருக்குங்கள், சிறியதும் இயங்குநிலையானதுமான ஒன்றைத் தொடாதீர்கள்.

AutoRound — அருகில் வட்டமிடல் அல்ல, கற்றுக்கொள்ளப்பட்ட வட்டமிடல்

குவாண்டைஸ் செய்வதற்கான அப்பாவியான வழி அருகில்-வட்டமிடல்: ஒவ்வொரு எடையையும் அருகிலுள்ள 4-பிட் மதிப்புக்கு இழுத்து, பிழையை ஏற்றுக்கொள்வது. Intel இன் திறந்த பயிற்சிக்குப் பிந்தைய குவாண்டைசேஷன் கருவித்தொகுப்பான AutoRound சிறப்பாகச் செய்கிறது — அதன் SignRound முறை குறியிடப்பட்ட சாய்வு இறக்கத்தைப் பயன்படுத்தி, இருநூறு படிகள் அளவில் வட்டமிடல் முடிவுகளையும் வெட்டு வரம்புகளையும் ஒன்றாக உகந்ததாக்குகிறது, ஒவ்வொரு எடைக்கும் மேலே வட்டமிடுவதா கீழே வட்டமிடுவதா என்பதில் எது அந்த அடுக்கின் உண்மையான வெளியீட்டுக்குக் குறைவான சேதம் செய்யும் என்று முடிவு செய்கிறது. மறுபயிற்சியின் செலவின்றி, குவாண்டைசேஷன் விழிப்புள்ள பயிற்சியிலிருந்து அந்தக் கருத்தைக் கடன் வாங்குகிறது, அதனால்தான் ஒரு W4A16 கட்டமைப்பு ஒரு இழப்புள்ள ஆர்வக்குறியாக அல்லாமல் ஒரு தீவிரமான மாதிரியாக இருக்க முடிகிறது.

REAP — நிபுணர்களை இணைப்பதற்குப் பதிலாகக் கத்தரித்தல்

REAP என்பது Router-weighted Expert Activation Pruning, Cerebras Research ஆல் வெளியிடப்பட்டது. ஒரு MoE மாதிரியில் எல்லா நிபுணர்களும் தங்கள் பங்கை இழுப்பதில்லை: ரவுட்டர் சிலருக்குக் குறைவான டோக்கன்களையே அனுப்புகிறது, மேலும் சிலர் இயங்கும்போதும் குறைவான அளவே பங்களிக்கின்றனர். REAP ஒவ்வொரு நிபுணருக்கும் இரண்டு சமிக்ஞைகளிலும் — ரவுட்டர் கேட் மதிப்புகள், நிபுணர் செயல்பாட்டு நெறிகள் — மதிப்பெண் அளித்து, குறைந்த முக்கியத்துவம் உள்ளவர்களை ஒரே தாக்குதலில், குவாண்டைசேஷனுக்கு முன் நீக்குகிறது. முக்கியமாக இது இணைப்பதற்குப் பதிலாகக் கத்தரிக்கிறது: இணைப்பு பல நிபுணர்களை ஒன்றாக மடக்கி, ரவுட்டரின் நுண்ணிய, உள்ளீட்டைச் சார்ந்த கட்டுப்பாட்டை அழித்து, எந்தச் சரிசெய்தலும் நீக்க முடியாத ஒரு பிழைத் தரையை அறிமுகப்படுத்துகிறது (ஆசிரியர்கள் அதைச் செயல்பாட்டு துணைவெளிச் சரிவு என்று அழைக்கின்றனர்), கத்தரிப்போ தப்பிப்பிழைத்தவர்களையும் அவர்கள் மீதான ரவுட்டரின் கட்டுப்பாட்டையும் அப்படியே விட்டுவைக்கிறது. அடிப்படைத் தரத்தைப் பெருமளவு தக்கவைத்தபடி டிரில்லியன் அளபுரு மாதிரிகளிலிருந்து 50% வரை நிபுணர்களை நீக்கியதாக Cerebras அறிவிக்கிறது — ஒரு 480B நிரலாக்க மாதிரியில் 50% கத்தரிப்பில், அடிப்படை முகவர் அல்லாத நிரலாக்கத் திறனில் 97.6% ம், முகவர் SWE-Bench இல் 96.7% ம். அவை அவர்களின் சொந்த மாதிரிகளுக்கான Cerebras எண்கள், எங்கள் கட்டமைப்பின் அளவீடுகள் அல்ல, ஆனால் முதன்மை வலிமை நிரலாக இருக்கும் ஒரு அடித்தளத்தில் இந்த அடுக்கை நாங்கள் இயக்குவதற்கான காரணம் அவையே.

