بغیر سنسر شپ Laguna API

“سستے ماڈل” کے زیادہ تر صفحات آپ سے کہتے ہیں کہ ایک کم عدد کے بدلے چھوٹی، تھکی ہوئی بنیاد قبول کر لیجیے۔ یہ صفحہ ایسا نہیں کہتا۔ Laguna S 2.1 موجودہ نسل کا خلوت پسند Mixture-of-Experts اجرا ہے، جو 4,096 H200 پر تربیت پا کر نو ہفتوں سے کم میں بھیج دیا گیا، اور یہ اُسی $0.50 / $2.00 کی حد پر بیٹھا ہے جس پر ہمارا ہر دوسرا داخلی درجے کا ماڈل۔ سودا تنگ ہے اور اس پر غور کرنا آسان: آپ سرور کی نافذ کردہ ساختی اخراج چھوڑتے ہیں اور باقی سب رکھتے ہیں۔

01Laguna S 2.1 ہے کیا؟

Laguna S 2.1 کھلے وزنوں والا وہ ماڈل ہے جسے Poolside نے 21 جولائی 2026 کو نرم OpenMDW-1.1 لائسنس کے تحت جاری کیا — Laguna خاندان کا درمیانی رکن، Laguna XS 2.1 (33B / 3B فعال) اور Laguna M.1 (225B / 23B فعال) کے بیچ۔

شائع شدہ فن تعمیر ایک ٹوکن-انتخاب روٹر ہے جس میں 256 راستہ یافتہ ماہرین اور ایک مشترک ماہر پر softplus گیٹنگ ہے، فی ٹوکن دس منتخب، 48 تہوں میں — بارہ عالمی توجہ کی، چھتیس 512 ٹوکن کی کھڑکی والی سرکتی کھڑکی کی، ایک ایسی باہم بُنت جو بہت لمبے داخلوں کی توجہ کی لاگت کو مربع کے بجائے قریب قریب خطی رکھتی ہے۔ توجہ گروہ بند استفسار والی ہے، سر کی جسامت 128 پر 8 کلید-قدر سر کے ساتھ۔

API استعمال کرنے والے کے لیے دو نتائج اہم ہیں۔ خلوت پسند فعالیت ہی وہ وجہ ہے جس سے 118B کا ماڈل کم ترین قیمت پر بیٹھ سکتا ہے — فی ٹوکن صرف ~8B پیرامیٹر کام کرتے ہیں، لہٰذا فی ٹوکن حساب پیرامیٹر شمار کے تاثر سے کہیں زیادہ ایک چھوٹے گنجان ماڈل کے قریب ہے۔ اور سرکتی کھڑکی کی باہم بُنت ہی وہ وجہ ہے جس سے لمبی کھڑکی محض نام کی نہیں بلکہ واقعی قابلِ استعمال ہے۔ Poolside کا اجرا 1,048,576 ٹوکن کی حمایت کرتا ہے؛ ہم 262,144 پیش کرتے ہیں، گیٹ وے کے ہر دوسرے ماڈل کے مطابق۔

02وہ ایک تنبیہ: کوئی ساختی اخراج نہیں

جو اب بھی چلتا ہے۔ ٹول کالنگ کی مکمل حمایت ہے، اور ٹول کال کے دلائل اب بھی بالکل ویسے ہی JSON آبجیکٹ کی صورت آتے ہیں جیسے یہاں کے کسی بھی دوسرے ماڈل پر۔ اگر آپ کی ایپلیکیشن کا “ساختی اخراج” دراصل ٹول دلائل ہیں — جو زیادہ تر ایجنٹی فریم ورک، MCP سرورز اور ڈیٹابیس فرنٹ اینڈ کے لیے سچ ہے — تو Laguna S 2.1 آپ کی خدمت بخوبی کرے گا۔ اسٹریمنگ تینوں لہجوں پر چلتی ہے؛ reasoning_effort چلتا ہے۔

