Poolside Laguna XS 2.1 er en mixture-of-experts-sprogmodel til agentbaseret kodning og langsigtet arbejde, placeret som den mindre model til lokal drift i Laguna-serien. Den har 33 milliarder parametre i alt og 3 milliarder aktive pr. token. Det er en opdateret model i forhold til Laguna XS.2, som bevarer denne models arkitektur og forbedrer producentens rapporterede resultater for softwareudvikling og terminalopgaver. Modellen modtager tekst og genererer tekst, kode, ræsonnement og anmodninger om værktøjskald.
Designet med 40 lag kombinerer 10 lag med global opmærksomhed og 30 lag med glidende vindue samt sigmoid-gating og et glidende vindue på 512 tokens. Dette lokale opmærksomhedsvindue er adskilt fra modellens kontekst på 262.144 tokens. Poolside beskriver også et FP8 KV-cache-design, der reducerer hukommelsesforbruget pr. token. Disse funktioner er med til at forklare modellens fokus på lokal drift, men det præcise hukommelseskrav afhænger stadig af checkpoint, kvantisering, arbejdskontekst og driftskonfiguration.
Ved en kodeopgave skal du vedlægge de relevante kildefiler som tekst, den forventede adfærd og den faktiske fejl eller det fejlende output. En nyttig anmodning er: “Ret denne parsers håndtering af escapede afgrænsere, mens det offentliggjorte inputformat bevares. Vis den foreslåede ændring, forklar hvilke tilfælde der påvirkes, og identificér eksempler, der vil afsløre en regression.” Bevar et konkret slutprodukt og en afslutningsbetingelse, så modellen kan arbejde mod et resultat frem for blot at diskutere problemet.
Ved terminalopgaver skal du angive det aktuelle miljø, relevant kommandooutput og begrænsningerne for arbejdet. I en applikation med værktøjer foreslår modellen et funktionskald, applikationen udfører det, og resultatet returneres til næste beslutning. Bed den forklare, hvad en fejl afslører, før den foreslår en ny kommando. Vedlæg eksempelvis afhængighedsmanifestet og outputtet fra den mislykkede installation, og bed derefter om den mindste kildeunderbyggede rettelse og det forventede resultat af næste kontrol. Bevar tidligere vellykkede trin og det uafklarede problem i historikken.
Laguna XS 2.1 er designet til indflettet tænkning før og mellem værktøjskald. Producenten anbefaler at bevare ræsonnementsindhold fra tidligere assistentbeskeder, når næste forespørgsel rekonstrueres. Hvis indholdet udelades, kan det hindre yderligere ræsonnement i opfølgende trin. Hold assistentens svar, oplysningerne om værktøjskaldet og det tilsvarende værktøjsresultat samlet med det fortsatte mål synligt. Det er særligt nyttigt, når flere observationer bidrager til en rettelse, og et senere trin afhænger af en tidligere beslutning.
Tænkning kan aktiveres eller deaktiveres gennem chatskabelonen. Poolside anbefaler at aktivere den til agentbaseret kodning og bevare den på tværs af samtaleture. En anmodning om et direkte svar kan passe til en lille omformning eller forklaring, mens en reparation med flere afhængige betingelser har gavn af en fortsat løkke med ræsonnement og observation. Angiv det endelige outputformat, og giv plads til det endelige svar. Producentens evalueringsindstillinger er valg i en opskrift og ikke en universel garanti for mængden af ræsonnement eller den maksimale svarlængde.
Ved langt kildeinput skal du organisere filer og dokumentation med tydelige grænser og stabile navne. Bed om at spore en bestemt relation, eksempelvis hvilke kaldende komponenter der afhænger af en ændret grænseflade, hvilke betingelser der adskiller to implementeringer, eller hvorfor et testresultat modsiger den foreslåede diagnose. Bevar de vigtige beslutninger og faktiske kontroller i en kompakt opgaveoversigt, og fjern irrelevant historik. Kontekstgrænsen dækker arbejdsmaterialet og den genererede fortsættelse; et endeligt svar på størrelse med hele konteksten er ikke en særskilt lovet kapacitet.