ஒன்றாகச் சேர்ந்து அந்தப் பின்னொட்டு ஒரு வாக்கியமாகப் படிக்கிறது: அரிதாகவே பயன்படுத்தப்பட்ட நிபுணர்களைக் கத்தரியுங்கள், 4-பிட் வட்டமிடலை ஊகிக்காமல் கற்றுக்கொள்ளுங்கள், செயல்படுத்தல்களை முழு அகலத்திலேயே வையுங்கள்.

04இந்த மாதிரி உண்மையில் எதில் நல்லது?

முதலில் நேர்மை: Laguna S 2.1 ஒரு உரை மட்டுமான உரையாடல் மாதிரி — இந்த மாதிரி அடையாளத்தில் பட உள்ளீடு இல்லை — மேலும் Poolside இதை உரைநடைக்காக அல்ல, முகவர் நிரலாக்கத்துக்கும் நீண்ட கால வேலைக்கும் கட்டியது. பயிற்சிக்குப் பிந்தைய கட்டம் 409,000 சூழல்கள் முழுவதும் இயங்கியது, அதில் 83,000 முனையப் பணிகளும் 168,000 மென்பொருள் பொறியியல் பணிகளும் அடங்கும், FP8 இல் வலுவூட்டல் கற்றலுடன். குவாண்டைஸ் செய்யப்படாத வெளியீட்டுக்கு Poolside அறிவித்த முடிவுகள்:

அளவீடு	சிந்தனையுடன்	சிந்தனையின்றி	அது எதை அளக்கிறது
SWE-Bench Multilingual	78.5%	—	பல மொழிகள் முழுவதும் உண்மையான பிழைத் திருத்தங்கள்
Terminal-Bench 2.1	70.2%	60.4%	பல-படி ஷெல் மற்றும் கருவி வேலை
SWE-Bench Pro	59.4%	—	கடினமான, மாசுபடுத்தலை எதிர்க்கும் களஞ்சியப் பணிகள்
Toolathlon Verified	49.7%	—	பல API கள் முழுவதும் கருவிப் பயன்பாட்டு அகலம்
SWE Atlas	46.2%	—	நீண்ட கால களஞ்சிய வழிசெலுத்தல்
DeepSWE v1.1	40.4%	16.5%	முகவர் மென்பொருள் பொறியியல்

இரண்டு பத்திகளுக்கும் இடையிலான இடைவெளியே இங்குள்ள மிகச் செயல்படுத்தக்கூடிய எண்: DeepSWE இல் சிந்தனை இயக்கப்படும்போது மதிப்பெண் இரட்டிப்புக்கும் மேல் ஆகிறது, Terminal-Bench இல் அது கிட்டத்தட்ட பத்து புள்ளிகளைப் பெறுகிறது.

Terminal-Bench · சிந்தனை70.2

Terminal-Bench · நேரடி60.4

DeepSWE · சிந்தனை40.4

DeepSWE · நேரடி16.5

குவாண்டைஸ் செய்யப்படாத Laguna S 2.1 வெளியீட்டுக்கு Poolside அறிவித்த எண்கள், ஜூலை 2026. அவை எங்கள் W4A16-AutoRound-REAP கட்டமைப்பின் அளவீடுகள் அல்ல, மேலும் அதற்கான எந்த அளவீட்டு எண்களையும் நாங்கள் வெளியிடவில்லை. எங்கள் API இல் சிந்தனை வரவுசெலவைக் கட்டுப்படுத்த reasoning_effort ஐப் பயன்படுத்துங்கள்.

