Poolside Laguna S 2.1 ist ein Mixture-of-Experts-Sprachmodell für agentengestütztes Coding und langfristige Aufgaben. Es hat insgesamt 118B Parameter und etwa 8B aktive Parameter pro Token und liegt damit in der Herstellerreihe zwischen dem kleineren Laguna XS 2.1 und dem grösseren Laguna M.1. Das Modell verarbeitet Text und erzeugt in einer Anwendung mit Werkzeuganbindung Text, Code, Reasoning und Werkzeugaufrufanfragen.
Seine Architektur kombiniert globale Attention und Sliding-Window-Attention über 48 Schichten: 12 globale Schichten und 36 Sliding-Window-Schichten. Das Sliding Window von 512 Tokens beschreibt die lokale Attention innerhalb dieser Schichten, während der dokumentierte Modellkontext 1,048,576 Tokens umfasst. Das sind unterschiedliche Messgrössen. Der grössere Kontext unterstützt Aufgaben, bei denen sich Quelldateien, Beobachtungen und Entscheidungen über viele Schritte ansammeln. Halte das Arbeitsziel und aussagekräftige Belege zusammen und reserviere innerhalb der geltenden Konfiguration Platz für weiteres Reasoning und die Abschlussantwort.
Der zentrale Zweck des Modells ist Softwarearbeit, die Ausdauer, Prüfung und Überarbeitung erfordert. Gib für eine Repository-Aufgabe das erwartete Verhalten, relevante Dateien als Text, Abhängigkeitsinformationen und die tatsächliche fehlerhafte Ausgabe vor. Verlange ein gezieltes Ergebnis: «Verfolge die Ursache dieser Regression, schlage eine Änderung vor, die die dokumentierte Schnittstelle bewahrt, und benenne die Prüfungen, die eine Korrektur von einer nicht damit zusammenhängenden Änderung unterscheiden würden.» Gib dem Modell in einem Ablauf mit Werkzeuganbindung das Ergebnis jeder ausgeführten Prüfung zurück, bevor es den nächsten Schritt wählt.
Liefere für Optimierungsarbeit Messungen und ein ausdrückliches Ziel. Ein Beispiel lautet: «Nutze dieses Profil und diesen Allokationsbericht, um einen Engpass zu ermitteln. Schlage eine Änderung vor, erkläre die erwartete Wirkung und vergleiche sie mit der Ausgangsmessung, nachdem dieselbe Messung wiederholt wurde.» So wird eine Leistungsaussage überprüfbar. Poolsides Veröffentlichung behandelt Überprüfung und anhaltenden Fortschritt als wichtige Verhaltensweisen, doch eine überzeugende Erklärung allein belegt nicht, dass eine Überarbeitung schneller, korrekt oder vollständig ist. Bewahre die Beobachtungen, die das Beibehalten oder Verwerfen der Änderung stützen.
Laguna S 2.1 unterstützt eingeschobene Thinking-Phasen vor und zwischen Werkzeugaufrufen. Der Hersteller empfiehlt, Reasoning-Inhalte aus früheren Assistentennachrichten im nachfolgenden Verlauf zu bewahren; das Weglassen dieser Blöcke kann dazu führen, dass Reasoning in Folgeschritten aufhört. Halte die Assistentenantwort, Werkzeugaufrufinformationen und das zugehörige Werkzeugergebnis zusammen. Das hilft einer längeren Aufgabe, vom tatsächlichen Zustand aus fortzufahren, statt wiederholt zu rekonstruieren, was bereits versucht wurde.
Die dokumentierten Thinking-Optionen sind off und max, wobei max in der vom Hersteller beschriebenen Einrichtung standardmässig aktiviert ist. Das Modell bestimmt in diesem Modus sein Thinking-Budget; die Veröffentlichung führt keine separaten Aufwandsstufen low, medium und high auf. Für agentengestütztes Coding empfiehlt Poolside, Thinking zu aktivieren und zwischen den Schritten zu bewahren. Benenne das Endergebnis und die Abschlusskriterien ausdrücklich und unterscheide eine lange Reasoning-Sequenz vom abgeschlossenen Resultat. Der Hersteller nennt übermässiges Nachdenken, besonders bei Wettbewerbsaufgaben in Mathematik, als wesentliche Einschränkung.
