API Laguna แบบไม่เซ็นเซอร์

หน้า "โมเดลราคาถูก" ส่วนใหญ่ขอให้คุณยอมรับโมเดลฐานเล็ก ๆ ที่เก่าล้าสมัย เพื่อแลกกับตัวเลขราคาที่ต่ำ หน้านี้ไม่ใช่แบบนั้น Laguna S 2.1 คือรุ่นปล่อยของ Mixture-of-Experts แบบเบาบางในเจเนอเรชันปัจจุบัน ฝึกบน H200 จำนวน 4,096 ตัว และส่งออกมาภายในเวลาไม่ถึงเก้าสัปดาห์ และมันนั่งอยู่ที่ราคาพื้น $0.50 / $2.00 เดียวกับโมเดลระดับเริ่มต้นตัวอื่น ๆ ที่เราให้บริการ การแลกเปลี่ยนแคบและคิดตามได้ง่าย: คุณยอมสละเอาต์พุตแบบมีโครงสร้างที่เซิร์ฟเวอร์บังคับ แล้วเก็บทุกอย่างที่เหลือไว้

01Laguna S 2.1 คืออะไร?

Laguna S 2.1 คือโมเดลน้ำหนักเปิดที่ปล่อยโดย Poolside เมื่อ 21 กรกฎาคม 2026 ภายใต้สัญญาอนุญาตแบบผ่อนปรน OpenMDW-1.1 — สมาชิกขนาดกลางของตระกูล Laguna อยู่ระหว่าง Laguna XS 2.1 (33B/ทำงานจริง 3B) และ Laguna M.1 (225B/ทำงานจริง 23B)

สถาปัตยกรรมที่เผยแพร่คือเราเตอร์แบบ token-choice พร้อมเกตแบบ softplus เหนือผู้เชี่ยวชาญที่ถูกเราต์ 256 ตัว บวกผู้เชี่ยวชาญร่วมอีกหนึ่งตัว เลือกสิบตัวต่อโทเค็น กระจายทั่ว 48 เลเยอร์ — สิบสองเลเยอร์เป็น global attention และสามสิบหกเลเยอร์เป็น sliding-window ที่หน้าต่าง 512 โทเค็น การสลับแบบนี้ทำให้ต้นทุน attention ของอินพุตที่ยาวมากเข้าใกล้เชิงเส้นแทนที่จะเป็นกำลังสอง ส่วน attention เป็นแบบ grouped-query ที่มี 8 หัว key-value ที่มิติหัวเท่ากับ 128

มีสองผลลัพธ์ที่สำคัญต่อผู้ใช้ API การกระตุ้นแบบเบาบางคือเหตุผลที่โมเดล 118B นั่งอยู่ที่ราคาพื้นได้ — มีเพียงราว 8B พารามิเตอร์ที่ทำงานต่อโทเค็น ดังนั้นการประมวลผลต่อโทเค็นจึงใกล้เคียงกับโมเดลหนาแน่นขนาดเล็ก มากกว่าที่จำนวนพารามิเตอร์บอกไว้ และการสลับ sliding-window คือเหตุผลที่หน้าต่างยาวใช้งานได้จริง ไม่ใช่แค่มีในกระดาษ รุ่นที่ Poolside ปล่อยรองรับ 1,048,576 โทเค็น ส่วนเราให้บริการ 262,144 เท่ากับโมเดลทุกตัวบนเกตเวย์

02ข้อแม้หนึ่งเดียว: ไม่มีเอาต์พุตแบบมีโครงสร้าง

สิ่งที่ยังใช้ได้ การเรียกใช้ทูลรองรับเต็มรูปแบบ และอาร์กิวเมนต์ของการเรียกใช้ทูลก็ยังมาเป็นอ็อบเจกต์ JSON เหมือนกับโมเดลตัวอื่น ๆ ที่นี่เป๊ะ ถ้า "เอาต์พุตแบบมีโครงสร้าง" ในแอปพลิเคชันของคุณจริง ๆ แล้วคืออาร์กิวเมนต์ของทูล — ซึ่งเป็นจริงกับเฟรมเวิร์กเอเจนต์ เซิร์ฟเวอร์ MCP และฟรอนต์เอนด์ฐานข้อมูลส่วนใหญ่ — Laguna S 2.1 รับใช้คุณได้สบาย การสตรีมทำงานบนทั้งสาม dialect และ reasoning_effort ก็ทำงาน

