无审查 Laguna API

大多数"便宜模型"页面要你为了一个低数字，接受一个又小又老的基座。这一篇不是。Laguna S 2.1 是当代的稀疏混合专家版本，在 4,096 张 H200 上训练、不到九周就交付，而它与我们提供的其他每一个入门档模型一样，处在 $0.50 / $2.00 的同一个地板价上。这笔取舍很窄，也很容易想清楚：你放弃服务端强制的结构化输出，其余一切照留。

01Laguna S 2.1 是什么？

Laguna S 2.1 是 Poolside 于 2026 年 7 月 21 日以宽松的 OpenMDW-1.1 许可证发布的开源权重模型 —— 它是 Laguna 家族中的中等尺寸成员，介于 Laguna XS 2.1（33B/激活 3B）与 Laguna M.1（225B/激活 23B）之间。

公开的架构是一个采用 softplus 门控的 token-choice 路由器，作用在 256 个路由专家加 1 个共享专家之上，每 token 选中十个，跨 48 层 —— 其中十二层全局注意力、三十六层窗口为 512 token 的滑动窗口注意力，这种交错让超长输入的注意力成本接近线性而不是平方。注意力为分组查询式，8 个键值头，头维度 128。

有两个后果对 API 使用者要紧。稀疏激活是一个 1180 亿参数的模型能坐在地板价上的原因 —— 每 token 只有约 80 亿参数在工作，所以每 token 的算力更接近一个小型稠密模型，而不是参数量所暗示的那样。而滑动窗口的交错，是这个长窗口真正可用、而非名义存在的原因。Poolside 的发布版支持 1,048,576 token；我们提供 262,144，与网关上其他每个模型一致。

02唯一的注意事项：没有结构化输出

仍然能用的部分。工具调用完全受支持，工具调用的参数依然会像这里任何其他模型一样，以 JSON 对象的形式返回。如果你的应用里所谓的"结构化输出"其实是工具参数 —— 大多数智能体框架、MCP 服务器和数据库前端都是如此 —— 那 Laguna S 2.1 完全够用。三种方言都支持流式；reasoning_effort 也能用。

不能用的部分。你无法把一个 JSON Schema 交给这个接口，并保证助手的文本回复能通过它的校验，而 response_format: {"type": "json_object"} 在这里什么也换不来。用提示词要求 JSON 通常会得到 JSON —— 这是一个称职的模型 —— 但"通常"不是契约。Poolside 自己就把深层嵌套工具调用中的 JSON 转义错误记录为已知限制，这提醒我们：我们阵容中其他地方存在的那份保证，来自服务层，而不是模型的良好意愿。

该改用哪个兄弟型号

如果你的任务需要有保证的 JSON，别跟这个模型较劲 —— 换掉模型 id 就是了。有四个兄弟型号处在完全相同的 $0.50 / $2.00 价位上，并完整支持 json_schema 与 response_format：

模型 id	json_schema	视觉	你为什么会选它
MiMo-V2.5-Pro-W8A16	支持	不支持	直接替换 —— 8 比特权重，最高保真档位，同样价格
MiMo-V2.5-W8A16	支持	支持	同上，另外还有图像输入
Hy3-W8A16	支持	不支持	地板价上的另一个 8 比特文本模型
DeepSeek-V4-Flash-0731	支持	不支持	与 Laguna 一样是 W4A16-AutoRound-REAP，但 schema 支持完好

自然的默认选择是 MiMo-V2.5-Pro（W8A16）：纯文本、地板价、量化档位是我们运行的最温和的一档 —— 详见 MiMo-V2.5 模型卡。因为全部十二个模型共享接口、上下文窗口和输出上限，切换只是改 model 字段的一行。

03W4A16-AUTOROUND-REAP 是什么意思？

模型 id 上的后缀不是装饰 —— 它精确说明了权重在被载入我们的 GPU 集群之前是怎么压缩的。三个部分。

W4A16 —— 4 比特权重，16 比特激活

权重以 4 比特存储；激活 —— 也就是推理时在层与层之间流动的数值 —— 保持 16 比特。把权重砍到 BF16 占用的四分之一，是一个 1180 亿参数模型能装下并保持快速的原因；而让激活保持宽位宽，则保护了前向传播中数值敏感的那部分。压缩又大又静态的，放过又小又动态的。