Poolside udgiver BF16 og særskilte FP8-, NVFP4-, INT4- og GGUF-varianter samt DFlash-artefakter til kladdemodeller. Det er forskellige driftsvalg. Et lille antal aktive parametre betyder ikke, at de samlede modelvægte kun optager den tilsvarende mængde hukommelse, og en kladdemodel er en accelererende ledsager frem for selve kodemodellen. Bevar det præcise checkpoint ved sammenligning af lokale resultater, og forbered kode eller dokumentindhold som tekst til denne tekst-til-tekst-model.
Producenten dokumenterer et problem med værktøjsparseren i ældre driftsbuilds, som kan tabe visse kald og vise deres rå markup som almindelig svartekst. Det viser, hvorfor en arbejdsgang med værktøjer skal skelne mellem modellens tilsigtede anmodning og et korrekt parset funktionskald. Undersøg det parsede navn og argumenterne, validér dem mod det faktiske skema, og bevar udførelsesresultatet. En afsluttende rapport bør identificere det reviderede artefakt, de observerede kontroller og de resterende antagelser. En foreslået rettelse eller kommando bliver først et fuldført resultat, når dens adfærd er fastslået gennem disse registreringer.
", "aboutText": "Poolside Laguna XS 2.1 er en mixture-of-experts-sprogmodel til agentbaseret kodning og langsigtet arbejde, placeret som den mindre model til lokal drift i Laguna-serien. Den har 33 milliarder parametre i alt og 3 milliarder aktive pr. token. Det er en opdateret model i forhold til Laguna XS.2, som bevarer denne models arkitektur og forbedrer producentens rapporterede resultater for softwareudvikling og terminalopgaver. Modellen modtager tekst og genererer tekst, kode, ræsonnement og anmodninger om værktøjskald.\n\nDesignet med 40 lag kombinerer 10 lag med global opmærksomhed og 30 lag med glidende vindue samt sigmoid-gating og et glidende vindue på 512 tokens. Dette lokale opmærksomhedsvindue er adskilt fra modellens kontekst på 262.144 tokens. Poolside beskriver også et FP8 KV-cache-design, der reducerer hukommelsesforbruget pr. token. Disse funktioner er med til at forklare modellens fokus på lokal drift, men det præcise hukommelseskrav afhænger stadig af checkpoint, kvantisering, arbejdskontekst og driftskonfiguration.\n\nVed en kodeopgave skal du vedlægge de relevante kildefiler som tekst, den forventede adfærd og den faktiske fejl eller det fejlende output. En nyttig anmodning er: “Ret denne parsers håndtering af escapede afgrænsere, mens det offentliggjorte inputformat bevares. Vis den foreslåede ændring, forklar hvilke tilfælde der påvirkes, og identificér eksempler, der vil afsløre en regression.” Bevar et konkret slutprodukt og en afslutningsbetingelse, så modellen kan arbejde mod et resultat frem for blot at diskutere problemet.\n\nVed terminalopgaver skal du angive det aktuelle miljø, relevant kommandooutput og begrænsningerne for arbejdet. I en applikation med værktøjer foreslår modellen et funktionskald, applikationen udfører det, og resultatet returneres til næste beslutning. Bed den forklare, hvad en fejl afslører, før den foreslår en ny kommando. Vedlæg eksempelvis afhængighedsmanifestet og outputtet fra den mislykkede installation, og bed derefter om den mindste kildeunderbyggede rettelse og det forventede resultat af næste kontrol. Bevar tidligere vellykkede trin og det uafklarede problem i historikken.\n\nLaguna XS 2.1 er designet til indflettet tænkning før og mellem værktøjskald. Producenten anbefaler at bevare ræsonnementsindhold fra tidligere assistentbeskeder, når næste forespørgsel rekonstrueres. Hvis indholdet udelades, kan det hindre yderligere ræsonnement i opfølgende trin. Hold assistentens svar, oplysningerne om værktøjskaldet og det tilsvarende værktøjsresultat samlet med det fortsatte mål synligt. Det er særligt nyttigt, når flere observationer bidrager til en rettelse, og et senere trin afhænger af en tidligere beslutning.