Uncensored na Laguna API
Laguna S 2.1 — isang 118B na pundasyong Mixture-of-Experts na inihahain nang walang refusal layer, may 262K na context window, at may tool calling — sa pinakamababang presyo na $0.50 in / $2.00 out kada milyong token.
TL;DR
Ang uncensored na Laguna API ay nagpapatakbo ng Laguna S 2.1 ng Poolside — 118B na kabuuang parameter, ~8B na aktibo kada token, open weights sa ilalim ng OpenMDW-1.1 — kinuwantisa sa W4A16 gamit ang AutoRound at REAP at inihahain sa sarili naming GPU cluster. Makukuha mo ang 262,144-token na context, 16,384 na output token kada request, streaming, tool calling, reasoning_effort, at walang filter sa output. Isang babala, sasabihin na agad: ito ang tanging modelo sa aming katalogo na hindi sumusuporta sa json_schema ni sa response_format. Kung kailangan mo ng garantisadong JSON, kumuha ng kapatid nito — kaya iyon ng Pro build ng MiMo-V2.5 sa parehong presyo.
Karamihan sa mga pahinang "murang modelo" ay hinihiling sa iyong tanggapin ang maliit at pagod na pundasyon kapalit ng mababang numero. Hindi ito ganoon. Ang Laguna S 2.1 ay isang kasalukuyang henerasyong sparse na Mixture-of-Experts na paglabas, sinanay sa 4,096 na H200 at ipinadala nang wala pang siyam na linggo, at nakaupo ito sa parehong $0.50 / $2.00 na sahig gaya ng bawat entry-tier na modelong inihahain namin. Makitid at madaling isipin ang palitan: isusuko mo ang structured output na ipinapatupad ng server at mananatili sa iyo ang lahat ng iba pa.
01Ano ang Laguna S 2.1?
Ang Laguna S 2.1 ay isang open-weights na modelong inilabas ng Poolside noong Hulyo 21, 2026 sa ilalim ng maluwag na lisensyang OpenMDW-1.1 — ang katamtamang laki sa pamilyang Laguna, sa pagitan ng Laguna XS 2.1 (33B/3B na aktibo) at Laguna M.1 (225B/23B na aktibo).
Ang inilathalang arkitektura ay isang token-choice na router na may softplus gating sa 256 na niruruta ang expert kasama ang isang ibinabahaging expert, sampu ang napipili kada token, sa 48 na layer — labindalawang global-attention, tatlumpu't anim na sliding-window sa 512-token na bintana, isang paghahalili na nagpapanatiling halos linear sa halip na quadratic ang gastos sa attention ng napakahahabang input. Grouped-query ang attention, may 8 na key-value head sa head dimension na 128.
Dalawang bunga ang mahalaga sa isang gumagamit ng API. Ang sparse na aktibasyon ang dahilan kung bakit kayang umupo ng isang 118B na modelo sa pinakamababang presyo — ~8B na parameter lamang ang gumagana kada token, kaya mas malapit ang compute kada token sa isang maliit na dense na modelo kaysa sa ipinahihiwatig ng bilang ng parameter. At ang paghahaliling sliding-window ang dahilan kung bakit tunay na magagamit ang mahabang bintana, hindi lamang pangalan. Sumusuporta ang paglabas ng Poolside sa 1,048,576 na token; 262,144 ang inihahain namin, katugma ng bawat ibang modelo sa gateway.
02Ang iisang babala: walang structured output
Ang Laguna S 2.1 sa Shannon AI ay hindi tumatanggap ng json_schema ni ng response_format. Ito lamang ang modelo sa aming labindalawang-modelong katalogo na walang suporta sa structured output; ang pagpapadala ng alinman sa dalawang parameter na iyon ay hindi magbibigay sa iyo ng sagot na pinipigilan ng schema. Gumagana ang tool calling. Gumagana ang streaming. Gumagana ang pangangatwiran. Ang paghubog lamang ng output na ipinapatupad ng server ang wala.
Ang gumagana pa rin. Buong suportado ang tool calling, at dumarating pa rin ang mga argumento ng tool call bilang isang JSON object nang eksakto gaya sa alinmang ibang modelo dito. Kung ang "structured output" ng iyong aplikasyon ay talagang mga argumento ng tool — totoo iyon sa karamihan ng agent framework, MCP server at database front-end — sapat na ang Laguna S 2.1 para sa iyo. Gumagana ang streaming sa tatlong dayalekto; gumagana ang reasoning_effort.