Werkzeugdefinitionen erfordern besondere Sorgfalt. Poolside berichtet, dass S 2.1 sich anfangs auf eine vertraute Werkzeugschnittstelle verlassen kann, statt einem ähnlichen, aber anderen Schema genau zu folgen. Es kann auch fehlerhaftes oder falsch maskiertes JSON erzeugen, wenn ein Werkzeugargument ein verschachteltes Array enthält. Gib die tatsächlichen Argumentdefinitionen vor, validiere vorgeschlagene Aufrufe und liefere einen präzisen Fehler zurück, wenn der Aufruf nicht passt. Der Hersteller beschreibt Korrektur durch Rückmeldung im Kontext als eine Möglichkeit, einige dieser Abweichungen zu beheben. Halte die resultierende Werkzeugbeobachtung für die nächste Entscheidung verfügbar.
Der Hersteller veröffentlicht separate BF16- und quantisierte Varianten sowie ein optionales DFlash-Draft-Modell. Das sind unterschiedliche Artefakte und Bereitstellungskonfigurationen; Speicherbedarf eines quantisierten Checkpoints oder Leistung beim spekulativen Decoding sollten daher nicht aus dem allgemeinen Modellnamen abgeleitet werden. Bereite für gewöhnliche Textarbeit Quellcode, Befehlsausgaben und Dokumentauszüge als lesbaren Text vor. Die Veröffentlichung weist auf die fehlende Bildfähigkeit des Modells hin; ein Screenshot braucht eine textuelle Beobachtung oder einen geeigneten externen Prüfschritt, bevor er die Analyse stützen kann.
Verlange ein Endergebnis, das das geänderte Artefakt, wichtige Entscheidungen, beobachtete Prüfungen und jede ungeklärte Bedingung nennt. Verbinde bei einer Codeprüfung Erkenntnisse mit dem relevanten Quellcode und zeige, warum jedes Problem das Verhalten beeinflusst. Trenne bei einer Reparatur den vorgeschlagenen Patch von einem Patch, dessen Verhalten tatsächlich geprüft wurde. Das Bewahren des Reasoning- und Werkzeugverlaufs hilft dem Modell, die Aufgabe durchzuarbeiten; das Endergebnis und die aufgezeichneten Resultate belegen, was erreicht wurde.
", "aboutText": "Poolside Laguna S 2.1 ist ein Mixture-of-Experts-Sprachmodell für agentengestütztes Coding und langfristige Aufgaben. Es hat insgesamt 118B Parameter und etwa 8B aktive Parameter pro Token und liegt damit in der Herstellerreihe zwischen dem kleineren Laguna XS 2.1 und dem grösseren Laguna M.1. Das Modell verarbeitet Text und erzeugt in einer Anwendung mit Werkzeuganbindung Text, Code, Reasoning und Werkzeugaufrufanfragen.\n\nSeine Architektur kombiniert globale Attention und Sliding-Window-Attention über 48 Schichten: 12 globale Schichten und 36 Sliding-Window-Schichten. Das Sliding Window von 512 Tokens beschreibt die lokale Attention innerhalb dieser Schichten, während der dokumentierte Modellkontext 1,048,576 Tokens umfasst. Das sind unterschiedliche Messgrössen. Der grössere Kontext unterstützt Aufgaben, bei denen sich Quelldateien, Beobachtungen und Entscheidungen über viele Schritte ansammeln. Halte das Arbeitsziel und aussagekräftige Belege zusammen und reserviere innerhalb der geltenden Konfiguration Platz für weiteres Reasoning und die Abschlussantwort.