\n\nTænkning kan aktiveres eller deaktiveres gennem chatskabelonen. Poolside anbefaler at aktivere den til agentbaseret kodning og bevare den på tværs af samtaleture. En anmodning om et direkte svar kan passe til en lille omformning eller forklaring, mens en reparation med flere afhængige betingelser har gavn af en fortsat løkke med ræsonnement og observation. Angiv det endelige outputformat, og giv plads til det endelige svar. Producentens evalueringsindstillinger er valg i en opskrift og ikke en universel garanti for mængden af ræsonnement eller den maksimale svarlængde.\n\nVed langt kildeinput skal du organisere filer og dokumentation med tydelige grænser og stabile navne. Bed om at spore en bestemt relation, eksempelvis hvilke kaldende komponenter der afhænger af en ændret grænseflade, hvilke betingelser der adskiller to implementeringer, eller hvorfor et testresultat modsiger den foreslåede diagnose. Bevar de vigtige beslutninger og faktiske kontroller i en kompakt opgaveoversigt, og fjern irrelevant historik. Kontekstgrænsen dækker arbejdsmaterialet og den genererede fortsættelse; et endeligt svar på størrelse med hele konteksten er ikke en særskilt lovet kapacitet.\n\nPoolside udgiver BF16 og særskilte FP8-, NVFP4-, INT4- og GGUF-varianter samt DFlash-artefakter til kladdemodeller. Det er forskellige driftsvalg. Et lille antal aktive parametre betyder ikke, at de samlede modelvægte kun optager den tilsvarende mængde hukommelse, og en kladdemodel er en accelererende ledsager frem for selve kodemodellen. Bevar det præcise checkpoint ved sammenligning af lokale resultater, og forbered kode eller dokumentindhold som tekst til denne tekst-til-tekst-model.\n\nProducenten dokumenterer et problem med værktøjsparseren i ældre driftsbuilds, som kan tabe visse kald og vise deres rå markup som almindelig svartekst. Det viser, hvorfor en arbejdsgang med værktøjer skal skelne mellem modellens tilsigtede anmodning og et korrekt parset funktionskald. Undersøg det parsede navn og argumenterne, validér dem mod det faktiske skema, og bevar udførelsesresultatet. En afsluttende rapport bør identificere det reviderede artefakt, de observerede kontroller og de resterende antagelser. En foreslået rettelse eller kommando bliver først et fuldført resultat, når dens adfærd er fastslået gennem disse registreringer.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e3f58c297b201c6cca34f87b5648bd7406dcf0c3d1b2795ebdbd1de7c816516d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "poolside/laguna-xs-2.1:freePoolside Laguna XS 2.1 er en tekstmodel med 33 milliarder parametre i alt og 3 milliarder aktive til agentbaseret kodning og langsigtet arbejde. Den har en kontekst på 262.144 tokens og indbygget ræsonnement mellem værktøjskald. Det mindre MoE-design og særskilte kvantiserede udgaver understøtter lokal drift med konfigurationsafhængige ressourcebehov.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Poolside Laguna XS 2.1 er en mixture-of-experts-sprogmodel til agentbaseret kodning og langsigtet arbejde, placeret som den mindre model til lokal drift i Laguna-serien. Den har 33 milliarder parametre i alt og 3 milliarder aktive pr. token. Det er en opdateret model i forhold til Laguna XS.2, som bevarer denne models arkitektur og forbedrer producentens rapporterede resultater for softwareudvikling og terminalopgaver. Modellen modtager tekst og genererer tekst, kode, ræsonnement og anmodninger om værktøjskald.
