Poolside Laguna S 2.1 er en mixture-of-experts-sprogmodel designet til agentbaseret kodning og langsigtet arbejde. Den har 118 milliarder parametre i alt og cirka 8 milliarder aktive pr. token, hvilket placerer den mellem den mindre Laguna XS 2.1 og den større Laguna M.1 i producentens serie. Modellen behandler tekst og producerer tekst, kode, ræsonnement og anmodninger om værktøjskald i en applikation med værktøjer.
Arkitekturen kombinerer global opmærksomhed og opmærksomhed i glidende vinduer på tværs af 48 lag: 12 globale lag og 36 lag med glidende vindue. Det glidende vindue på 512 tokens beskriver lokal opmærksomhed i disse lag, mens den dokumenterede modelkontekst er på 1.048.576 tokens. Det er forskellige mål. Den større kontekst understøtter opgaver, der opsamler kildefiler, observationer og beslutninger gennem mange trin. Hold arbejdsmålet og meningsfuld dokumentation samlet, og afsæt plads til efterfølgende ræsonnement og det endelige svar inden for den gældende konfiguration.
Modellens centrale formål er softwarearbejde, der kræver vedholdenhed, kontrol og revision. Ved en repositorieopgave skal du vedlægge den forventede adfærd, relevante filer som tekst, afhængighedsoplysninger og det faktiske fejlende output. Bed om et afgrænset resultat: “Spor årsagen til denne regression, foreslå en ændring, der bevarer den dokumenterede grænseflade, og identificér de kontroller, der kan skelne en rettelse fra en uvedkommende ændring.” I et værktøjsforbundet forløb skal du give modellen resultatet af hver udført kontrol, før den vælger næste trin.
Ved optimeringsarbejde skal du vedlægge målinger og et eksplicit mål. Et eksempel er: “Brug denne profil og allokeringsrapport til at identificere en flaskehals. Foreslå én ændring, forklar den forventede effekt, og sammenlign med udgangspunktet, når samme måling er gentaget.” Det gør en påstand om ydeevne kontrollerbar. Poolsides udgivelse fremhæver verifikation og fortsat fremdrift som vigtig adfærd, men en overbevisende forklaring dokumenterer ikke i sig selv, at en revision er hurtigere, korrekt eller fuldstændig. Bevar de observationer, der understøtter at beholde eller afvise ændringen.
Laguna S 2.1 understøtter indflettet tænkning før og mellem værktøjskald. Producenten anbefaler at bevare ræsonnementsindhold fra tidligere assistentbeskeder i den efterfølgende historik; udeladelse af disse blokke kan få ræsonnement til at stoppe i opfølgende trin. Hold assistentsvaret, oplysningerne om værktøjskaldet og det tilsvarende værktøjsresultat samlet. Det hjælper en længere opgave med at fortsætte fra sin faktiske tilstand frem for gentagne gange at rekonstruere, hvad der allerede er forsøgt.
De dokumenterede valg for tænkning er off og max, med max aktiveret som standard i producentens beskrevne opsætning. Modellen bestemmer sit tænkebudget i denne tilstand; udgivelsen præsenterer ikke særskilte niveauindstillinger for low, medium og high. Til agentbaseret kodning anbefaler Poolside at aktivere tænkning og bevare den mellem trinnene. Angiv slutresultatet og afslutningskriterierne eksplicit, og skeln mellem et langt ræsonnementsforløb og det fuldførte resultat. Producenten identificerer overtænkning, især i konkurrencematematik, som en væsentlig begrænsning.
Værktøjsdefinitioner kræver særlig omhu. Poolside rapporterer, at S 2.1 i begyndelsen kan støtte sig til en velkendt værktøjsgrænseflade frem for nøje at følge et lignende, men anderledes skema. Den kan også producere fejlformet eller forkert escapet JSON, når et værktøjsargument indeholder et indlejret array. Angiv de faktiske argumentdefinitioner, validér foreslåede kald, og returnér en præcis fejl, når kaldet ikke stemmer overens. Producenten beskriver korrektion gennem feedback i konteksten som en måde at løse nogle af disse uoverensstemmelser på. Hold den resulterende værktøjsobservation tilgængelig for næste beslutning.