AutoRound —— 学出来的舍入，而不是就近舍入

朴素的量化方式是就近舍入：把每个权重贴到最近的 4 比特取值上，认了那个误差。Intel 的开源训练后量化工具包 AutoRound 做得更好 —— 它的 SignRound 方法用带符号梯度下降，在两百来步里联合优化舍入决策与截断范围，逐权重地判断向上还是向下舍入对该层的实际输出损害更小。它借来了量化感知训练的思路，却不必付重新训练的代价，这也是为什么一个 W4A16 构建可以是一个正经模型，而不是一个有损的猎奇品。

REAP —— 剪掉专家，而不是把它们合并

REAP 即 Router-weighted Expert Activation Pruning，由 Cerebras Research 发表。在一个 MoE 模型里，并非所有专家都对得起自己的位置：路由器只把很少的 token 送给某些专家，而某些专家真被激活时贡献的幅度也很小。REAP 同时按这两个信号 —— 路由器门控值与专家激活范数 —— 给每个专家打分，并在量化之前一次性移除显著性低的那些。关键在于它是剪枝而不是合并：合并会把若干专家折叠成一个，摧毁路由器那种细粒度、依输入而变的控制力，并引入一个再怎么调也去不掉的误差下界（作者称之为功能子空间塌陷），而剪枝则原封不动地留下幸存者以及路由器对它们的控制。Cerebras 报告，从万亿参数模型中移除最多 50% 的专家，基线质量基本得以维持 —— 在一个 4800 亿参数的编码模型上以 50% 剪枝率，保留了基线非智能体编码能力的 97.6%、智能体 SWE-Bench 上的 96.7%。那是 Cerebras 在他们自己模型上的数字，不是对我们这个构建的测量，但这也正是我们把这套栈跑在一个主要强项是代码的基座上的原因。

合起来，这个后缀读起来就是一句话：剪掉几乎没被用到的专家，把 4 比特的舍入学出来而不是猜出来，并让激活保持全宽。

04这个模型到底擅长什么？

先说实话：Laguna S 2.1 是一个纯文本的对话模型 —— 这个模型 id 上没有图像输入 —— 而且 Poolside 是为智能体编码和长程工作造的它，不是为散文。后训练跑遍了 409,000 个环境，其中包括 83,000 个终端任务和 168,000 个软件工程任务，强化学习以 FP8 进行。Poolside 为未量化版本报告的结果：

基准	开启思考	不思考	它测的是什么
SWE-Bench Multilingual	78.5%	—	跨多种语言的真实缺陷修复
Terminal-Bench 2.1	70.2%	60.4%	多步 shell 与工具链工作
SWE-Bench Pro	59.4%	—	更难、抗污染的仓库级任务
Toolathlon Verified	49.7%	—	跨众多 API 的工具使用广度
SWE Atlas	46.2%	—	长程仓库导航
DeepSWE v1.1	40.4%	16.5%	智能体软件工程

这里最可操作的数字是两列之间的落差：在 DeepSWE 上，开启推理后分数翻了一倍还多；在 Terminal-Bench 上则提升了将近十分。

以上为 Poolside 自报的、针对 2026 年 7 月未量化 Laguna S 2.1 版本的数字。它们不是对我们这个 W4A16-AutoRound-REAP 构建的测量，我们也不为它公布任何自己的基准数字。在我们的 API 上用 reasoning_effort 控制思考预算。

对于对话和创作类工作，诚实的立场是这样的：支撑长时间智能体运行的那些品质 —— 连贯地持有大量状态、不跑题、不漂移 —— 与支撑长篇角色写作的是同一批品质，实践中它在极长的窗口上把声音把握得很好。没有任何已发表的基准这么说，我们也不会编一个出来。请用你自己的提示词去测；在每 100 万输入 token $0.50 的价格下，那几乎是免费的。

