API Laguna không kiểm duyệt
Laguna S 2.1 — một nền tảng Mixture-of-Experts 118 tỷ tham số phục vụ không lớp từ chối, với cửa sổ ngữ cảnh 262K và gọi tool — ở mức giá sàn $0.50 vào / $2.00 ra mỗi triệu token.
Tóm tắt
API Laguna không kiểm duyệt chạy Laguna S 2.1 của Poolside — 118 tỷ tham số tổng, khoảng 8 tỷ kích hoạt mỗi token, trọng số mở theo giấy phép OpenMDW-1.1 — được lượng tử hóa xuống W4A16 với AutoRound và REAP và phục vụ trên cụm GPU của riêng chúng tôi. Bạn có ngữ cảnh 262.144 token, 16.384 token đầu ra mỗi yêu cầu, streaming, gọi tool, reasoning_effort, và không lọc đầu ra. Một lưu ý, nói ngay từ đầu: đây là mô hình duy nhất trong danh sách của chúng tôi không hỗ trợ cả json_schema lẫn response_format. Nếu bạn cần JSON được bảo đảm, hãy lấy một mô hình anh em — bản Pro của MiMo-V2.5 làm được điều đó ở đúng mức giá này.
Phần lớn các trang về “mô hình giá rẻ” đòi bạn chấp nhận một nền tảng nhỏ, đã cũ, để đổi lấy một con số thấp. Trang này thì không. Laguna S 2.1 là một bản phát hành Mixture-of-Experts thưa thuộc thế hệ hiện tại, huấn luyện trên 4.096 chiếc H200 và ra mắt trong chưa đầy chín tuần, và nó nằm ở đúng mức sàn $0.50 / $2.00 như mọi mô hình bậc nhập môn khác chúng tôi phục vụ. Cuộc đánh đổi hẹp và dễ lập luận: bạn từ bỏ đầu ra có cấu trúc được máy chủ ép buộc và giữ lại mọi thứ còn lại.
01Laguna S 2.1 là gì?
Laguna S 2.1 là một mô hình trọng số mở do Poolside phát hành ngày 21 tháng 7, 2026 theo giấy phép rộng rãi OpenMDW-1.1 — thành viên cỡ trung của dòng Laguna, nằm giữa Laguna XS 2.1 (33B/3B kích hoạt) và Laguna M.1 (225B/23B kích hoạt).
Kiến trúc được công bố là một router kiểu token-choice với cổng softplus trên 256 expert định tuyến cộng một expert dùng chung, chọn mười cái mỗi token, trải trên 48 lớp — mười hai lớp attention toàn cục, ba mươi sáu lớp cửa sổ trượt ở kích thước 512 token, một cách đan xen giữ cho chi phí attention của đầu vào rất dài gần như tuyến tính thay vì bậc hai. Attention là kiểu grouped-query với 8 đầu key-value ở số chiều đầu 128.
Có hai hệ quả quan trọng với người dùng API. Việc kích hoạt thưa là lý do một mô hình 118 tỷ tham số có thể nằm ở mức giá sàn — chỉ khoảng 8 tỷ tham số làm việc mỗi token, nên lượng tính toán trên mỗi token gần với một mô hình dày đặc nhỏ hơn là gần với con số tham số. Và việc đan xen cửa sổ trượt là lý do cửa sổ dài thực sự dùng được chứ không chỉ nằm trên giấy. Bản phát hành của Poolside hỗ trợ 1.048.576 token; chúng tôi phục vụ 262.144, khớp với mọi mô hình khác trên gateway.
02Lưu ý duy nhất: không có đầu ra có cấu trúc
Laguna S 2.1 trên Shannon AI không nhận cả json_schema lẫn response_format. Đây là mô hình duy nhất trong danh sách mười hai mô hình của chúng tôi không hỗ trợ đầu ra có cấu trúc; gửi một trong hai tham số đó sẽ không cho bạn một phản hồi bị ràng buộc theo schema. Gọi tool hoạt động. Streaming hoạt động. Suy luận hoạt động. Chỉ thiếu duy nhất việc định hình đầu ra do máy chủ ép buộc.
Những gì vẫn hoạt động. Gọi tool được hỗ trợ đầy đủ, và tham số của lời gọi tool vẫn về dưới dạng một đối tượng JSON y hệt như trên bất kỳ mô hình nào khác ở đây. Nếu cái gọi là “đầu ra có cấu trúc” trong ứng dụng của bạn thực chất là tham số tool — đúng với phần lớn khung agent, máy chủ MCP và các lớp giao diện cơ sở dữ liệu — thì Laguna S 2.1 phục vụ bạn tốt. Streaming hoạt động trên cả ba phương ngữ; reasoning_effort hoạt động.