Designet med 40 lag kombinerer 10 lag med global opmærksomhed og 30 lag med glidende vindue samt sigmoid-gating og et glidende vindue på 512 tokens. Dette lokale opmærksomhedsvindue er adskilt fra modellens kontekst på 262.144 tokens. Poolside beskriver også et FP8 KV-cache-design, der reducerer hukommelsesforbruget pr. token. Disse funktioner er med til at forklare modellens fokus på lokal drift, men det præcise hukommelseskrav afhænger stadig af checkpoint, kvantisering, arbejdskontekst og driftskonfiguration.
Ved en kodeopgave skal du vedlægge de relevante kildefiler som tekst, den forventede adfærd og den faktiske fejl eller det fejlende output. En nyttig anmodning er: “Ret denne parsers håndtering af escapede afgrænsere, mens det offentliggjorte inputformat bevares. Vis den foreslåede ændring, forklar hvilke tilfælde der påvirkes, og identificér eksempler, der vil afsløre en regression.” Bevar et konkret slutprodukt og en afslutningsbetingelse, så modellen kan arbejde mod et resultat frem for blot at diskutere problemet.
Ved terminalopgaver skal du angive det aktuelle miljø, relevant kommandooutput og begrænsningerne for arbejdet. I en applikation med værktøjer foreslår modellen et funktionskald, applikationen udfører det, og resultatet returneres til næste beslutning. Bed den forklare, hvad en fejl afslører, før den foreslår en ny kommando. Vedlæg eksempelvis afhængighedsmanifestet og outputtet fra den mislykkede installation, og bed derefter om den mindste kildeunderbyggede rettelse og det forventede resultat af næste kontrol. Bevar tidligere vellykkede trin og det uafklarede problem i historikken.
Laguna XS 2.1 er designet til indflettet tænkning før og mellem værktøjskald. Producenten anbefaler at bevare ræsonnementsindhold fra tidligere assistentbeskeder, når næste forespørgsel rekonstrueres. Hvis indholdet udelades, kan det hindre yderligere ræsonnement i opfølgende trin. Hold assistentens svar, oplysningerne om værktøjskaldet og det tilsvarende værktøjsresultat samlet med det fortsatte mål synligt. Det er særligt nyttigt, når flere observationer bidrager til en rettelse, og et senere trin afhænger af en tidligere beslutning.
Tænkning kan aktiveres eller deaktiveres gennem chatskabelonen. Poolside anbefaler at aktivere den til agentbaseret kodning og bevare den på tværs af samtaleture. En anmodning om et direkte svar kan passe til en lille omformning eller forklaring, mens en reparation med flere afhængige betingelser har gavn af en fortsat løkke med ræsonnement og observation. Angiv det endelige outputformat, og giv plads til det endelige svar. Producentens evalueringsindstillinger er valg i en opskrift og ikke en universel garanti for mængden af ræsonnement eller den maksimale svarlængde.
Ved langt kildeinput skal du organisere filer og dokumentation med tydelige grænser og stabile navne. Bed om at spore en bestemt relation, eksempelvis hvilke kaldende komponenter der afhænger af en ændret grænseflade, hvilke betingelser der adskiller to implementeringer, eller hvorfor et testresultat modsiger den foreslåede diagnose. Bevar de vigtige beslutninger og faktiske kontroller i en kompakt opgaveoversigt, og fjern irrelevant historik. Kontekstgrænsen dækker arbejdsmaterialet og den genererede fortsættelse; et endeligt svar på størrelse med hele konteksten er ikke en særskilt lovet kapacitet.
Poolside udgiver BF16 og særskilte FP8-, NVFP4-, INT4- og GGUF-varianter samt DFlash-artefakter til kladdemodeller. Det er forskellige driftsvalg. Et lille antal aktive parametre betyder ikke, at de samlede modelvægte kun optager den tilsvarende mængde hukommelse, og en kladdemodel er en accelererende ledsager frem for selve kodemodellen. Bevar det præcise checkpoint ved sammenligning af lokale resultater, og forbered kode eller dokumentindhold som tekst til denne tekst-til-tekst-model.