สิ่งที่ใช้ไม่ได้ คุณไม่สามารถส่ง JSON Schema ให้เอนด์พอยต์แล้วรับประกันได้ว่าคำตอบที่เป็นข้อความของผู้ช่วยจะผ่านการตรวจสอบตามสกีมานั้น และ response_format: {"type": "json_object"} ก็ไม่ได้ให้อะไรกับคุณเลย การใส่พรอมป์ขอ JSON มักจะได้ JSON ออกมา — นี่เป็นโมเดลที่มีความสามารถ — แต่ "มักจะ" ไม่ใช่สัญญา Poolside เองก็ระบุไว้ว่าการ escape JSON ผิดพลาดในการเรียกใช้ทูลที่ซ้อนลึกเป็นข้อจำกัดที่รู้กันอยู่ ซึ่งเป็นเครื่องเตือนใจว่าการรับประกันนั้น ในที่ที่มันมีอยู่ในชุดโมเดลของเรา มาจากชั้นให้บริการ ไม่ใช่จากเจตนาดีของตัวโมเดล

ควรใช้พี่น้องตัวไหนแทน

ถ้าภาระงานของคุณต้องการ JSON แบบรับประกัน อย่าไปฝืนกับโมเดลตัวนี้ — เปลี่ยน model id ไปเลย มีพี่น้องสี่ตัวที่อยู่ที่ราคา $0.50 / $2.00 เท่ากันเป๊ะ และรองรับ json_schema กับ response_format เต็มรูปแบบ:

Model id	json_schema	การมองเห็น	เหตุผลที่คุณจะเลือกมัน
MiMo-V2.5-Pro-W8A16	มี	ไม่มี	ตัวสับเปลี่ยนตรง ๆ — น้ำหนัก 8 บิต ระดับความเที่ยงตรงสูงสุด ราคาเท่ากัน
MiMo-V2.5-W8A16	มี	มี	เหมือนกัน บวกอินพุตเป็นภาพ
Hy3-W8A16	มี	ไม่มี	โมเดลข้อความ 8 บิตอีกตัวที่ราคาพื้น
DeepSeek-V4-Flash-0731	มี	ไม่มี	W4A16-AutoRound-REAP เหมือน Laguna แต่การรองรับสกีมายังอยู่ครบ

ค่าเริ่มต้นตามธรรมชาติคือ MiMo-V2.5-Pro (W8A16): ข้อความล้วน ราคาพื้น ควอนไทซ์ที่ระดับอ่อนโยนที่สุดที่เรารัน — รายละเอียดอยู่ในการ์ดโมเดล MiMo-V2.5 เพราะทั้งสิบสองโมเดลใช้เอนด์พอยต์ หน้าต่างคอนเท็กซ์ และเพดานเอาต์พุตร่วมกัน การสับเปลี่ยนจึงเป็นการแก้ฟิลด์ model เพียงบรรทัดเดียว

03W4A16-AUTOROUND-REAP หมายถึงอะไร?