Những gì không. Bạn không thể đưa cho endpoint một JSON Schema rồi được bảo đảm rằng phần văn bản trả lời của trợ lý sẽ hợp lệ theo schema đó, và response_format: {"type": "json_object"} chẳng mua được gì cho bạn. Yêu cầu JSON trong prompt thì thường sẽ ra JSON — đây là một mô hình có năng lực — nhưng “thường” không phải một cam kết. Chính Poolside ghi nhận việc thoát ký tự JSON sai trong các lời gọi tool lồng sâu là một hạn chế đã biết, một lời nhắc rằng sự bảo đảm, ở những nơi khác trong danh sách của chúng tôi có nó, đến từ lớp phục vụ chứ không từ thiện chí của mô hình.
Nên dùng mô hình anh em nào thay thế
Nếu khối lượng công việc của bạn cần JSON được bảo đảm, đừng vật lộn với mô hình này — hãy đổi model id. Bốn mô hình anh em nằm ở đúng mức giá $0.50 / $2.00 với hỗ trợ đầy đủ json_schema và response_format:
| Model id | json_schema | Thị giác | Vì sao bạn chọn nó |
|---|---|---|---|
| MiMo-V2.5-Pro-W8A16 | Có | Không | Bản thay thế trực tiếp — trọng số 8-bit, bậc trung thực cao nhất, cùng giá |
| MiMo-V2.5-W8A16 | Có | Có | Y như trên, cộng thêm đầu vào ảnh |
| Hy3-W8A16 | Có | Không | Một mô hình văn bản 8-bit khác ở mức giá sàn |
| DeepSeek-V4-Flash-0731 | Có | Không | W4A16-AutoRound-REAP giống Laguna, nhưng còn nguyên hỗ trợ schema |
Lựa chọn mặc định tự nhiên là MiMo-V2.5-Pro (W8A16): chỉ văn bản, giá sàn, lượng tử hóa ở bậc nhẹ tay nhất chúng tôi chạy — chi tiết nằm trong thẻ mô hình MiMo-V2.5. Vì cả mười hai mô hình dùng chung endpoint, cửa sổ ngữ cảnh và trần đầu ra, việc chuyển đổi chỉ là thay đổi một dòng ở trường model.
03W4A16-AUTOROUND-REAP nghĩa là gì?
Hậu tố trên model id không phải trang trí — nó nói chính xác trọng số đã được nén ra sao trước khi nạp lên cụm GPU của chúng tôi. Ba phần.
W4A16 — trọng số 4-bit, kích hoạt 16-bit
Trọng số được lưu ở 4 bit; kích hoạt — những giá trị chảy giữa các lớp lúc suy diễn — giữ ở 16. Cắt trọng số xuống một phần tư dung lượng BF16 là thứ giúp một mô hình 118 tỷ tham số vừa vặn và giữ được tốc độ, trong khi giữ kích hoạt ở độ rộng lớn bảo vệ phần nhạy cảm về số học của lượt truyền xuôi. Nén cái lớn và tĩnh, để yên cái nhỏ và động.
AutoRound — làm tròn học được, không phải làm tròn gần nhất
Cách lượng tử hóa ngây thơ là làm tròn gần nhất: gắn mỗi trọng số vào giá trị 4-bit gần nhất, chấp nhận sai số. AutoRound, bộ công cụ lượng tử hóa sau huấn luyện mã nguồn mở của Intel, làm tốt hơn — phương pháp SignRound của nó dùng hạ gradient có dấu để tối ưu đồng thời các quyết định làm tròn và các khoảng cắt ngưỡng qua vài trăm bước, quyết định với từng trọng số xem làm tròn lên hay xuống thì ít gây hại hơn cho đầu ra thực tế của lớp. Nó mượn ý tưởng từ huấn luyện có nhận thức lượng tử hóa mà không phải chịu chi phí huấn luyện lại, và đó là lý do một bản dựng W4A16 có thể là một mô hình nghiêm túc chứ không phải một món đồ chơi mất mát dữ liệu.