உரையாடல் மற்றும் படைப்பு வேலைக்கு நேர்மையான நிலைப்பாடு இதுவே: நீண்ட முகவர் இயக்கங்களுக்குப் பின்னால் உள்ள பண்புகள் — நிறைய நிலையை ஒருங்கிணைவாகத் தாங்குதல், பணியில் நிலைத்திருத்தல், விலகாமல் இருத்தல் — நீண்ட வடிவப் பாத்திர வேலைக்குப் பின்னால் உள்ளவையும் அவையே, நடைமுறையில் மிக நீண்ட ஒரு சாளரம் முழுவதும் இது குரலை நன்றாகவே தாங்குகிறது. வெளியிடப்பட்ட எந்த அளவீடும் அதைச் சொல்லவில்லை, நாங்கள் ஒன்றைக் கண்டுபிடிக்கவும் மாட்டோம். உங்கள் சொந்தத் தூண்டுதல்களில் சோதியுங்கள்; ஒரு மில்லியன் உள்ளீட்டு டோக்கனுக்கு $0.50 என்ற நிலையில் அது கிட்டத்தட்ட இலவசம்.

05தரைமட்ட விலை உண்மையில் என்ன வாங்கித் தருகிறது?

ஒரு மில்லியன் டோக்கனுக்கு உள்ளே $0.50 / வெளியே $2.00 என்பது Shannon AI நுழைவாயிலின் நுழைவு அடுக்கு, MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro, Hy3 ஆகியவற்றுடன் பகிரப்படுகிறது. உறுதியாக:

வேலைச்சுமை	உள்ளீடு	வெளியீடு	செலவு
100K வரலாற்றுடன் ஒரு அரட்டை முறை	100,000	2,000	$0.054
ஒரு நீண்ட சுருக்கத்திலிருந்து 5,000 சொல் அத்தியாயம்	30,000	7,000	$0.029
1,000 குறுகிய உரையாடல் முறைகள்	4,000,000	500,000	$3.00
ஒரு முழு 262K டோக்கன் சூழல் வாசிப்பு	262,144	16,384	$0.164

உள்வாங்கிக்கொள்ள வேண்டிய வரிசை கடைசியது: முழு சூழல் சாளரத்தையும் நிரப்பி அதிகபட்ச 16,384 டோக்கன் பதிலை உருவாக்குவதற்குச் சுமார் பதினாறு சென்ட் ஆகிறது. ஒரு முழு கையெழுத்துப் பிரதியையோ, அமர்வுப் படியெடுப்பையோ, ஆவணத் தொகுப்பையோ ஒரே அழைப்பில் ஊட்டுவது ஒரு பட்ஜெட் முடிவாக இருப்பது நின்று, ஒரு தாமதம் சார்ந்த முடிவாக ஆகிறது. அதே கணக்குதான் மற்ற தரைமட்ட விலைப் பயன்பாட்டையும் இயக்குகிறது — அளவு: தொகுதி வகைப்படுத்தல், மொத்த மறுஎழுத்து, செயற்கை உரையாடல், பின்னர் ஒரு வலிமையான மாதிரி செம்மைப்படுத்தும் முதல்-நகர்வு வரைவு. விலைப் பக்கத்தையும் ஆய்வுப் பட்டியலையும் பாருங்கள்.

06இங்கே “தணிக்கையற்றது” என்றால் என்ன

அது சொல்வதையே அர்த்தப்படுத்துகிறது: மறுப்புப் படை இல்லை, வெளியீட்டில் உள்ளடக்க வடிகட்டல் இல்லை. நீங்கள் கேட்க அனுமதிக்கப்பட்டீர்களா என்று முடிவு செய்யும் ஒரு வகைப்படுத்தி மாதிரிக்கும் உங்கள் பதிலுக்கும் இடையே அமரவில்லை; நீங்கள் கேட்ட தொனியிலேயே மாதிரி பதிலளிக்கிறது, முதலில் அந்த முன்னீட்டைப் பற்றி உங்களுக்கு உபதேசம் செய்வதில்லை.