جو نہیں چلتا۔ آپ اینڈ پوائنٹ کو JSON Schema تھما کر یہ ضمانت نہیں پا سکتے کہ معاون کا متنی جواب اس کے مقابل درست ثابت ہوگا، اور response_format: {"type": "json_object"} آپ کو کچھ نہیں دیتا۔ پیش لفظ میں JSON مانگنے پر عموماً JSON ملتا ہے — یہ ایک اہل ماڈل ہے — مگر “عموماً” کوئی معاہدہ نہیں۔ خود Poolside گہرائی میں گھری ہوئی ٹول کالوں میں غلط JSON ایسکیپنگ کو ایک معلوم حد کے طور پر دستاویزی شکل دیتا ہے، جو یاد دہانی ہے کہ ضمانت، جہاں ہماری فہرست میں کہیں اور موجود ہے، ماڈل کی نیک نیتی سے نہیں بلکہ پیشکش کی پرت سے آتی ہے۔

اس کے بجائے کون سا ہم سلسلہ استعمال کریں

اگر آپ کے کام کو ضمانتی JSON چاہیے تو اس ماڈل سے مت لڑیے — ماڈل id بدل دیجیے۔ چار ہم سلسلہ ماڈل بالکل اسی $0.50 / $2.00 قیمت پر ہیں اور json_schema و response_format کی مکمل حمایت رکھتے ہیں:

ماڈل id	json_schema	وژن	آپ اسے کیوں چنیں گے
MiMo-V2.5-Pro-W8A16	ہاں	نہیں	سیدھی تبدیلی — 8-bit وزن، سب سے زیادہ وفاداری والا درجہ، وہی قیمت
MiMo-V2.5-W8A16	ہاں	ہاں	وہی، مع تصویری داخلہ
Hy3-W8A16	ہاں	نہیں	کم ترین قیمت پر ایک اور 8-bit متنی ماڈل
DeepSeek-V4-Flash-0731	ہاں	نہیں	Laguna کی طرح W4A16-AutoRound-REAP، مگر schema کی حمایت سلامت

فطری طے شدہ انتخاب MiMo-V2.5-Pro (W8A16) ہے: صرف متن، کم ترین قیمت، اور اُس نرم ترین درجے پر کوانٹائز شدہ جو ہم چلاتے ہیں — تفصیل MiMo-V2.5 ماڈل کارڈ پر۔ چونکہ بارہوں ماڈل اینڈ پوائنٹ، سیاق کھڑکی اور اخراجی حد میں شریک ہیں، تبدیلی model خانے میں ایک سطر کی ترمیم ہے۔

03W4A16-AUTOROUND-REAP کا کیا مطلب ہے؟

ماڈل id پر لگا لاحقہ سجاوٹ نہیں — یہ عین بتاتا ہے کہ ہمارے GPU کلسٹر پر لادنے سے پہلے وزن کیسے دبائے گئے۔ تین حصے۔

W4A16 — 4-bit وزن، 16-bit فعالیت

وزن 4 بٹ پر رکھے جاتے ہیں؛ فعالیت — یعنی وہ قدریں جو استنباط کے وقت تہوں کے بیچ بہتی ہیں — 16 پر رہتی ہیں۔ وزن کو ان کے BF16 نقش کے چوتھائی پر کاٹنا ہی وہ چیز ہے جو 118B کے ماڈل کو سمانے اور تیز رہنے دیتی ہے، جبکہ فعالیت کو چوڑا رکھنا پیش رَو گزر کے عددی طور پر حساس حصے کی حفاظت کرتا ہے۔ جو بڑا اور ساکن ہے اسے دبائیے، جو چھوٹا اور متحرک ہے اسے چھوڑ دیجیے۔

AutoRound — سیکھی ہوئی راؤنڈنگ، نہ کہ قریب ترین راؤنڈنگ

کوانٹائز کرنے کا سادہ طریقہ قریب ترین راؤنڈنگ ہے: ہر وزن کو نزدیک ترین 4-bit قدر پر چپکا دیجیے اور غلطی قبول کر لیجیے۔ AutoRound، یعنی Intel کا کھلا، تربیت کے بعد کوانٹائزیشن کا اوزار، اس سے بہتر کرتا ہے — اس کا SignRound طریقہ علامت دار گریڈیئنٹ ڈیسنٹ سے چند سو قدموں میں راؤنڈنگ کے فیصلوں اور کترنے کی حدوں کو ایک ساتھ بہتر کرتا ہے، اور فی وزن طے کرتا ہے کہ اوپر یا نیچے راؤنڈ کرنے میں سے کون تہہ کے اصل اخراج کو کم نقصان پہنچاتا ہے۔ یہ خیال کوانٹائزیشن سے آگاہ تربیت سے مستعار ہے، بغیر دوبارہ تربیت کے خرچ کے، اور یہی وجہ ہے کہ ایک W4A16 بلڈ کسی نقصان زدہ عجوبے کے بجائے ایک سنجیدہ ماڈل ہو سکتا ہے۔