Producenten udgiver særskilte BF16- og kvantiserede varianter og en valgfri DFlash-kladdemodel. Det er forskellige artefakter og driftsopskrifter, så et kvantiseret checkpoints hukommelsesforbrug eller ydeevne ved spekulativ afkodning bør ikke antages ud fra det generelle modelnavn. Ved almindeligt tekstarbejde skal du forberede kildekode, kommandooutput og dokumentuddrag som læselig tekst. Udgivelsen bemærker, at modellen mangler synsevne; et skærmbillede kræver en tekstlig observation eller et passende eksternt undersøgelsestrin, før det kan understøtte analysen.
Bed om et slutprodukt, der identificerer det ændrede artefakt, de vigtige beslutninger, de observerede kontroller og eventuelle uafklarede forhold. Ved et kodereview skal du knytte fund til den relevante kilde og vise, hvorfor hvert problem påvirker adfærden. Ved en reparation skal du skelne mellem en foreslået rettelse og en rettelse, hvis adfærd faktisk er kontrolleret. Bevaret ræsonnement og værktøjshistorik hjælper modellen gennem opgaven, mens slutresultatet og de registrerede udfald fastslår, hvad der er opnået.
", "aboutText": "Poolside Laguna S 2.1 er en mixture-of-experts-sprogmodel designet til agentbaseret kodning og langsigtet arbejde. Den har 118 milliarder parametre i alt og cirka 8 milliarder aktive pr. token, hvilket placerer den mellem den mindre Laguna XS 2.1 og den større Laguna M.1 i producentens serie. Modellen behandler tekst og producerer tekst, kode, ræsonnement og anmodninger om værktøjskald i en applikation med værktøjer.\n\nArkitekturen kombinerer global opmærksomhed og opmærksomhed i glidende vinduer på tværs af 48 lag: 12 globale lag og 36 lag med glidende vindue. Det glidende vindue på 512 tokens beskriver lokal opmærksomhed i disse lag, mens den dokumenterede modelkontekst er på 1.048.576 tokens. Det er forskellige mål. Den større kontekst understøtter opgaver, der opsamler kildefiler, observationer og beslutninger gennem mange trin. Hold arbejdsmålet og meningsfuld dokumentation samlet, og afsæt plads til efterfølgende ræsonnement og det endelige svar inden for den gældende konfiguration.\n\nModellens centrale formål er softwarearbejde, der kræver vedholdenhed, kontrol og revision. Ved en repositorieopgave skal du vedlægge den forventede adfærd, relevante filer som tekst, afhængighedsoplysninger og det faktiske fejlende output. Bed om et afgrænset resultat: “Spor årsagen til denne regression, foreslå en ændring, der bevarer den dokumenterede grænseflade, og identificér de kontroller, der kan skelne en rettelse fra en uvedkommende ændring.” I et værktøjsforbundet forløb skal du give modellen resultatet af hver udført kontrol, før den vælger næste trin.\n\nVed optimeringsarbejde skal du vedlægge målinger og et eksplicit mål. Et eksempel er: “Brug denne profil og allokeringsrapport til at identificere en flaskehals. Foreslå én ændring, forklar den forventede effekt, og sammenlign med udgangspunktet, når samme måling er gentaget.” Det gør en påstand om ydeevne kontrollerbar. Poolsides udgivelse fremhæver verifikation og fortsat fremdrift som vigtig adfærd, men en overbevisende forklaring dokumenterer ikke i sig selv, at en revision er hurtigere, korrekt eller fuldstændig. Bevar de observationer, der understøtter at beholde eller afvise ændringen.\n\nLaguna S 2.1 understøtter indflettet tænkning før og mellem værktøjskald. Producenten anbefaler at bevare ræsonnementsindhold fra tidligere assistentbeskeder i den efterfølgende historik; udeladelse af disse blokke kan få ræsonnement til at stoppe i opfølgende trin. Hold assistentsvaret, oplysningerne om værktøjskaldet og det tilsvarende værktøjsresultat samlet. Det hjælper en længere opgave med at fortsætte fra sin faktiske tilstand frem for gentagne gange at rekonstruere, hvad der allerede er forsøgt.