REAP — cắt tỉa expert thay vì gộp chúng
REAP là Router-weighted Expert Activation Pruning, do Cerebras Research công bố. Trong một mô hình MoE, không phải expert nào cũng làm đúng phần việc của mình: router gửi ít token tới một số expert, và một số expert đóng góp độ lớn không đáng kể ngay cả khi chúng kích hoạt. REAP chấm điểm từng expert trên cả hai tín hiệu — giá trị cổng router và chuẩn kích hoạt của expert — rồi loại bỏ những expert ít nổi bật trong một lần duy nhất, trước khi lượng tử hóa. Điểm mấu chốt là nó cắt tỉa chứ không gộp: gộp gấp nhiều expert vào một, phá hủy khả năng điều khiển tinh vi phụ thuộc đầu vào của router và tạo ra một sàn sai số mà không cách tinh chỉnh nào gỡ được (các tác giả gọi đó là sụp đổ không gian con chức năng), trong khi cắt tỉa để nguyên những expert sống sót và để nguyên quyền điều khiển của router lên chúng. Cerebras báo cáo loại bỏ tới 50% số expert khỏi các mô hình nghìn tỷ tham số mà phần lớn vẫn duy trì được chất lượng gốc — trên một mô hình lập trình 480 tỷ tham số ở mức cắt tỉa 50%, giữ được 97.6% năng lực lập trình phi agent so với nền và 96.7% trên SWE-Bench dạng agent. Đó là các con số của Cerebras trên mô hình của họ, không phải phép đo trên bản dựng của chúng tôi, nhưng chúng là lý do chúng tôi chạy chồng công nghệ này trên một nền tảng có thế mạnh chính là mã nguồn.
Ghép lại, hậu tố đọc như một câu: cắt tỉa những expert gần như không được dùng, học cách làm tròn 4-bit thay vì đoán nó, giữ kích hoạt ở độ rộng đầy đủ.
04Mô hình này thực sự giỏi cái gì?
Trung thực trước đã: Laguna S 2.1 là một mô hình hội thoại chỉ xử lý văn bản — model id này không có đầu vào thị giác — và Poolside dựng nó cho lập trình kiểu agent và công việc tầm dài, không phải cho văn xuôi. Hậu huấn luyện chạy trên hơn 409.000 môi trường, gồm 83.000 tác vụ terminal và 168.000 tác vụ kỹ thuật phần mềm, với học tăng cường ở FP8. Kết quả Poolside báo cáo cho bản phát hành chưa lượng tử hóa:
| Benchmark | Có suy nghĩ | Không suy nghĩ | Nó đo cái gì |
|---|---|---|---|
| SWE-Bench Multilingual | 78.5% | — | Sửa lỗi thật trên nhiều ngôn ngữ |
| Terminal-Bench 2.1 | 70.2% | 60.4% | Công việc shell và công cụ nhiều bước |
| SWE-Bench Pro | 59.4% | — | Tác vụ kho mã khó hơn, kháng nhiễm dữ liệu |
| Toolathlon Verified | 49.7% | — | Độ rộng dùng tool trên nhiều API |
| SWE Atlas | 46.2% | — | Điều hướng kho mã tầm dài |
| DeepSWE v1.1 | 40.4% | 16.5% | Kỹ thuật phần mềm kiểu agent |
Khoảng cách giữa hai cột là con số đáng hành động nhất ở đây: trên DeepSWE, điểm số hơn gấp đôi khi bật suy luận, và trên Terminal-Bench nó tăng gần mười điểm.
Các con số do Poolside báo cáo cho bản phát hành Laguna S 2.1 chưa lượng tử hóa, tháng 7 năm 2026. Chúng không phải phép đo trên bản dựng W4A16-AutoRound-REAP của chúng tôi, và chúng tôi không công bố con số benchmark nào của riêng mình cho nó. Dùng reasoning_effort để điều khiển ngân sách suy nghĩ trên API của chúng tôi.
Với công việc hội thoại và sáng tạo, lập trường trung thực là thế này: những phẩm chất đứng sau các lượt chạy agent dài — giữ nhiều trạng thái một cách mạch lạc, bám đúng nhiệm vụ, không trôi dạt — cũng chính là những phẩm chất đứng sau việc dựng nhân vật dài hơi, và trên thực tế nó giữ giọng khá tốt xuyên suốt một cửa sổ rất dài. Không benchmark công bố nào nói vậy, và chúng tôi sẽ không bịa ra một cái. Hãy tự thử trên prompt của bạn; ở mức $0.50 mỗi triệu token đầu vào, việc đó gần như miễn phí.
05Mức giá sàn thực sự mua được gì?