ส่วนต่อท้ายใน model id ไม่ใช่ของประดับ — มันบอกอย่างชัดเจนว่าน้ำหนักถูกบีบอัดอย่างไรก่อนถูกโหลดขึ้นคลัสเตอร์ GPU ของเรา มีสามส่วน

W4A16 — น้ำหนัก 4 บิต ค่าการกระตุ้น 16 บิต

น้ำหนักถูกเก็บที่ 4 บิต ส่วนค่าการกระตุ้น — ค่าที่ไหลระหว่างเลเยอร์ตอนอนุมาน — ยังอยู่ที่ 16 บิต การตัดน้ำหนักลงเหลือหนึ่งในสี่ของขนาด BF16 คือสิ่งที่ทำให้โมเดล 118B ใส่ลงได้และยังเร็วอยู่ ขณะที่การคงค่าการกระตุ้นไว้กว้างช่วยปกป้องส่วนที่อ่อนไหวเชิงตัวเลขของ forward pass บีบสิ่งที่ใหญ่และคงที่ ปล่อยสิ่งที่เล็กและเปลี่ยนแปลงตลอดไว้ตามเดิม

AutoRound — การปัดเศษที่เรียนรู้ ไม่ใช่การปัดไปค่าใกล้สุด

วิธีควอนไทซ์แบบง่าย ๆ คือปัดไปยังค่าที่ใกล้ที่สุด: ดันน้ำหนักแต่ละตัวไปยังค่า 4 บิตที่ใกล้ที่สุด แล้วยอมรับความคลาดเคลื่อน AutoRound ชุดเครื่องมือควอนไทซ์หลังการฝึกแบบโอเพนซอร์สของ Intel ทำได้ดีกว่านั้น — วิธี SignRound ของมันใช้การไล่ระดับแบบมีเครื่องหมายเพื่อปรับการตัดสินใจเรื่องการปัดเศษและช่วงการตัดค่าไปพร้อมกันตลอดสองสามร้อยสเต็ป โดยตัดสินทีละน้ำหนักว่าปัดขึ้นหรือปัดลงจะทำความเสียหายต่อเอาต์พุตจริงของเลเยอร์น้อยกว่ากัน มันยืมแนวคิดมาจากการฝึกที่คำนึงถึงการควอนไทซ์ โดยไม่ต้องเสียค่าใช้จ่ายในการฝึกใหม่ และนั่นคือเหตุผลที่บิลด์ W4A16 เป็นโมเดลที่เอาจริงได้ ไม่ใช่ของแปลกที่สูญเสียคุณภาพ

REAP — ตัดผู้เชี่ยวชาญทิ้ง แทนที่จะรวมพวกมัน

REAP คือ Router-weighted Expert Activation Pruning เผยแพร่โดย Cerebras Research ในโมเดล MoE ผู้เชี่ยวชาญไม่ได้ออกแรงเท่ากันทุกตัว: เราเตอร์ส่งโทเค็นไปหาบางตัวน้อยมาก และบางตัวก็ให้ค่าความแรงน้อยเมื่อมันทำงาน REAP ให้คะแนนผู้เชี่ยวชาญแต่ละตัวจากสัญญาณทั้งสอง — ค่าเกตของเราเตอร์ และนอร์มของการกระตุ้นของผู้เชี่ยวชาญ — แล้วลบตัวที่โดดเด่นน้อยออกในช็อตเดียว ก่อนการควอนไทซ์ ที่สำคัญคือมันตัดทิ้งแทนที่จะรวม: การรวมคือการพับผู้เชี่ยวชาญหลายตัวเข้าเป็นตัวเดียว ซึ่งทำลายการควบคุมที่ละเอียดและขึ้นกับอินพุตของเราเตอร์ และสร้างพื้นความคลาดเคลื่อนที่การจูนใด ๆ ก็ลบไม่ได้ (ผู้เขียนเรียกมันว่า functional subspace collapse) ขณะที่การตัดทิ้งปล่อยให้ตัวที่รอดและการควบคุมของเราเตอร์เหนือพวกมันยังอยู่ครบ Cerebras รายงานว่าลบผู้เชี่ยวชาญออกได้ถึง 50% จากโมเดลระดับล้านล้านพารามิเตอร์ โดยยังรักษาคุณภาพเทียบฐานได้เป็นส่วนใหญ่ — บนโมเดลเขียนโค้ดขนาด 480B ที่การตัดทิ้ง 50% ได้ 97.6% ของความสามารถเขียนโค้ดแบบไม่ใช่เอเจนต์เทียบฐาน และ 96.7% บน SWE-Bench แบบเอเจนต์ ตัวเลขเหล่านั้นเป็นของ Cerebras บนโมเดลของพวกเขาเอง ไม่ใช่การวัดบิลด์ของเรา แต่มันคือเหตุผลที่เรารันสแตกนี้บนโมเดลฐานที่จุดแข็งหลักคือโค้ด