REAP — ماہروں کو ملانے کے بجائے کاٹنا

REAP، یعنی Router-weighted Expert Activation Pruning، Cerebras Research نے شائع کی۔ کسی MoE ماڈل میں سب ماہر اپنا بوجھ نہیں اٹھاتے: روٹر بعض کو کم ٹوکن بھیجتا ہے، اور بعض جب بھڑکتے بھی ہیں تو کم مقدار کا حصہ ڈالتے ہیں۔ REAP ہر ماہر کو دونوں اشاروں پر پرکھتا ہے — روٹر کے دروازوں کی قدروں اور ماہر کی فعالیت کے معیاروں پر — اور کم نمایاں کو کوانٹائزیشن سے پہلے ایک ہی وار میں ہٹا دیتا ہے۔ اہم بات یہ ہے کہ یہ کاٹتا ہے، ملاتا نہیں: ملاپ کئی ماہروں کو ایک میں سمیٹ دیتا ہے، روٹر کے باریک، داخلے پر منحصر قابو کو تباہ کرتا ہے، اور غلطی کی ایسی حد پیدا کرتا ہے جسے کوئی ٹیوننگ نہیں ہٹاتی (مصنفین اسے فعالی ذیلی خلا کا انہدام کہتے ہیں)، جبکہ کٹائی بچ رہنے والوں کو اور اُن پر روٹر کے قابو کو سالم چھوڑ دیتی ہے۔ Cerebras بتاتا ہے کہ کھرب پیرامیٹر ماڈلوں سے 50% تک ماہرین ہٹائے گئے اور بنیادی معیار بڑی حد تک برقرار رہا — 480B کے ایک کوڈر ماڈل پر 50% کٹائی پر، بنیادی غیر ایجنٹی کوڈنگ صلاحیت کا 97.6% اور ایجنٹی SWE-Bench پر 96.7%۔ یہ Cerebras کے اپنے ماڈلوں کے اعداد ہیں، ہمارے بلڈ کی پیمائشیں نہیں، مگر یہی وجہ ہیں کہ ہم یہ ڈھیر ایسی بنیاد پر چلاتے ہیں جس کی اصل طاقت کوڈ ہے۔

مل کر یہ لاحقہ ایک جملے کی طرح پڑھا جاتا ہے: اُن ماہروں کو کاٹو جو مشکل سے استعمال ہوتے تھے، 4-bit راؤنڈنگ کو اندازہ لگانے کے بجائے سیکھو، اور فعالیت پوری چوڑائی پر رکھو۔

04یہ ماڈل اصل میں کس چیز میں اچھا ہے؟

پہلے ایمانداری: Laguna S 2.1 صرف متن کا گفتگو ماڈل ہے — اس ماڈل id پر کوئی تصویری داخلہ نہیں — اور Poolside نے اسے ایجنٹی کوڈنگ اور لمبے افق کے کام کے لیے بنایا، نثر کے لیے نہیں۔ بعد از تربیت 409,000 سے زیادہ ماحول میں چلی، جن میں 83,000 ٹرمینل اور 168,000 سافٹ ویئر انجینئرنگ کے کام شامل تھے، اور تقویتی تعلیم FP8 میں ہوئی۔ بغیر کوانٹائز شدہ اجرا کے لیے Poolside کے بتائے نتائج:

معیار	سوچ کے ساتھ	سوچ کے بغیر	یہ کیا ناپتا ہے
SWE-Bench Multilingual	78.5%	—	کئی زبانوں میں اصل خامیوں کی درستی
Terminal-Bench 2.1	70.2%	60.4%	کئی مرحلوں کا شیل اور اوزاری کام
SWE-Bench Pro	59.4%	—	مشکل تر، آلودگی سے محفوظ مخزن کے کام
Toolathlon Verified	49.7%	—	کئی API پر ٹول استعمال کی وسعت
SWE Atlas	46.2%	—	لمبے افق کی مخزن گردی
DeepSWE v1.1	40.4%	16.5%	ایجنٹی سافٹ ویئر انجینئرنگ

دونوں کالموں کا فرق یہاں سب سے زیادہ قابلِ عمل عدد ہے: DeepSWE پر استدلال چالو ہونے پر اسکور دگنے سے بھی زیادہ ہو جاتا ہے، اور Terminal-Bench پر تقریباً دس پوائنٹ بڑھتا ہے۔