$0.50 vào / $2.00 ra mỗi triệu token là bậc nhập môn trên Shannon AI Gateway, dùng chung với MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro và Hy3. Cụ thể:
| Khối lượng công việc | Đầu vào | Đầu ra | Chi phí |
|---|---|---|---|
| Một lượt chat với 100K lịch sử | 100,000 | 2,000 | $0.054 |
| Một chương 5.000 từ từ một bản tóm tắt dài | 30,000 | 7,000 | $0.029 |
| 1.000 lượt hội thoại ngắn | 4,000,000 | 500,000 | $3.00 |
| Đọc trọn một ngữ cảnh 262K token | 262,144 | 16,384 | $0.164 |
Dòng cuối là dòng cần khắc vào đầu: lấp đầy toàn bộ cửa sổ ngữ cảnh và sinh ra phản hồi tối đa 16.384 token tốn khoảng mười sáu xu. Nạp cả một bản thảo, một bản ghi phiên làm việc, hay một tập tài liệu vào một lệnh gọi thôi không còn là quyết định ngân sách mà trở thành quyết định về độ trễ. Cùng phép tính đó dẫn tới trường hợp dùng còn lại của mức giá sàn — khối lượng lớn: phân loại hàng loạt, viết lại số lượng lớn, hội thoại tổng hợp, bản nháp đầu tiên để một mô hình mạnh hơn tinh chỉnh sau. Xem trang bảng giá và chỉ mục nghiên cứu.
06“Không kiểm duyệt” ở đây nghĩa là gì
Nó đúng như tên gọi: không có lớp từ chối và không lọc nội dung trên đầu ra. Không bộ phân loại nào ngồi giữa mô hình và phản hồi của bạn để quyết định xem bạn có được phép hỏi hay không; mô hình trả lời đúng cái giọng bạn yêu cầu và không lên lớp bạn về tiền đề trước đã.
Với công việc sáng tạo, đó là khác biệt giữa một công cụ dùng được và một công cụ không dùng được. Hư cấu có những kẻ phản diện đe dọa, những nhân vật nói dối một cách thuyết phục, bạo lực có hậu quả, những người kể chuyện bị tha hóa về đạo đức — một mô hình phá vai để chèn thêm lời tuyên bố miễn trừ là đã thất bại ở nhiệm vụ, chứ không phải thành công ở việc an toàn. Điều tương tự đúng với nghiên cứu bảo mật, tài liệu red-team, soạn thảo y khoa và pháp lý, và dịch thuật khi bản gốc nói thẳng: những mảng mà một lời từ chối đơn giản là một câu trả lời sai. Điều đó không có nghĩa là phán đoán thôi thuộc về bạn — bạn vẫn chịu trách nhiệm về những gì mình sinh ra, theo Chính sách Sử dụng Có trách nhiệm của chúng tôi và theo luật áp dụng.
07Cách gọi API Laguna không kiểm duyệt
Ba phương ngữ, một mô hình: /v1/chat/completions (OpenAI), /v1/messages (Anthropic), /v1/responses. Streaming hoạt động trên cả ba, nên một tích hợp sẵn có chuyển sang chỉ bằng cách đổi base URL và model id — không đổi SDK, không viết lại phần xử lý tin nhắn.
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"
}
Vài ghi chú thực hành:
- Đừng gửi
response_formathayjson_schematới model id này — nếu thư viện client của bạn mặc định đặt một trong hai, hãy bỏ đi hoặc chuyển sang một mô hình anh em có hỗ trợ. - Tool vẫn đặt trong mảng
toolsnhư thường lệ — gọi tool được hỗ trợ đầy đủ; chỉ việc ép schema lên văn bản tự do là không. - Hãy tính ngân sách suy luận.
reasoning_effortđược tôn trọng — để thấp hoặc tắt sẽ giữ độ trễ hội thoại xuống thấp và token đầu ra rẻ; hãy nâng lên cho công việc tool nhiều bước, nơi khoảng cách benchmark ở trên cho thấy nó mua được gì. - Trần đầu ra là 16.384 token mỗi yêu cầu. Với việc sinh nội dung dài cỡ một cuốn sách, hãy chia theo chương và stream.
- Chỉ văn bản. Model id này không nhận đầu vào ảnh — hãy dùng MiMo-V2.5, Kimi-K2.6, Kimi-K3, MiniMax-M3 hoặc inkling nếu cần thị giác.
Tham chiếu tham số đầy đủ, xác thực, ngữ nghĩa lỗi và một playground trực tiếp: tài liệu API.
08Khi nào nên chọn nó, và khi nào thì không
Hãy chọn nó khi đầu ra của bạn là văn xuôi, hội thoại hoặc mã do con người đọc; bạn cần gọi tool nhưng không cần văn bản bị ràng buộc theo schema; chi phí trên mỗi token quan trọng hơn ngữ cảnh dài; hoặc bạn muốn một ý kiến thứ hai từ một phả hệ khác với các dòng DeepSeek, Kimi và MiMo vốn chiếm phần còn lại của danh sách.