รวมกันแล้วส่วนต่อท้ายนี้อ่านได้เป็นประโยคหนึ่ง: ตัดผู้เชี่ยวชาญที่แทบไม่ถูกใช้ทิ้ง เรียนรู้การปัดเศษ 4 บิตแทนที่จะเดา และคงค่าการกระตุ้นไว้ที่ความกว้างเต็ม

04โมเดลตัวนี้เก่งอะไรจริง ๆ?

ความจริงมาก่อน: Laguna S 2.1 เป็นโมเดลสนทนาแบบข้อความล้วน — model id ตัวนี้ไม่รับอินพุตเป็นภาพ — และ Poolside สร้างมันมาเพื่อการเขียนโค้ดเชิงเอเจนต์และงานระยะยาว ไม่ใช่เพื่อร้อยแก้ว การฝึกหลังจากนั้นรันผ่านสภาพแวดล้อมกว่า 409,000 แบบ รวมถึงงานเทอร์มินัล 83,000 งาน และงานวิศวกรรมซอฟต์แวร์ 168,000 งาน โดยใช้การเรียนรู้แบบเสริมกำลังใน FP8 ผลลัพธ์ที่ Poolside รายงานสำหรับรุ่นที่ยังไม่ควอนไทซ์:

เกณฑ์มาตรฐาน	คิดก่อนตอบ	ไม่คิดก่อนตอบ	มันวัดอะไร
SWE-Bench Multilingual	78.5%	—	การแก้บักจริงข้ามหลายภาษา
Terminal-Bench 2.1	70.2%	60.4%	งานเชลล์และทูลหลายขั้นตอน
SWE-Bench Pro	59.4%	—	งานในรีโปที่ยากกว่าและกันการปนเปื้อน
Toolathlon Verified	49.7%	—	ความกว้างของการใช้ทูลข้าม API จำนวนมาก
SWE Atlas	46.2%	—	การเดินสำรวจรีโปแบบระยะยาว
DeepSWE v1.1	40.4%	16.5%	วิศวกรรมซอฟต์แวร์เชิงเอเจนต์

ช่องว่างระหว่างสองคอลัมน์คือตัวเลขที่นำไปใช้ได้จริงที่สุดตรงนี้: บน DeepSWE คะแนนเพิ่มขึ้นกว่าเท่าตัวเมื่อเปิดการให้เหตุผล และบน Terminal-Bench ได้เพิ่มเกือบสิบจุด

ตัวเลขที่ Poolside รายงานสำหรับรุ่น Laguna S 2.1 ที่ยังไม่ควอนไทซ์ กรกฎาคม 2026 มันไม่ใช่การวัดบิลด์ W4A16-AutoRound-REAP ของเรา และเราไม่ได้เผยแพร่ตัวเลขเกณฑ์มาตรฐานของเราเองสำหรับบิลด์นี้ ใช้ reasoning_effort เพื่อควบคุมงบการคิดบน API ของเรา

สำหรับงานสนทนาและงานสร้างสรรค์ จุดยืนที่ซื่อตรงคือแบบนี้: คุณสมบัติที่อยู่เบื้องหลังการรันเชิงเอเจนต์ยาว ๆ — การถือสถานะจำนวนมากไว้อย่างต่อเนื่อง อยู่กับงาน ไม่ลอยออกนอกเรื่อง — คือคุณสมบัติเดียวกับที่อยู่เบื้องหลังงานคาแรกเตอร์แบบยาว และในทางปฏิบัติมันคุมน้ำเสียงได้ดีตลอดหน้าต่างที่ยาวมาก ไม่มีเกณฑ์มาตรฐานที่เผยแพร่ตัวไหนบอกแบบนั้น และเราจะไม่แต่งขึ้นมา ลองทดสอบมันบนพรอมป์ของคุณเอง ที่ราคา $0.50 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น นั่นแทบจะฟรี

05ราคาพื้นซื้ออะไรได้บ้างจริง ๆ?