بغیر کوانٹائز شدہ Laguna S 2.1 اجرا کے لیے Poolside کے بتائے اعداد، جولائی 2026۔ یہ ہمارے W4A16-AutoRound-REAP بلڈ کی پیمائشیں نہیں، اور ہم اس کے لیے اپنے کوئی معیاری اعداد شائع نہیں کرتے۔ ہمارے API پر سوچ کا بجٹ قابو کرنے کے لیے reasoning_effort استعمال کیجیے۔

گفتگو اور تخلیقی کام کے لیے ایماندارانہ موقف یہ ہے: جو خوبیاں لمبے ایجنٹی رن کے پیچھے ہوتی ہیں — بہت سی حالت کو مربوط تھامے رکھنا، کام پر ٹکے رہنا، نہ بھٹکنا — وہی خوبیاں لمبی کردار نگاری کے پیچھے بھی ہیں، اور عمل میں یہ بہت لمبی کھڑکی بھر آواز اچھی طرح تھامتا ہے۔ کوئی شائع شدہ معیار یہ نہیں کہتا، اور ہم کوئی گھڑیں گے نہیں۔ اسے اپنے ہی پیش لفظوں پر آزمائیے؛ فی ملین داخل ٹوکن $0.50 پر یہ تقریباً مفت ہے۔

05کم ترین قیمت اصل میں کیا خریدتی ہے؟

فی ملین ٹوکن $0.50 داخل / $2.00 خارج Shannon AI گیٹ وے کا داخلی درجہ ہے، جو MiniMax-M3، DeepSeek-V4-Flash، MiMo-V2.5، MiMo-V2.5-Pro اور Hy3 کے ساتھ مشترک ہے۔ ٹھوس صورت میں:

کام	داخل	خارج	لاگت
100K تاریخ کے ساتھ گفتگو کا ایک موڑ	100,000	2,000	$0.054
لمبے خاکے سے 5,000 الفاظ کا باب	30,000	7,000	$0.029
1,000 مختصر گفتگو کے موڑ	4,000,000	500,000	$3.00
پورے 262K ٹوکن سیاق کی پڑھت	262,144	16,384	$0.164

آخری قطار وہ ہے جسے ذہن نشین کرنا چاہیے: پوری سیاق کھڑکی بھرنے اور زیادہ سے زیادہ 16,384 ٹوکن کا جواب تخلیق کرنے پر تقریباً سولہ سینٹ لگتے ہیں۔ پورا مسودہ، سیشن کا نقل نویس، یا دستاویزات کا مجموعہ ایک ہی کال میں ڈالنا بجٹ کا فیصلہ نہیں رہتا اور تاخیر کا فیصلہ بن جاتا ہے۔ یہی حسابیات کم ترین قیمت کے دوسرے استعمال کو بھی چلاتی ہے — حجم: بیچ درجہ بندی، تھوک بازنویسی، مصنوعی مکالمہ، پہلا مسودہ جسے کوئی مضبوط تر ماڈل بعد میں نکھارے۔ قیمت کا صفحہ اور تحقیق کی فہرست دیکھیے۔

06یہاں “بغیر سنسر شپ” کا مطلب

مطلب وہی ہے جو کہا گیا: کوئی انکار کی پرت نہیں اور اخراج پر کوئی مواد چھلنی نہیں۔ ماڈل اور آپ کے جواب کے بیچ کوئی درجہ بند نہیں بیٹھا جو طے کرے کہ آپ کو پوچھنے کی اجازت تھی یا نہیں؛ ماڈل اُسی رو میں جواب دیتا ہے جو آپ نے مانگی، اور پہلے آپ کو مفروضے پر لیکچر نہیں دیتا۔