Hãy chọn thứ khác khi bạn cần JSON được bảo đảm (MiMo-V2.5-Pro), cần hiểu hình ảnh (Kimi-K2.6 hoặc MiMo-V2.5), hoặc cần phần đỉnh của độ khó, nơi khoảng chênh giá là không đáng kể so với việc trả lời cho đúng (DeepSeek-V4-Pro, Kimi-K3).
json_schema lẫn response_format. Hãy đọc thẻ mô hình MiMo-V2.5, hoặc duyệt cả mười hai mô hình trong chỉ mục nghiên cứu.
Mọi tuyên bố về kiến trúc và benchmark ở đây đều đến từ nhà phát hành mô hình hoặc từ các tác giả của những phương pháp nén. Hãy tự kiểm tra chúng.
09Câu hỏi thường gặp
API Laguna không kiểm duyệt là gì?
Đó là Laguna S 2.1 trọng số mở của Poolside — 118 tỷ tham số, khoảng 8 tỷ kích hoạt mỗi token — phục vụ trên cụm GPU của riêng Shannon, không lớp từ chối và không lọc đầu ra. Model id là Laguna-S-2.1-W4A16-AUTOROUND-REAP, cửa sổ ngữ cảnh là 262.144 token, và giá là $0.50 mỗi triệu token đầu vào và $2.00 mỗi triệu token đầu ra.
Laguna S 2.1 trên Shannon AI có hỗ trợ json_schema hay response_format không?
Không. Nó là mô hình duy nhất trong danh sách của Shannon không nhận cả hai. Gọi tool và streaming hoạt động bình thường và tham số lời gọi tool vẫn về dưới dạng JSON, nhưng không có schema nào được máy chủ ép buộc lên phần văn bản đầu ra của trợ lý. Nếu cần JSON được bảo đảm ở cùng mức giá $0.50 / $2.00, hãy dùng MiMo-V2.5-Pro (W8A16).
W4A16-AUTOROUND-REAP nghĩa là gì?
W4A16 nghĩa là trọng số được lưu ở 4 bit trong khi kích hoạt giữ ở 16 bit. AutoRound là phương pháp lượng tử hóa sau huấn luyện của Intel, dùng hạ gradient có dấu để học các quyết định làm tròn và cắt ngưỡng thay vì làm tròn tới giá trị gần nhất. REAP là Router-weighted Expert Activation Pruning của Cerebras Research, loại bỏ những expert hiếm khi và yếu ớt được định tuyến tới khỏi một mô hình Mixture-of-Experts trước khi lượng tử hóa, thay vì gộp chúng lại.
Laguna S 2.1 có tốt cho viết sáng tạo và hội thoại không?
Đây là một mô hình hội thoại chỉ xử lý văn bản — không có đầu vào thị giác — và nó giữ được văn xuôi dài, mạch lạc, đúng giọng nhân vật xuyên suốt cửa sổ 262K mà không có lớp từ chối nào cản đường. Hồ sơ benchmark Poolside công bố nằm ở mảng lập trình cho agent, không phải văn xuôi, nên hãy tự kiểm tra chất lượng sáng tạo trên prompt của bạn thay vì tin vào một bảng xếp hạng.
API Laguna không kiểm duyệt có giá bao nhiêu?
$0.50 mỗi triệu token đầu vào và $2.00 mỗi triệu token đầu ra — mức giá sàn trên Shannon AI Gateway, dùng chung với MiniMax-M3, DeepSeek-V4-Flash, MiMo-V2.5, MiMo-V2.5-Pro và Hy3. Một cuộc hội thoại 100.000 token sinh ra 2.000 token trả lời tốn khoảng 5.4 xu.
Dùng thử API Laguna không kiểm duyệt
MoE 118 tỷ · ngữ cảnh 262K · tool và streaming · $0.50 / $2.00 mỗi 1M token.
Đọc tài liệu API Bắt đầu trò chuyệnKhông lớp từ chối · không lọc đầu ra · phán đoán của bạn, trách nhiệm của bạn
Nguồn: Poolside — thẻ mô hình Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. Các con số về kiến trúc và benchmark do nhà phát hành báo cáo cho bản chưa lượng tử hóa, không phải phép đo trên bản dựng chúng tôi phục vụ. Shannon AI được vận hành bởi Shannon Lab LLC, New Mexico, Hoa Kỳ.