$0.50 เข้า / $2.00 ออก ต่อหนึ่งล้านโทเค็น คือระดับเริ่มต้นบน Shannon AI Gateway ที่ใช้ร่วมกับ MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro และ Hy3 พูดให้เป็นรูปธรรม:

ภาระงาน	อินพุต	เอาต์พุต	ค่าใช้จ่าย
แชทหนึ่งเทิร์นพร้อมประวัติ 100K	100,000	2,000	$0.054
บทความ 5,000 คำจากบรีฟยาว	30,000	7,000	$0.029
บทสนทนาสั้น 1,000 เทิร์น	4,000,000	500,000	$3.00
การอ่านคอนเท็กซ์เต็ม 262K โทเค็น	262,144	16,384	$0.164

แถวสุดท้ายคือแถวที่ควรจำให้ขึ้นใจ: การเติมหน้าต่างคอนเท็กซ์จนเต็มแล้วสร้างคำตอบสูงสุด 16,384 โทเค็น มีค่าใช้จ่ายราวสิบหกเซนต์ การป้อนต้นฉบับทั้งเล่ม บันทึกเซสชัน หรือชุดเอกสารทั้งชุดเข้าไปในการเรียกครั้งเดียว เลิกเป็นการตัดสินใจเรื่องงบประมาณ แล้วกลายเป็นการตัดสินใจเรื่องความหน่วงแทน เลขคณิตเดียวกันนี้ขับเคลื่อนกรณีใช้งานอีกแบบของราคาพื้น — ปริมาณ: การจำแนกเป็นชุด การเขียนใหม่จำนวนมาก บทสนทนาสังเคราะห์ และการร่างรอบแรกที่โมเดลแรงกว่าจะมาขัดเกลาทีหลัง ดูหน้าราคา และดัชนีงานวิจัย

06"ไม่เซ็นเซอร์" ในที่นี้หมายถึงอะไร

มันหมายถึงสิ่งที่มันพูดตรง ๆ: ไม่มีชั้นการปฏิเสธและไม่มีการกรองเนื้อหาบนเอาต์พุต ไม่มีตัวจำแนกนั่งอยู่ระหว่างโมเดลกับคำตอบของคุณ คอยตัดสินว่าคุณได้รับอนุญาตให้ถามหรือไม่ โมเดลตอบในน้ำเสียงที่คุณขอ และไม่ต้องเทศนาคุณเรื่องข้อตั้งต้นก่อน

สำหรับงานสร้างสรรค์ นั่นคือความต่างระหว่างเครื่องมือที่ใช้ได้กับเครื่องมือที่ใช้ไม่ได้ นิยายมีตัวร้ายที่น่ากลัว มีตัวละครที่โกหกได้แนบเนียน มีความรุนแรงที่มีผลตามมา มีผู้เล่าเรื่องที่ศีลธรรมพร่ามัว — โมเดลที่หลุดคาแรกเตอร์ไปต่อท้ายคำเตือนคือโมเดลที่ล้มเหลวในงาน ไม่ใช่สำเร็จในเรื่องความปลอดภัย เรื่องเดียวกันนี้ใช้ได้กับงานวิจัยความปลอดภัย เอกสารเรดทีม การร่างเอกสารทางการแพทย์และกฎหมาย และการแปลที่ต้นฉบับพูดตรงไม่อ้อมค้อม ล้วนเป็นหมวดที่การปฏิเสธคือคำตอบที่ผิดเท่านั้นเอง สิ่งที่มันไม่ได้หมายถึงคือการที่วิจารณญาณเลิกเป็นของคุณ — คุณยังคงรับผิดชอบต่อสิ่งที่คุณสร้าง ภายใต้นโยบายการใช้งานอย่างรับผิดชอบของเราและกฎหมายที่บังคับใช้