\n\nDe dokumenterede valg for tænkning er off og max, med max aktiveret som standard i producentens beskrevne opsætning. Modellen bestemmer sit tænkebudget i denne tilstand; udgivelsen præsenterer ikke særskilte niveauindstillinger for low, medium og high. Til agentbaseret kodning anbefaler Poolside at aktivere tænkning og bevare den mellem trinnene. Angiv slutresultatet og afslutningskriterierne eksplicit, og skeln mellem et langt ræsonnementsforløb og det fuldførte resultat. Producenten identificerer overtænkning, især i konkurrencematematik, som en væsentlig begrænsning.\n\nVærktøjsdefinitioner kræver særlig omhu. Poolside rapporterer, at S 2.1 i begyndelsen kan støtte sig til en velkendt værktøjsgrænseflade frem for nøje at følge et lignende, men anderledes skema. Den kan også producere fejlformet eller forkert escapet JSON, når et værktøjsargument indeholder et indlejret array. Angiv de faktiske argumentdefinitioner, validér foreslåede kald, og returnér en præcis fejl, når kaldet ikke stemmer overens. Producenten beskriver korrektion gennem feedback i konteksten som en måde at løse nogle af disse uoverensstemmelser på. Hold den resulterende værktøjsobservation tilgængelig for næste beslutning.\n\nProducenten udgiver særskilte BF16- og kvantiserede varianter og en valgfri DFlash-kladdemodel. Det er forskellige artefakter og driftsopskrifter, så et kvantiseret checkpoints hukommelsesforbrug eller ydeevne ved spekulativ afkodning bør ikke antages ud fra det generelle modelnavn. Ved almindeligt tekstarbejde skal du forberede kildekode, kommandooutput og dokumentuddrag som læselig tekst. Udgivelsen bemærker, at modellen mangler synsevne; et skærmbillede kræver en tekstlig observation eller et passende eksternt undersøgelsestrin, før det kan understøtte analysen.\n\nBed om et slutprodukt, der identificerer det ændrede artefakt, de vigtige beslutninger, de observerede kontroller og eventuelle uafklarede forhold. Ved et kodereview skal du knytte fund til den relevante kilde og vise, hvorfor hvert problem påvirker adfærden. Ved en reparation skal du skelne mellem en foreslået rettelse og en rettelse, hvis adfærd faktisk er kontrolleret. Bevaret ræsonnement og værktøjshistorik hjælper modellen gennem opgaven, mens slutresultatet og de registrerede udfald fastslår, hvad der er opnået.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Propose a measured loop optimization\n\nReview this Python loop: totals = {}\nfor row in rows:\n totals[row["id"]] = sum(x["amount"] for x in rows if x["id"] == row["id"])\n It repeatedly rescans rows. Propose a single-pass replacement preserving per-ID totals. Give a duplicate-ID example and explain how to compare results and timing on the same input without claiming a speed measurement.A single-pass aggregation patch, correctness example and a baseline comparison procedure.Check repeated IDs accumulate all amounts and the proposal contains no fabricated timing improvement.poolside/laguna-s-2.1Poolside Laguna S 2.1 er en tekstmodel til agentbaseret kodning og langsigtet arbejde med 118 milliarder parametre i alt og cirka 8 milliarder aktive parametre. Den kombinerer en modelkontekst på 1.048.576 tokens med indbygget værktøjsbrug og indflettet ræsonnement; bevaret tidligere tænkning hjælper den med at fortsætte effektivt på tværs af værktøjskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Poolside Laguna S 2.1 er en mixture-of-experts-sprogmodel designet til agentbaseret kodning og langsigtet arbejde. Den har 118 milliarder parametre i alt og cirka 8 milliarder aktive pr. token, hvilket placerer den mellem den mindre Laguna XS 2.1 og den større Laguna M.1 i producentens serie. Modellen behandler tekst og producerer tekst, kode, ræsonnement og anmodninger om værktøjskald i en applikation med værktøjer.