படைப்பு வேலைக்கு அதுவே ஒரு பயன்படுத்தக்கூடிய கருவிக்கும் பயன்படுத்த முடியாத ஒன்றுக்கும் இடையிலான வித்தியாசம். புனைவில் அச்சுறுத்தும் எதிர்நாயகர்கள், நம்பும்படி பொய் சொல்லும் பாத்திரங்கள், விளைவுகளுடன் கூடிய வன்முறை, ஒழுக்க ரீதியாகச் சமரசம் செய்துகொண்ட விவரிப்பாளர்கள் ஆகியோர் இருக்கிறார்கள் — ஒரு மறுப்புரையைச் சேர்க்கப் பாத்திரத்திலிருந்து வெளியேறும் ஒரு மாதிரி பாதுகாப்பில் வெற்றி பெறவில்லை, பணியில் தோற்றுவிட்டது. பாதுகாப்பு ஆய்வு, red-team ஆவணப்படுத்தல், மருத்துவ மற்றும் சட்ட வரைவு, மூலம் நேரடியாக இருக்கும் மொழிபெயர்ப்பு ஆகியவற்றுக்கும் இதுவே பொருந்தும்: ஒரு மறுப்பு வெறுமனே ஒரு தவறான பதிலாக இருக்கும் வகைகள். அது அர்த்தப்படுத்தாதது இதுவே: தீர்ப்பு உங்களுடையதாக இருப்பது நின்றுவிடுவதில்லை — எங்கள் பொறுப்பான பயன்பாட்டுக் கொள்கையின் கீழும் பொருந்தும் சட்டத்தின் கீழும், நீங்கள் உருவாக்குவதற்கு நீங்களே பொறுப்பாக இருக்கிறீர்கள்.

07தணிக்கையற்ற Laguna API ஐ எப்படி அழைப்பது

மூன்று வகைகள், ஒரு மாதிரி: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. மூன்றிலும் ஸ்ட்ரீமிங் வேலை செய்கிறது, எனவே ஏற்கெனவே உள்ள ஒரு ஒருங்கிணைப்பு ஒரு அடிப்படை URL ஐயும் ஒரு மாதிரி அடையாளத்தையும் மாற்றுவதன் மூலம் இடம்பெயர்கிறது — SDK மாற்றம் இல்லை, உங்கள் செய்தி கையாளுதலை மீண்டும் எழுதுவதும் இல்லை.

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"
}

சில நடைமுறைக் குறிப்புகள்:

இந்த மாதிரி அடையாளத்துக்கு response_format ஐயோ json_schema ஐயோ அனுப்பாதீர்கள் — உங்கள் கிளையண்ட் நூலகம் இயல்பாக ஒன்றை அமைத்தால், அதை நீக்குங்கள் அல்லது அதை ஆதரிக்கும் ஒரு உடன்பிறப்புக்கு நகருங்கள்.
கருவிகள் வழக்கமான tools வரிசைக்குள் செல்கின்றன — கருவி அழைப்பு முழுமையாக ஆதரிக்கப்படுகிறது; கட்டற்ற உரைக்கான schema அமலாக்கம் மட்டுமே இல்லை.
உங்கள் சிந்தனைக்கு வரவுசெலவு வையுங்கள். reasoning_effort மதிக்கப்படுகிறது — குறைவாகவோ அணைத்தோ வைப்பது உரையாடல் தாமதத்தைக் குறைவாகவும் வெளியீட்டு டோக்கன்களை மலிவாகவும் வைக்கிறது; பல-படி கருவி வேலைக்கு அதை உயர்த்துங்கள், அது என்ன வாங்கித் தருகிறது என்பதை மேலே உள்ள அளவீட்டு இடைவெளி காட்டுகிறது.
ஒரு கோரிக்கைக்கு வெளியீட்டு உச்சவரம்பு 16,384 டோக்கன்கள். புத்தக நீள உருவாக்கத்துக்கு, அத்தியாயங்களாகப் பிரித்து ஸ்ட்ரீம் செய்யுங்கள்.
உரை மட்டும். இந்த மாதிரி அடையாளத்தில் பட உள்ளீடு இல்லை — பார்வைக்கு MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 அல்லது inkling ஐப் பயன்படுத்துங்கள்.

முழு அளபுரு விவரம், அங்கீகாரம், பிழைச் சொற்பொருள், ஒரு நேரடி விளையாட்டுத் திடல்: API ஆவணங்கள்.