07วิธีเรียกใช้ API Laguna แบบไม่เซ็นเซอร์

สาม dialect หนึ่งโมเดล: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses การสตรีมทำงานบนทั้งสามแบบ ดังนั้นระบบที่เชื่อมต่ออยู่แล้วย้ายมาได้ด้วยการเปลี่ยน base URL กับ model id — ไม่ต้องเปลี่ยน SDK ไม่ต้องเขียนตัวจัดการข้อความใหม่

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"
}

ข้อสังเกตเชิงปฏิบัติสองสามข้อ:

• อย่าส่ง response_format หรือ json_schema ไปยัง model id ตัวนี้ — ถ้าไลบรารีไคลเอนต์ของคุณตั้งค่าไว้โดยปริยาย ให้ยกเลิกมัน หรือย้ายไปใช้พี่น้องตัวที่รองรับ
• ทูลใส่ในอาร์เรย์ tools ตามปกติ — การเรียกใช้ทูลรองรับเต็มรูปแบบ สิ่งที่ไม่มีคือการบังคับสกีมากับข้อความอิสระเท่านั้น
• วางงบการให้เหตุผลของคุณ reasoning_effort ถูกนำไปใช้จริง — ตั้งต่ำหรือปิดจะทำให้ความหน่วงในการสนทนาต่ำและโทเค็นเอาต์พุตถูก ส่วนงานทูลหลายขั้นตอนให้ปรับขึ้น ซึ่งช่องว่างในเกณฑ์มาตรฐานข้างบนแสดงให้เห็นว่ามันซื้ออะไรได้
• เพดานเอาต์พุตคือ 16,384 โทเค็นต่อคำขอ สำหรับการสร้างงานยาวขนาดหนังสือ ให้แบ่งเป็นบทแล้วสตรีม
• ข้อความล้วน model id ตัวนี้ไม่รับอินพุตเป็นภาพ — ให้ใช้ MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 หรือ inkling สำหรับการมองเห็น

เอกสารอ้างอิงพารามิเตอร์ฉบับเต็ม การยืนยันตัวตน ความหมายของข้อผิดพลาด และสนามทดลองแบบสด: เอกสาร API

08เมื่อไรควรเลือกมัน และเมื่อไรไม่ควร

เลือกมันเมื่อเอาต์พุตของคุณคือร้อยแก้ว บทสนทนา หรือโค้ดที่มนุษย์อ่าน คุณต้องการการเรียกใช้ทูลแต่ไม่ต้องการข้อความที่ถูกบังคับด้วยสกีมา ต้นทุนต่อโทเค็นสำคัญกว่าเรื่องคอนเท็กซ์ยาว หรือคุณอยากได้ความเห็นที่สองจากสายตระกูลอื่นนอกเหนือจากตระกูล DeepSeek, Kimi และ MiMo ที่เติมเต็มชุดโมเดลส่วนที่เหลือ

เลือกตัวอื่นเมื่อคุณต้องการ JSON แบบรับประกัน (MiMo-V2.5-Pro) การเข้าใจภาพ (Kimi-K2.6 หรือ MiMo-V2.5) หรืองานระดับยากสุดขอบที่ช่องว่างราคาไม่มีความหมายเทียบกับการได้คำตอบที่ถูกต้อง (DeepSeek-V4-Pro, Kimi-K3)

09คำถามที่พบบ่อย

---

แหล่งอ้างอิง: Poolside — การ์ดโมเดล Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound ตัวเลขสถาปัตยกรรมและเกณฑ์มาตรฐานเป็นข้อมูลที่ผู้เผยแพร่รายงานสำหรับรุ่นที่ยังไม่ควอนไทซ์ ไม่ใช่การวัดบิลด์ที่เราให้บริการ Shannon AI ดำเนินการโดย Shannon Lab LLC รัฐนิวเม็กซิโก สหรัฐอเมริกา