Arkitekturen kombinerer global opmærksomhed og opmærksomhed i glidende vinduer på tværs af 48 lag: 12 globale lag og 36 lag med glidende vindue. Det glidende vindue på 512 tokens beskriver lokal opmærksomhed i disse lag, mens den dokumenterede modelkontekst er på 1.048.576 tokens. Det er forskellige mål. Den større kontekst understøtter opgaver, der opsamler kildefiler, observationer og beslutninger gennem mange trin. Hold arbejdsmålet og meningsfuld dokumentation samlet, og afsæt plads til efterfølgende ræsonnement og det endelige svar inden for den gældende konfiguration.
Modellens centrale formål er softwarearbejde, der kræver vedholdenhed, kontrol og revision. Ved en repositorieopgave skal du vedlægge den forventede adfærd, relevante filer som tekst, afhængighedsoplysninger og det faktiske fejlende output. Bed om et afgrænset resultat: “Spor årsagen til denne regression, foreslå en ændring, der bevarer den dokumenterede grænseflade, og identificér de kontroller, der kan skelne en rettelse fra en uvedkommende ændring.” I et værktøjsforbundet forløb skal du give modellen resultatet af hver udført kontrol, før den vælger næste trin.
Ved optimeringsarbejde skal du vedlægge målinger og et eksplicit mål. Et eksempel er: “Brug denne profil og allokeringsrapport til at identificere en flaskehals. Foreslå én ændring, forklar den forventede effekt, og sammenlign med udgangspunktet, når samme måling er gentaget.” Det gør en påstand om ydeevne kontrollerbar. Poolsides udgivelse fremhæver verifikation og fortsat fremdrift som vigtig adfærd, men en overbevisende forklaring dokumenterer ikke i sig selv, at en revision er hurtigere, korrekt eller fuldstændig. Bevar de observationer, der understøtter at beholde eller afvise ændringen.
Laguna S 2.1 understøtter indflettet tænkning før og mellem værktøjskald. Producenten anbefaler at bevare ræsonnementsindhold fra tidligere assistentbeskeder i den efterfølgende historik; udeladelse af disse blokke kan få ræsonnement til at stoppe i opfølgende trin. Hold assistentsvaret, oplysningerne om værktøjskaldet og det tilsvarende værktøjsresultat samlet. Det hjælper en længere opgave med at fortsætte fra sin faktiske tilstand frem for gentagne gange at rekonstruere, hvad der allerede er forsøgt.
De dokumenterede valg for tænkning er off og max, med max aktiveret som standard i producentens beskrevne opsætning. Modellen bestemmer sit tænkebudget i denne tilstand; udgivelsen præsenterer ikke særskilte niveauindstillinger for low, medium og high. Til agentbaseret kodning anbefaler Poolside at aktivere tænkning og bevare den mellem trinnene. Angiv slutresultatet og afslutningskriterierne eksplicit, og skeln mellem et langt ræsonnementsforløb og det fuldførte resultat. Producenten identificerer overtænkning, især i konkurrencematematik, som en væsentlig begrænsning.
Værktøjsdefinitioner kræver særlig omhu. Poolside rapporterer, at S 2.1 i begyndelsen kan støtte sig til en velkendt værktøjsgrænseflade frem for nøje at følge et lignende, men anderledes skema. Den kan også producere fejlformet eller forkert escapet JSON, når et værktøjsargument indeholder et indlejret array. Angiv de faktiske argumentdefinitioner, validér foreslåede kald, og returnér en præcis fejl, når kaldet ikke stemmer overens. Producenten beskriver korrektion gennem feedback i konteksten som en måde at løse nogle af disse uoverensstemmelser på. Hold den resulterende værktøjsobservation tilgængelig for næste beslutning.