08எப்போது இதைத் தேர்ந்தெடுப்பது, எப்போது வேண்டாம்

இதைத் தேர்ந்தெடுங்கள், உங்கள் வெளியீடு ஒரு மனிதரால் படிக்கப்படும் உரைநடை, உரையாடல் அல்லது நிரலாக இருக்கும்போது; உங்களுக்குக் கருவி அழைப்பு தேவை, ஆனால் schema கட்டுப்படுத்தப்பட்ட உரை தேவையில்லை என்னும்போது; நீண்ட சூழலில் ஒரு டோக்கனுக்கான செலவு ஆதிக்கம் செலுத்தும்போது; அல்லது வரிசையின் மற்ற பகுதியை நிரப்பும் DeepSeek, Kimi, MiMo குடும்பங்களைத் தவிர்த்து வேறொரு வம்சாவளியிலிருந்து ஒரு இரண்டாவது கருத்தை நீங்கள் விரும்பும்போது.

வேறு எதையாவது தேர்ந்தெடுங்கள், உங்களுக்கு உத்தரவாதமான JSON (MiMo-V2.5-Pro), பட புரிதல் (Kimi-K2.6 அல்லது MiMo-V2.5), அல்லது பதிலைச் சரியாகப் பெறுவதற்கு அருகில் விலை இடைவெளி பொருட்படுத்தத்தக்கதல்ல என்ற கடினத்தன்மையின் எல்லை (DeepSeek-V4-Pro, Kimi-K3) தேவைப்படும்போது.

கட்டமைக்கப்பட்ட வெளியீட்டுடன் அதே விலை தேவையா? MiMo-V2.5-Pro, W8A16 இல் — எங்கள் மிக உயர்ந்த நம்பகத்தன்மை அடுக்கு — அதே $0.50 / $2.00 இல் இயங்குகிறது, json_schema ம் response_format ம் இரண்டுடனும். MiMo-V2.5 மாதிரி வழிகாட்டியைப் படியுங்கள், அல்லது ஆய்வுப் பட்டியலில் பன்னிரண்டையும் பாருங்கள்.

வடிவமைப்பாலேயே வெளிப்படை

இங்குள்ள ஒவ்வொரு கட்டமைப்பு மற்றும் அளவீட்டுக் கூற்றும் அந்த மாதிரியின் வெளியீட்டாளரிடமிருந்தோ சுருக்க முறைகளின் ஆசிரியர்களிடமிருந்தோ வருகிறது. நீங்களே அவற்றைச் சரிபாருங்கள்.

Poolside — Laguna S 2.1 மாதிரி அட்டை Introducing Laguna S 2.1 REAP — Cerebras Research AutoRound — Intel

09அடிக்கடி கேட்கப்படும் கேள்விகள்

தணிக்கையற்ற Laguna API என்றால் என்ன?

இது Poolside இன் திறந்த-எடை Laguna S 2.1 — 118 பில்லியன் அளபுருக்கள், ஒரு டோக்கனுக்குத் தோராயமாக 8 பில்லியன் செயல்பாட்டில் — Shannon இன் சொந்த GPU கிளஸ்டரில் மறுப்புப் படை இல்லாமல், வெளியீட்டு வடிகட்டல் இல்லாமல் வழங்கப்படுகிறது. மாதிரி அடையாளம் Laguna-S-2.1-W4A16-AUTOROUND-REAP, சூழல் சாளரம் 262,144 டோக்கன்கள், மேலும் ஒரு மில்லியன் உள்ளீட்டுக்கு $0.50 ம் ஒரு மில்லியன் வெளியீட்டு டோக்கனுக்கு $2.00 ம் செலவாகிறது.

Shannon AI இல் Laguna S 2.1, json_schema ஐயோ response_format ஐயோ ஆதரிக்கிறதா?

இல்லை. இரண்டையுமே ஏற்காத Shannon வரிசையின் ஒரே மாதிரி இதுவே. கருவி அழைப்பும் ஸ்ட்ரீமிங்கும் வழக்கம்போல வேலை செய்கின்றன, கருவி அழைப்பு வாதங்கள் இன்னும் JSON ஆகவே வந்து சேர்கின்றன, ஆனால் உதவியாளரின் உரை வெளியீட்டில் சேவையகம் அமல்படுத்தும் schema எதுவும் இல்லை. அதே $0.50 / $2.00 விலையில் உத்தரவாதமான JSON க்கு, MiMo-V2.5-Pro (W8A16) ஐப் பயன்படுத்துங்கள்.