Ang hindi gumagana. Hindi mo maibibigay sa endpoint ang isang JSON Schema nang may garantiyang tutugma dito ang tekstong sagot ng katulong, at walang naibibili sa iyo ang response_format: {"type": "json_object"}. Ang pag-prompt para sa JSON ay karaniwang naglalabas ng JSON — kagalang-galang na modelo ito — ngunit hindi kontrata ang "karaniwan". Idinodokumento mismo ng Poolside ang maling pag-escape ng JSON sa malalalim na nested na tool call bilang kilalang limitasyon, isang paalalang ang garantiya, kung saan man ito umiiral sa aming katalogo, ay nagmumula sa layer ng paghahain at hindi sa mabuting hangarin ng modelo.
Aling kapatid ang gamitin sa halip
Kung kailangan ng iyong trabaho ang garantisadong JSON, huwag kang makipagbuno sa modelong ito — palitan lang ang model id. Apat na kapatid ang nakaupo sa parehong $0.50 / $2.00 na presyo na may buong suporta sa json_schema at response_format:
| Model id | json_schema | Vision | Bakit mo ito pipiliin |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Oo | Hindi | Ang tuwirang kapalit — 8-bit na weights, antas na pinakamataas ang katapatan, parehong presyo |
| MiMo-V2.5-W8A16 | Oo | Oo | Ganoon din, dagdag pa ang input na larawan |
| Hy3-W8A16 | Oo | Hindi | Isa pang 8-bit na modelong teksto sa pinakamababang presyo |
| DeepSeek-V4-Flash-0731 | Oo | Hindi | W4A16-AutoRound-REAP gaya ng Laguna, buo ang suporta sa schema |
Ang natural na default ay ang MiMo-V2.5-Pro (W8A16): teksto lamang, nasa pinakamababang presyo, kinuwantisa sa pinakamaamong antas na pinapatakbo namin — nasa model card ng MiMo-V2.5 ang mga detalye. Dahil magkakabahagi ang lahat ng labindalawang modelo sa endpoint, context window at hangganan ng output, isang linyang pagbabago lang sa field na model ang paglipat.
03Ano ang ibig sabihin ng W4A16-AUTOROUND-REAP?
Hindi palamuti ang suffix sa model id — sinasabi nito nang eksakto kung paano sinikip ang weights bago sila ikinarga sa aming GPU cluster. Tatlong bahagi.
W4A16 — 4-bit na weights, 16-bit na activations
Nakaimbak ang weights sa 4 na bit; ang activations — ang mga halagang dumadaloy sa pagitan ng mga layer habang nag-i-inference — ay nananatili sa 16. Ang pagbawas sa weights tungo sa ikaapat ng kanilang bakas na BF16 ang nagpapakasya at nagpapabilis sa isang 118B na modelo, habang ang pagpapanatiling malapad sa activations ang nagsasanggalang sa bahaging sensitibo sa numero ng forward pass. Siksikin ang malaki at hindi gumagalaw, pabayaan ang maliit at pabago-bago.
AutoRound — natutong pag-round, hindi pag-round sa pinakamalapit
Ang payak na paraan ng pagkuwantisa ay round-to-nearest: itapat ang bawat weight sa pinakamalapit na 4-bit na halaga, tanggapin ang mali. Mas mahusay ang AutoRound, ang bukas na post-training quantization toolkit ng Intel — ang paraan nitong SignRound ay gumagamit ng signed gradient descent upang sabay na optimisahin ang mga desisyon sa pag-round at ang saklaw ng clipping sa loob ng ilang daang hakbang, na nagpapasya kada weight kung ang pag-round pataas o pababa ang mas kaunting sira sa tunay na output ng layer. Hinihiram nito ang ideya mula sa quantization-aware training nang walang gastos ng muling pagsasanay, at iyon ang dahilan kung bakit kayang maging seryosong modelo ng isang W4A16 na build sa halip na isang kuryosidad na sira.