Producenten dokumenterer et problem med værktøjsparseren i ældre driftsbuilds, som kan tabe visse kald og vise deres rå markup som almindelig svartekst. Det viser, hvorfor en arbejdsgang med værktøjer skal skelne mellem modellens tilsigtede anmodning og et korrekt parset funktionskald. Undersøg det parsede navn og argumenterne, validér dem mod det faktiske skema, og bevar udførelsesresultatet. En afsluttende rapport bør identificere det reviderede artefakt, de observerede kontroller og de resterende antagelser. En foreslået rettelse eller kommando bliver først et fuldført resultat, når dens adfærd er fastslået gennem disse registreringer.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser poolside/laguna-xs-2.1:free | Standard— |
Feltmessages | Typearray | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser false | Standardfalse |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Maksimum: 32.768 | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Maksimum: 32.768 | Standard— |
Feltn | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Maksimum: 128 | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Feltseed | Typeinteger | KravValgfrit | Værdier og grænser | Standard— |
Feltstop | Type | KravValgfrit | Værdier og grænser | Standard— |
Feltfrequency_penalty | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Feltpresence_penalty | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parameteroptional | Kontraktstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Kontrakttext |
Parameterconditions | KontraktUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 262144 bytes. |
Livscyklus: synchronous_json
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "poolside/laguna-xs-2.1:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra poolside/laguna-xs-2.1:free
Brug metodestierne vist ovenfor.
poolside/laguna-xs-2.1:freePoolside Laguna XS 2.1 er en tekstmodel med 33 milliarder parametre i alt og 3 milliarder aktive til agentbaseret kodning og langsigtet arbejde. Den har en kontekst på 262.144 tokens og indbygget ræsonnement mellem værktøjskald. Det mindre MoE-design og særskilte kvantiserede udgaver understøtter lokal drift med konfigurationsafhængige ressourcebehov.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Poolside Laguna XS 2.1 er en mixture-of-experts-sprogmodel til agentbaseret kodning og langsigtet arbejde, placeret som den mindre model til lokal drift i Laguna-serien. Den har 33 milliarder parametre i alt og 3 milliarder aktive pr. token. Det er en opdateret model i forhold til Laguna XS.2, som bevarer denne models arkitektur og forbedrer producentens rapporterede resultater for softwareudvikling og terminalopgaver. Modellen modtager tekst og genererer tekst, kode, ræsonnement og anmodninger om værktøjskald.
Designet med 40 lag kombinerer 10 lag med global opmærksomhed og 30 lag med glidende vindue samt sigmoid-gating og et glidende vindue på 512 tokens. Dette lokale opmærksomhedsvindue er adskilt fra modellens kontekst på 262.144 tokens. Poolside beskriver også et FP8 KV-cache-design, der reducerer hukommelsesforbruget pr. token. Disse funktioner er med til at forklare modellens fokus på lokal drift, men det præcise hukommelseskrav afhænger stadig af checkpoint, kvantisering, arbejdskontekst og driftskonfiguration.
Ved en kodeopgave skal du vedlægge de relevante kildefiler som tekst, den forventede adfærd og den faktiske fejl eller det fejlende output. En nyttig anmodning er: “Ret denne parsers håndtering af escapede afgrænsere, mens det offentliggjorte inputformat bevares. Vis den foreslåede ændring, forklar hvilke tilfælde der påvirkes, og identificér eksempler, der vil afsløre en regression.” Bevar et konkret slutprodukt og en afslutningsbetingelse, så modellen kan arbejde mod et resultat frem for blot at diskutere problemet.
Ved terminalopgaver skal du angive det aktuelle miljø, relevant kommandooutput og begrænsningerne for arbejdet. I en applikation med værktøjer foreslår modellen et funktionskald, applikationen udfører det, og resultatet returneres til næste beslutning. Bed den forklare, hvad en fejl afslører, før den foreslår en ny kommando. Vedlæg eksempelvis afhængighedsmanifestet og outputtet fra den mislykkede installation, og bed derefter om den mindste kildeunderbyggede rettelse og det forventede resultat af næste kontrol. Bevar tidligere vellykkede trin og det uafklarede problem i historikken.