تخلیقی کام کے لیے یہی قابلِ استعمال اور ناقابلِ استعمال اوزار کا فرق ہے۔ افسانے میں دھمکاتے مخالف ہوتے ہیں، ایسے کردار جو یقین دلا کر جھوٹ بولتے ہیں، نتائج والا تشدد، اخلاقی طور پر داغدار راوی — وہ ماڈل جو کردار توڑ کر ایک تنبیہ چپکا دے، اُس نے حفاظت میں کامیابی نہیں پائی بلکہ کام میں ناکامی۔ یہی بات سیکیورٹی تحقیق، ریڈ ٹیم دستاویزات، طبی و قانونی مسودہ سازی، اور ایسی ترجمہ کاری پر بھی لاگو ہے جہاں ماخذ کھردرا ہو: ایسے شعبے جہاں انکار سیدھا سیدھا غلط جواب ہے۔ اس کا مطلب یہ نہیں کہ فیصلہ اب آپ کا نہیں رہا — آپ جو کچھ تخلیق کرتے ہیں اس کے ذمہ دار آپ ہی ہیں، ہماری ذمہ دارانہ استعمال کی پالیسی اور لاگو قانون کے تحت۔

07بغیر سنسر شپ Laguna API کیسے پکاریں

تین لہجے، ایک ماڈل: /v1/chat/completions (OpenAI)، /v1/messages (Anthropic)، /v1/responses۔ اسٹریمنگ تینوں پر چلتی ہے، لہٰذا موجودہ انضمام صرف بنیادی URL اور ماڈل id بدل کر منتقل ہو جاتا ہے — نہ SDK بدلنا، نہ پیغام سنبھالنے کا کوڈ دوبارہ لکھنا۔

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"
}

چند عملی نکات:

• اس ماڈل id پر response_format یا json_schema مت بھیجیے — اگر آپ کی کلائنٹ لائبریری طے شدہ طور پر کوئی ایک لگاتی ہے تو اسے ہٹائیے یا کسی ایسے ہم سلسلہ پر جائیے جو اس کی حمایت کرتا ہو۔
• ٹولز معمول کی tools فہرست میں جاتے ہیں — ٹول کالنگ کی مکمل حمایت ہے؛ صرف آزاد متن پر schema کا نفاذ نہیں۔
• اپنی سوچ کا بجٹ بنائیے۔ reasoning_effort کا لحاظ رکھا جاتا ہے — کم یا بند رکھنے سے گفتگو کی تاخیر نیچے اور خارج ٹوکن سستے رہتے ہیں؛ کئی مرحلوں کے اوزاری کام کے لیے اسے بڑھائیے، جہاں اوپر والا معیاری فرق دکھاتا ہے کہ وہ کیا خریدتا ہے۔
• اخراج کی حد فی درخواست 16,384 ٹوکن ہے۔ کتاب جتنی تخلیق کے لیے اسے ابواب میں بانٹیے اور اسٹریم کیجیے۔
• صرف متن۔ اس ماڈل id پر تصویری داخلہ نہیں — وژن کے لیے MiMo-V2.5، Kimi-K2.6، Kimi-K3، MiniMax-M3 یا inkling لیجیے۔

مکمل پیرامیٹر فہرست، تصدیق، خامیوں کی معنویات اور ایک زندہ playground: API دستاویزات۔

08اسے کب چنیں، اور کب نہیں

اسے تب چنیے جب آپ کا اخراج نثر، مکالمہ یا ایسا کوڈ ہو جسے کوئی انسان پڑھے؛ آپ کو ٹول کالنگ چاہیے مگر schema سے محدود متن نہیں؛ لمبے سیاق پر فی ٹوکن لاگت غالب ہو؛ یا آپ کو DeepSeek، Kimi اور MiMo خاندانوں کے علاوہ کسی اور سلسلے سے دوسری رائے چاہیے جو باقی فہرست بھرتے ہیں۔

کچھ اور تب چنیے جب آپ کو ضمانتی JSON چاہیے (MiMo-V2.5-Pro)، تصویری فہم چاہیے (Kimi-K2.6 یا MiMo-V2.5)، یا دشواری کا وہ سرحدی سرا چاہیے جہاں جواب درست پانے کے سامنے قیمت کا فرق بے معنی ہو (DeepSeek-V4-Pro، Kimi-K3)۔

09اکثر پوچھے جانے والے سوالات

---

مآخذ: Poolside — Laguna S 2.1 ماڈل کارڈ · Laguna S 2.1 کا تعارف · REAP the Experts (Cerebras Research) · Intel AutoRound۔ فن تعمیر اور معیار کے اعداد بغیر کوانٹائز شدہ اجرا کے لیے ناشر کے بتائے ہوئے ہیں، اُس بلڈ کی پیمائشیں نہیں جو ہم پیش کرتے ہیں۔ Shannon AI کو Shannon Lab LLC، نیو میکسیکو، امریکہ چلاتی ہے۔