REAP — pagputol sa mga expert sa halip na pagsasanib
Ang REAP ay Router-weighted Expert Activation Pruning, inilathala ng Cerebras Research. Sa isang MoE na modelo hindi lahat ng expert ay may kanya-kanyang bigat na hinahakot: kaunting token lang ang ipinapadala ng router sa ilan, at maliit ang naiaambag na magnitude ng ilan kapag sila ay pumutok. Nagbibigay ng puntos ang REAP sa bawat expert sa dalawang senyas — mga halaga ng router gate at norm ng aktibasyon ng expert — at tinatanggal ang mababa ang saliency sa isang hakbang, bago ang pagkuwantisa. Mahalagang pinuputol nito sila sa halip na isanib: pinagsasama ng pagsasanib ang ilang expert sa iisa, na sumisira sa pinong at nakabatay-sa-input na kontrol ng router at naglalagay ng sahig ng kamalian na walang tuning ang makakatanggal (tinatawag itong functional subspace collapse ng mga may-akda), samantalang iniiwang buo ng pagputol ang mga nakaligtas at ang kontrol ng router sa kanila. Iniuulat ng Cerebras ang pagtanggal ng hanggang 50% ng mga expert mula sa mga modelong may trilyong parameter habang malaking bahagi ng kalidad ng baseline ay napapanatili — sa isang 480B na modelong coder sa 50% na pagputol, 97.6% ng baseline na kakayahan sa hindi-agentic na coding at 96.7% sa agentic na SWE-Bench. Mga bilang iyon ng Cerebras para sa sarili nilang mga modelo, hindi sukat ng aming build, ngunit iyon ang dahilan kung bakit pinapatakbo namin ang stack na ito sa isang pundasyong ang pangunahing lakas ay code.
Magkasama, mababasa ang suffix bilang isang pangungusap: putulin ang mga expert na halos hindi ginamit, pag-aralan ang 4-bit na pag-round sa halip na hulaan ito, panatilihin ang activations sa buong lapad.
04Saan talaga magaling ang modelong ito?
Katapatan muna: ang Laguna S 2.1 ay modelong pang-usap na teksto lamang — walang input na larawan sa model id na ito — at ginawa ito ng Poolside para sa agentic na coding at mahabang-hantungang trabaho, hindi para sa panitikan. Tumakbo ang post-training sa mahigit 409,000 na kapaligiran, kabilang ang 83,000 na gawaing terminal at 168,000 na gawaing software engineering, na may reinforcement learning sa FP8. Ang iniulat na resulta ng Poolside para sa hindi kinuwantisang paglabas:
| Benchmark | Nag-iisip | Hindi nag-iisip | Ang sinusukat nito |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Tunay na pag-aayos ng bug sa maraming wika |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Maraming-hakbang na gawaing shell at tooling |
| SWE-Bench Pro | 59.4% | — | Mas mahirap, laban-sa-kontaminasyong gawain sa repo |
| Toolathlon Verified | 49.7% | — | Lawak ng paggamit ng tool sa maraming API |
| SWE Atlas | 46.2% | — | Mahabang-hantungang paglilibot sa repositoryo |
| DeepSWE v1.1 | 40.4% | 16.5% | Agentic na software engineering |
Ang agwat sa pagitan ng dalawang kolum ang pinakamagagamit na numero rito: sa DeepSWE mahigit doble ang iskor kapag binuksan ang pangangatwiran, at sa Terminal-Bench halos sampung puntos ang natatamo.
Mga bilang na iniulat ng Poolside para sa hindi kinuwantisang paglabas ng Laguna S 2.1, Hulyo 2026. Hindi ito sukat ng aming W4A16-AutoRound-REAP na build, at wala kaming inilalathalang sariling bilang ng benchmark para rito. Gamitin ang reasoning_effort upang kontrolin ang badyet sa pag-iisip sa aming API.
Para sa gawaing pang-usap at malikhain, ito ang tapat na tindig: ang mga katangiang nasa likod ng mahahabang agentic na takbo — matatag na paghawak sa maraming estado, pananatili sa gawain, hindi paglihis — ay siya ring nasa likod ng mahabang paggawa ng tauhan, at sa praktika ay mahusay nitong napapanatili ang tinig sa napakahabang bintana. Walang inilathalang benchmark ang nagsasabi niyon, at hindi kami mag-iimbento ng isa. Subukan ito sa sarili mong mga prompt; sa $0.50 kada milyong input token, halos libre iyon.
05Ano talaga ang naibibili ng pinakamababang presyo?