Laguna XS 2.1 er designet til indflettet tænkning før og mellem værktøjskald. Producenten anbefaler at bevare ræsonnementsindhold fra tidligere assistentbeskeder, når næste forespørgsel rekonstrueres. Hvis indholdet udelades, kan det hindre yderligere ræsonnement i opfølgende trin. Hold assistentens svar, oplysningerne om værktøjskaldet og det tilsvarende værktøjsresultat samlet med det fortsatte mål synligt. Det er særligt nyttigt, når flere observationer bidrager til en rettelse, og et senere trin afhænger af en tidligere beslutning.
Tænkning kan aktiveres eller deaktiveres gennem chatskabelonen. Poolside anbefaler at aktivere den til agentbaseret kodning og bevare den på tværs af samtaleture. En anmodning om et direkte svar kan passe til en lille omformning eller forklaring, mens en reparation med flere afhængige betingelser har gavn af en fortsat løkke med ræsonnement og observation. Angiv det endelige outputformat, og giv plads til det endelige svar. Producentens evalueringsindstillinger er valg i en opskrift og ikke en universel garanti for mængden af ræsonnement eller den maksimale svarlængde.
Ved langt kildeinput skal du organisere filer og dokumentation med tydelige grænser og stabile navne. Bed om at spore en bestemt relation, eksempelvis hvilke kaldende komponenter der afhænger af en ændret grænseflade, hvilke betingelser der adskiller to implementeringer, eller hvorfor et testresultat modsiger den foreslåede diagnose. Bevar de vigtige beslutninger og faktiske kontroller i en kompakt opgaveoversigt, og fjern irrelevant historik. Kontekstgrænsen dækker arbejdsmaterialet og den genererede fortsættelse; et endeligt svar på størrelse med hele konteksten er ikke en særskilt lovet kapacitet.
Poolside udgiver BF16 og særskilte FP8-, NVFP4-, INT4- og GGUF-varianter samt DFlash-artefakter til kladdemodeller. Det er forskellige driftsvalg. Et lille antal aktive parametre betyder ikke, at de samlede modelvægte kun optager den tilsvarende mængde hukommelse, og en kladdemodel er en accelererende ledsager frem for selve kodemodellen. Bevar det præcise checkpoint ved sammenligning af lokale resultater, og forbered kode eller dokumentindhold som tekst til denne tekst-til-tekst-model.
Producenten dokumenterer et problem med værktøjsparseren i ældre driftsbuilds, som kan tabe visse kald og vise deres rå markup som almindelig svartekst. Det viser, hvorfor en arbejdsgang med værktøjer skal skelne mellem modellens tilsigtede anmodning og et korrekt parset funktionskald. Undersøg det parsede navn og argumenterne, validér dem mod det faktiske skema, og bevar udførelsesresultatet. En afsluttende rapport bør identificere det reviderede artefakt, de observerede kontroller og de resterende antagelser. En foreslået rettelse eller kommando bliver først et fuldført resultat, når dens adfærd er fastslået gennem disse registreringer.
POST /v1/messagestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser poolside/laguna-xs-2.1:free | Standard— |
Feltmessages | Typearray | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser false | Standardfalse |
Feltsystem | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser Minimum: 1 Maksimum: 32.768 | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser | Standard— |
Felttop_k | Typeinteger | KravValgfrit | Værdier og grænser | Standard— |
Feltstop_sequences | Typearray | KravValgfrit | Værdier og grænser | Standard— |
Feltmetadata | Typeobject | KravValgfrit | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional | Kontraktstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Kontrakttext |
Parameterconditions | KontraktUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 262144 bytes. |
Livscyklus: synchronous_json
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "poolside/laguna-xs-2.1:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra poolside/laguna-xs-2.1:free
Brug metodestierne vist ovenfor.