Producenten udgiver særskilte BF16- og kvantiserede varianter og en valgfri DFlash-kladdemodel. Det er forskellige artefakter og driftsopskrifter, så et kvantiseret checkpoints hukommelsesforbrug eller ydeevne ved spekulativ afkodning bør ikke antages ud fra det generelle modelnavn. Ved almindeligt tekstarbejde skal du forberede kildekode, kommandooutput og dokumentuddrag som læselig tekst. Udgivelsen bemærker, at modellen mangler synsevne; et skærmbillede kræver en tekstlig observation eller et passende eksternt undersøgelsestrin, før det kan understøtte analysen.
Bed om et slutprodukt, der identificerer det ændrede artefakt, de vigtige beslutninger, de observerede kontroller og eventuelle uafklarede forhold. Ved et kodereview skal du knytte fund til den relevante kilde og vise, hvorfor hvert problem påvirker adfærden. Ved en reparation skal du skelne mellem en foreslået rettelse og en rettelse, hvis adfærd faktisk er kontrolleret. Bevaret ræsonnement og værktøjshistorik hjælper modellen gennem opgaven, mens slutresultatet og de registrerede udfald fastslår, hvad der er opnået.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser poolside/laguna-s-2.1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "poolside/laguna-s-2.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='poolside/laguna-s-2.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='poolside/laguna-s-2.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra poolside/laguna-s-2.1
Brug metodestierne vist ovenfor.
poolside/laguna-s-2.1Poolside Laguna S 2.1 er en tekstmodel til agentbaseret kodning og langsigtet arbejde med 118 milliarder parametre i alt og cirka 8 milliarder aktive parametre. Den kombinerer en modelkontekst på 1.048.576 tokens med indbygget værktøjsbrug og indflettet ræsonnement; bevaret tidligere tænkning hjælper den med at fortsætte effektivt på tværs af værktøjskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Poolside Laguna S 2.1 er en mixture-of-experts-sprogmodel designet til agentbaseret kodning og langsigtet arbejde. Den har 118 milliarder parametre i alt og cirka 8 milliarder aktive pr. token, hvilket placerer den mellem den mindre Laguna XS 2.1 og den større Laguna M.1 i producentens serie. Modellen behandler tekst og producerer tekst, kode, ræsonnement og anmodninger om værktøjskald i en applikation med værktøjer.
Arkitekturen kombinerer global opmærksomhed og opmærksomhed i glidende vinduer på tværs af 48 lag: 12 globale lag og 36 lag med glidende vindue. Det glidende vindue på 512 tokens beskriver lokal opmærksomhed i disse lag, mens den dokumenterede modelkontekst er på 1.048.576 tokens. Det er forskellige mål. Den større kontekst understøtter opgaver, der opsamler kildefiler, observationer og beslutninger gennem mange trin. Hold arbejdsmålet og meningsfuld dokumentation samlet, og afsæt plads til efterfølgende ræsonnement og det endelige svar inden for den gældende konfiguration.
Modellens centrale formål er softwarearbejde, der kræver vedholdenhed, kontrol og revision. Ved en repositorieopgave skal du vedlægge den forventede adfærd, relevante filer som tekst, afhængighedsoplysninger og det faktiske fejlende output. Bed om et afgrænset resultat: “Spor årsagen til denne regression, foreslå en ændring, der bevarer den dokumenterede grænseflade, og identificér de kontroller, der kan skelne en rettelse fra en uvedkommende ændring.” I et værktøjsforbundet forløb skal du give modellen resultatet af hver udført kontrol, før den vælger næste trin.
Ved optimeringsarbejde skal du vedlægge målinger og et eksplicit mål. Et eksempel er: “Brug denne profil og allokeringsrapport til at identificere en flaskehals. Foreslå én ændring, forklar den forventede effekt, og sammenlign med udgangspunktet, når samme måling er gentaget.” Det gør en påstand om ydeevne kontrollerbar. Poolsides udgivelse fremhæver verifikation og fortsat fremdrift som vigtig adfærd, men en overbevisende forklaring dokumenterer ikke i sig selv, at en revision er hurtigere, korrekt eller fuldstændig. Bevar de observationer, der understøtter at beholde eller afvise ændringen.