Ang $0.50 in / $2.00 out kada milyong token ang entry tier sa Shannon AI Gateway, kabahagi ng MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro at Hy3. Sa konkreto:
| Trabaho | Input | Output | Halaga |
|---|---|---|---|
| Isang chat turn na may 100K na kasaysayan | 100,000 | 2,000 | $0.054 |
| Isang 5,000-salitang kabanata mula sa mahabang brief | 30,000 | 7,000 | $0.029 |
| 1,000 na maiikling pang-usap na turn | 4,000,000 | 500,000 | $3.00 |
| Isang buong 262K-token na pagbasa ng context | 262,144 | 16,384 | $0.164 |
Ang huling hilera ang dapat isapuso: ang pagpuno sa buong context window at paglikha ng pinakamataas na 16,384-token na sagot ay nagkakahalaga ng mga labing-anim na sentimo. Ang pagpapakain ng buong manuskrito, transkrip ng sesyon, o pangkat ng dokumento sa iisang tawag ay tumitigil nang maging desisyon sa badyet at nagiging desisyon sa latency. Ang parehong aritmetika ang nagtutulak sa ibang gamit ng pinakamababang presyo — ang volume: batch na klasipikasyon, maramihang muling pagsulat, sintetikong diyalogo, unang-pasadang draft na pipinuhin mamaya ng mas malakas na modelo. Tingnan ang pahina ng presyo at ang indise ng pananaliksik.
06Ang ibig sabihin ng "uncensored" dito
Ang ibig sabihin ay ang mismong sinasabi: walang refusal layer at walang pagsala sa nilalaman ng output. Walang klasipikador na nakaupo sa pagitan ng modelo at ng iyong sagot na nagpapasya kung pinahintulutan ka bang magtanong; sumasagot ang modelo sa rehistrong hiningi mo at hindi ka muna sinesermunan tungkol sa premisa.
Para sa malikhaing gawain, iyon ang pagkakaiba ng kasangkapang magagamit at hindi. May nakakatakot na kontrabida ang kathang-isip, may mga tauhang kumbinsidong nagsisinungaling, may karahasang may bunga, may tagapagsalaysay na nakompromiso ang moralidad — ang modelong sumisira sa tauhan para idugtong ang isang pagtatanggi ay bumagsak sa gawain, hindi nagtagumpay sa kaligtasan. Ganoon din sa pananaliksik sa seguridad, dokumentasyon ng red team, paghahanda ng medikal at legal na papeles, at pagsasalin kung saan tuwiran ang pinagmulan: mga kategoryang doon ang pagtanggi ay maling sagot lamang. Ang hindi nito ibig sabihin ay hindi na sa iyo ang paghatol — mananagot ka pa rin sa iyong nililikha, sa ilalim ng aming Patakaran sa Responsableng Paggamit at ng naaangkop na batas.
07Paano tawagin ang uncensored na Laguna API
Tatlong dayalekto, isang modelo: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Gumagana ang streaming sa tatlo, kaya lumilipat dito ang umiiral na integrasyon sa pamamagitan ng pagpapalit ng base URL at model id — walang pagpapalit ng SDK, walang muling pagsulat ng iyong paghawak sa mensahe.
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"
}
Ilang praktikal na tala:
- Huwag magpadala ng
response_formatojson_schemasa model id na ito — kung nagtatakda ang iyong client library ng isa bilang default, alisin iyon o lumipat sa kapatid na sumusuporta rito. - Nasa karaniwang array na
toolsang mga tool — buong suportado ang tool calling; ang pagpapatupad lamang ng schema sa malayang teksto ang hindi. - Badyetan ang iyong pangangatwiran. Iginagalang ang
reasoning_effort— ang mababa o patay ay nagpapababa sa latency ng usapan at nagpapamura sa output token; itaas ito para sa maraming-hakbang na gawaing tool, kung saan ipinapakita ng agwat sa benchmark sa itaas ang naibibili nito. - 16,384 na token kada request ang hangganan ng output. Para sa haba ng aklat, kabanatahin ito at i-stream.
- Teksto lamang. Walang input na larawan sa model id na ito — gamitin ang MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 o inkling para sa vision.
Buong sanggunian ng parameter, pagpapatunay, semantika ng pagkakamali at isang buhay na playground: dokumentasyon ng API.