W4A16-AUTOROUND-REAP என்றால் என்ன?

W4A16 என்றால் எடைகள் 4 பிட்டுகளில் சேமிக்கப்படுகின்றன, செயல்படுத்தல்கள் 16 பிட்டுகளில் இருக்கின்றன என்பது. AutoRound என்பது Intel இன் பயிற்சிக்குப் பிந்தைய குவாண்டைசேஷன் முறை, அது அருகில் வட்டமிடுவதற்குப் பதிலாக, வட்டமிடல் மற்றும் வெட்டு முடிவுகளைக் கற்றுக்கொள்ள குறியிடப்பட்ட சாய்வு இறக்கத்தைப் பயன்படுத்துகிறது. REAP என்பது Cerebras Research இன் Router-weighted Expert Activation Pruning, அது ஒரு Mixture-of-Experts மாதிரியிலிருந்து அரிதாகவும் பலவீனமாகவும் திசைதிருப்பப்படும் நிபுணர்களை இணைப்பதற்குப் பதிலாக, குவாண்டைசேஷனுக்கு முன் நீக்குகிறது.

படைப்பு எழுத்துக்கும் உரையாடலுக்கும் Laguna S 2.1 நல்லதா?

இது ஒரு உரை மட்டுமான உரையாடல் மாதிரி — பட உள்ளீடு இல்லை — மேலும் இடையில் எந்த மறுப்புப் படையும் இல்லாமல், ஒரு 262K சாளரம் முழுவதும் நீண்ட, ஒருங்கிணைவான, பாத்திரத்துக்குள் நிற்கும் உரைநடையை இது தாங்குகிறது. Poolside இன் வெளியிடப்பட்ட அளவீட்டுப் பதிவு உரைநடையில் அல்ல, முகவர் நிரலாக்கத்திலேயே உள்ளது, எனவே ஒரு தரவரிசைப் பட்டியலை நம்புவதற்குப் பதிலாக உங்கள் சொந்தத் தூண்டுதல்களில் படைப்புத் தரத்தைச் சோதியுங்கள்.

தணிக்கையற்ற Laguna API எவ்வளவு செலவாகிறது?

ஒரு மில்லியன் உள்ளீட்டு டோக்கனுக்கு $0.50 ம் ஒரு மில்லியன் வெளியீட்டு டோக்கனுக்கு $2.00 ம் — Shannon AI நுழைவாயிலின் தரைமட்ட விலை, MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro, Hy3 ஆகியவற்றுடன் பகிரப்படுகிறது. 2,000 டோக்கன் பதிலை உருவாக்கும் ஒரு 100,000 டோக்கன் உரையாடலுக்குச் சுமார் 5.4 சென்ட் ஆகிறது.

தணிக்கையற்ற Laguna API ஐ முயற்சியுங்கள்

118B MoE · 262K சூழல் · கருவிகளும் ஸ்ட்ரீமிங்கும் · 1M டோக்கனுக்கு $0.50 / $2.00.

API ஆவணங்களைப் படியுங்கள் அரட்டையைத் தொடங்குங்கள்

மறுப்புப் படை இல்லை · வெளியீட்டு வடிகட்டல் இல்லை · உங்கள் தீர்ப்பு, உங்கள் பொறுப்பு

மூலங்கள்: Poolside — Laguna S 2.1 மாதிரி அட்டை · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. கட்டமைப்பு மற்றும் அளவீட்டு எண்கள், நாங்கள் வழங்கும் கட்டமைப்பின் அளவீடுகள் அல்ல, குவாண்டைஸ் செய்யப்படாத வெளியீட்டுக்கு வெளியீட்டாளர் அறிவித்தவை. Shannon AI ஐ இயக்குவது Shannon Lab LLC, நியூ மெக்சிகோ, அமெரிக்கா.

அனைத்து ஆராய்ச்சி இணைப்புகள்