Laguna S 2.1 understøtter indflettet tænkning før og mellem værktøjskald. Producenten anbefaler at bevare ræsonnementsindhold fra tidligere assistentbeskeder i den efterfølgende historik; udeladelse af disse blokke kan få ræsonnement til at stoppe i opfølgende trin. Hold assistentsvaret, oplysningerne om værktøjskaldet og det tilsvarende værktøjsresultat samlet. Det hjælper en længere opgave med at fortsætte fra sin faktiske tilstand frem for gentagne gange at rekonstruere, hvad der allerede er forsøgt.
De dokumenterede valg for tænkning er off og max, med max aktiveret som standard i producentens beskrevne opsætning. Modellen bestemmer sit tænkebudget i denne tilstand; udgivelsen præsenterer ikke særskilte niveauindstillinger for low, medium og high. Til agentbaseret kodning anbefaler Poolside at aktivere tænkning og bevare den mellem trinnene. Angiv slutresultatet og afslutningskriterierne eksplicit, og skeln mellem et langt ræsonnementsforløb og det fuldførte resultat. Producenten identificerer overtænkning, især i konkurrencematematik, som en væsentlig begrænsning.
Værktøjsdefinitioner kræver særlig omhu. Poolside rapporterer, at S 2.1 i begyndelsen kan støtte sig til en velkendt værktøjsgrænseflade frem for nøje at følge et lignende, men anderledes skema. Den kan også producere fejlformet eller forkert escapet JSON, når et værktøjsargument indeholder et indlejret array. Angiv de faktiske argumentdefinitioner, validér foreslåede kald, og returnér en præcis fejl, når kaldet ikke stemmer overens. Producenten beskriver korrektion gennem feedback i konteksten som en måde at løse nogle af disse uoverensstemmelser på. Hold den resulterende værktøjsobservation tilgængelig for næste beslutning.
Producenten udgiver særskilte BF16- og kvantiserede varianter og en valgfri DFlash-kladdemodel. Det er forskellige artefakter og driftsopskrifter, så et kvantiseret checkpoints hukommelsesforbrug eller ydeevne ved spekulativ afkodning bør ikke antages ud fra det generelle modelnavn. Ved almindeligt tekstarbejde skal du forberede kildekode, kommandooutput og dokumentuddrag som læselig tekst. Udgivelsen bemærker, at modellen mangler synsevne; et skærmbillede kræver en tekstlig observation eller et passende eksternt undersøgelsestrin, før det kan understøtte analysen.
Bed om et slutprodukt, der identificerer det ændrede artefakt, de vigtige beslutninger, de observerede kontroller og eventuelle uafklarede forhold. Ved et kodereview skal du knytte fund til den relevante kilde og vise, hvorfor hvert problem påvirker adfærden. Ved en reparation skal du skelne mellem en foreslået rettelse og en rettelse, hvis adfærd faktisk er kontrolleret. Bevaret ræsonnement og værktøjshistorik hjælper modellen gennem opgaven, mens slutresultatet og de registrerede udfald fastslår, hvad der er opnået.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser poolside/laguna-s-2.1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'poolside/laguna-s-2.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'poolside/laguna-s-2.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra poolside/laguna-s-2.1
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Propose a measured loop optimization\n\nReview this Python loop: totals = {}\nfor row in rows:\n totals[row["id"]] = sum(x["amount"] for x in rows if x["id"] == row["id"])\n It repeatedly rescans rows. Propose a single-pass replacement preserving per-ID totals. Give a duplicate-ID example and explain how to compare results and timing on the same input without claiming a speed measurement.A single-pass aggregation patch, correctness example and a baseline comparison procedure.Check repeated IDs accumulate all amounts and the proposal contains no fabricated timing improvement.