08Kailan ito piliin, at kailan hindi
Piliin ito kapag ang iyong output ay panitikan, diyalogo o code na babasahin ng tao; kailangan mo ng tool calling ngunit hindi ng tekstong pinipigilan ng schema; nangingibabaw ang halaga kada token kaysa sa mahabang context; o gusto mo ng pangalawang opinyon mula sa lahing iba sa pamilyang DeepSeek, Kimi at MiMo na pumupuno sa natitirang bahagi ng katalogo.
Pumili ng iba kapag kailangan mo ng garantisadong JSON (MiMo-V2.5-Pro), ng pag-unawa sa larawan (Kimi-K2.6 o MiMo-V2.5), o ng dulong-prontera ng hirap kung saan walang kabuluhan ang agwat sa presyo katabi ng pagkuha ng tamang sagot (DeepSeek-V4-Pro, Kimi-K3).
json_schema at response_format. Basahin ang model card ng MiMo-V2.5, o tingnan ang labindalawa sa indise ng pananaliksik.
Bawat pahayag tungkol sa arkitektura at benchmark dito ay mula sa naglathala ng modelo o sa mga may-akda ng mga paraan ng pagsisiksik. Suriin mo mismo ang mga ito.
09Mga madalas itanong
Ano ang uncensored na Laguna API?
Ito ang open-weights na Laguna S 2.1 ng Poolside — 118 bilyong parameter, mga 8 bilyon ang aktibo kada token — inihahain sa sariling GPU cluster ng Shannon nang walang refusal layer at walang pagsala sa output. Ang model id ay Laguna-S-2.1-W4A16-AUTOROUND-REAP, ang context window ay 262,144 na token, at nagkakahalaga ito ng $0.50 kada milyong input at $2.00 kada milyong output na token.
Sinusuportahan ba ng Laguna S 2.1 ang json_schema o response_format sa Shannon AI?
Hindi. Ito lamang ang modelo sa katalogo ng Shannon na hindi tumatanggap ng alinman sa dalawa. Normal na gumagana ang tool calling at streaming at dumarating pa rin bilang JSON ang mga argumento ng tool call, ngunit walang schema na ipinapatupad ng server sa tekstong output ng katulong. Para sa garantisadong JSON sa parehong presyong $0.50 / $2.00, gamitin ang MiMo-V2.5-Pro (W8A16).
Ano ang ibig sabihin ng W4A16-AUTOROUND-REAP?
Ang ibig sabihin ng W4A16 ay nakaimbak ang weights sa 4 na bit habang nananatili sa 16 na bit ang activations. Ang AutoRound ay ang paraan ng post-training quantization ng Intel, na gumagamit ng signed gradient descent upang matutuhan ang mga desisyon sa pag-round at clipping sa halip na mag-round sa pinakamalapit. Ang REAP ay ang Router-weighted Expert Activation Pruning ng Cerebras Research, na nagtatanggal ng bihira at mahinang niruruta na mga expert mula sa isang modelong Mixture-of-Experts bago ang pagkuwantisa sa halip na isanib sila.
Mabuti ba ang Laguna S 2.1 para sa malikhaing pagsulat at pag-uusap?
Modelong pang-usap ito na teksto lamang — walang input na larawan — at napapanatili nito ang mahaba, magkakaugnay at nasa-tauhang panitikan sa buong 262K na bintana nang walang refusal layer sa daan. Nasa agentic na coding ang inilathalang tala ng benchmark ng Poolside, hindi sa panitikan, kaya subukan ang malikhaing kalidad sa sarili mong mga prompt sa halip na magtiwala sa isang leaderboard.
Magkano ang uncensored na Laguna API?
$0.50 kada milyong input na token at $2.00 kada milyong output na token — ang pinakamababang presyo sa Shannon AI Gateway, kabahagi ng MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro at Hy3. Ang isang 100,000-token na usapang naglalabas ng 2,000 token na sagot ay nagkakahalaga ng mga 5.4 sentimo.
Subukan ang uncensored na Laguna API
118B MoE · 262K na context · tools at streaming · $0.50 / $2.00 kada 1M token.
Basahin ang API Docs Simulan ang ChatWalang refusal layer · walang pagsala sa output · ikaw ang humahatol, ikaw ang mananagot
Mga sanggunian: Poolside — model card ng Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Iniulat ng naglathala ang mga bilang sa arkitektura at benchmark para sa hindi kinuwantisang paglabas, hindi sukat ng build na inihahain namin. Pinapatakbo ang Shannon AI ng Shannon Lab LLC, New Mexico, USA.