05这个地板价究竟买到什么？

每 100 万 token 输入 $0.50 / 输出 $2.00 是 Shannon AI 网关的入门档，与 MiniMax-M3、DeepSeek-V4-Flash、MiMo-V2.5、MiMo-V2.5-Pro 和 Hy3 共享。具体来说：

任务	输入	输出	成本
带 10 万 token 历史的一轮对话	100,000	2,000	$0.054
从一份长纲要写出 5,000 词的一章	30,000	7,000	$0.029
1,000 轮简短对话	4,000,000	500,000	$3.00
一次读满 262K token 的上下文	262,144	16,384	$0.164

最后一行是要内化的那一行：把整个上下文窗口填满并生成顶格的 16,384 token 回复，大约花十六美分。把一整份手稿、会话记录或文档集塞进一次调用，不再是预算决策，而变成延迟决策。同一笔算术也推动着另一个地板价用例 —— 跑量：批量分类、批量改写、合成对话，以及交给更强模型后续打磨的初稿。见定价页与研究索引。

06这里的"无审查"是什么意思

字面意思：没有拒答层，输出上也没有内容过滤。模型与你的回复之间没有分类器在裁定你是否被允许这么问；模型会用你要求的语域作答，而不会先就前提给你上一课。

对创作工作而言，这就是可用工具与不可用工具的区别。小说里有威胁性的反派、有说谎说得很像的角色、有带后果的暴力、有道德上有污点的叙述者 —— 一个为了附上免责声明而出戏的模型是把任务做砸了，不是把安全做成了。安全研究、红队文档、医学与法律起草，以及原文本就直白的翻译，也是同理：在这些类别里，一次拒答就只是一个错误答案。它不意味着判断不再归你 —— 在我们的负责任使用政策与适用法律之下，你仍要为自己生成的内容负责。

07怎么调用无审查 Laguna API

三种方言，一个模型：/v1/chat/completions（OpenAI）、/v1/messages（Anthropic）、/v1/responses。三种都支持流式，所以现有集成只要改一个 base URL 和一个模型 id 就能迁过来 —— 不用换 SDK，也不用重写你的消息处理。

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"
}

几点实用说明：

• 不要向这个模型 id 发送 response_format 或 json_schema —— 如果你的客户端库默认设了其中之一，请取消它，或者换到一个支持它的兄弟型号。
• 工具照常放进 tools 数组 —— 工具调用完全受支持；不受支持的只有对自由文本的 schema 强制。
• 给推理做预算。reasoning_effort 是被遵守的 —— 调低或关掉能压住对话延迟、让输出 token 更便宜；做多步工具工作时把它调高，上面那张基准表已经显示了它能买到什么。
• 输出上限是每次请求 16,384 token。要生成书那么长的内容，就按章分块并流式输出。
• 仅限文本。这个模型 id 上没有图像输入 —— 需要视觉请用 MiMo-V2.5、Kimi-K2.6、Kimi-K3、MiniMax-M3 或 inkling。

完整参数参考、认证、错误语义和在线试验场：API 文档。

08什么时候选它，什么时候不选

在这些情况下选它：你的输出是给人读的散文、对话或代码；你需要工具调用但不需要受 schema 约束的文本；在长上下文上每 token 的成本占主导；或者你想从 DeepSeek、Kimi 和 MiMo 这三个填满其余阵容的家族之外，拿到一份来自别的谱系的第二意见。

在这些情况下选别的：你需要有保证的 JSON（MiMo-V2.5-Pro）、需要图像理解（Kimi-K2.6 或 MiMo-V2.5），或者你身处难度的前沿一端，在"把答案做对"面前价格差距无关紧要（DeepSeek-V4-Pro、Kimi-K3）。

09常见问题

---

来源：Poolside —— Laguna S 2.1 模型卡 · Laguna S 2.1 发布公告 · REAP the Experts（Cerebras Research） · Intel AutoRound。架构与基准数字由发布方针对未量化版本报告，不是对我们所提供构建的测量。Shannon AI 由美国新墨西哥州的 Shannon Lab LLC 运营。