\n\nDer zentrale Zweck des Modells ist Softwarearbeit, die Ausdauer, Prüfung und Überarbeitung erfordert. Gib für eine Repository-Aufgabe das erwartete Verhalten, relevante Dateien als Text, Abhängigkeitsinformationen und die tatsächliche fehlerhafte Ausgabe vor. Verlange ein gezieltes Ergebnis: «Verfolge die Ursache dieser Regression, schlage eine Änderung vor, die die dokumentierte Schnittstelle bewahrt, und benenne die Prüfungen, die eine Korrektur von einer nicht damit zusammenhängenden Änderung unterscheiden würden.» Gib dem Modell in einem Ablauf mit Werkzeuganbindung das Ergebnis jeder ausgeführten Prüfung zurück, bevor es den nächsten Schritt wählt.\n\nLiefere für Optimierungsarbeit Messungen und ein ausdrückliches Ziel. Ein Beispiel lautet: «Nutze dieses Profil und diesen Allokationsbericht, um einen Engpass zu ermitteln. Schlage eine Änderung vor, erkläre die erwartete Wirkung und vergleiche sie mit der Ausgangsmessung, nachdem dieselbe Messung wiederholt wurde.» So wird eine Leistungsaussage überprüfbar. Poolsides Veröffentlichung behandelt Überprüfung und anhaltenden Fortschritt als wichtige Verhaltensweisen, doch eine überzeugende Erklärung allein belegt nicht, dass eine Überarbeitung schneller, korrekt oder vollständig ist. Bewahre die Beobachtungen, die das Beibehalten oder Verwerfen der Änderung stützen.\n\nLaguna S 2.1 unterstützt eingeschobene Thinking-Phasen vor und zwischen Werkzeugaufrufen. Der Hersteller empfiehlt, Reasoning-Inhalte aus früheren Assistentennachrichten im nachfolgenden Verlauf zu bewahren; das Weglassen dieser Blöcke kann dazu führen, dass Reasoning in Folgeschritten aufhört. Halte die Assistentenantwort, Werkzeugaufrufinformationen und das zugehörige Werkzeugergebnis zusammen. Das hilft einer längeren Aufgabe, vom tatsächlichen Zustand aus fortzufahren, statt wiederholt zu rekonstruieren, was bereits versucht wurde.\n\nDie dokumentierten Thinking-Optionen sind off und max, wobei max in der vom Hersteller beschriebenen Einrichtung standardmässig aktiviert ist. Das Modell bestimmt in diesem Modus sein Thinking-Budget; die Veröffentlichung führt keine separaten Aufwandsstufen low, medium und high auf. Für agentengestütztes Coding empfiehlt Poolside, Thinking zu aktivieren und zwischen den Schritten zu bewahren. Benenne das Endergebnis und die Abschlusskriterien ausdrücklich und unterscheide eine lange Reasoning-Sequenz vom abgeschlossenen Resultat. Der Hersteller nennt übermässiges Nachdenken, besonders bei Wettbewerbsaufgaben in Mathematik, als wesentliche Einschränkung.\n\nWerkzeugdefinitionen erfordern besondere Sorgfalt. Poolside berichtet, dass S 2.1 sich anfangs auf eine vertraute Werkzeugschnittstelle verlassen kann, statt einem ähnlichen, aber anderen Schema genau zu folgen. Es kann auch fehlerhaftes oder falsch maskiertes JSON erzeugen, wenn ein Werkzeugargument ein verschachteltes Array enthält. Gib die tatsächlichen Argumentdefinitionen vor, validiere vorgeschlagene Aufrufe und liefere einen präzisen Fehler zurück, wenn der Aufruf nicht passt. Der Hersteller beschreibt Korrektur durch Rückmeldung im Kontext als eine Möglichkeit, einige dieser Abweichungen zu beheben. Halte die resultierende Werkzeugbeobachtung für die nächste Entscheidung verfügbar.\n\nDer Hersteller veröffentlicht separate BF16- und quantisierte Varianten sowie ein optionales DFlash-Draft-Modell. Das sind unterschiedliche Artefakte und Bereitstellungskonfigurationen; Speicherbedarf eines quantisierten Checkpoints oder Leistung beim spekulativen Decoding sollten daher nicht aus dem allgemeinen Modellnamen abgeleitet werden. Bereite für gewöhnliche Textarbeit Quellcode, Befehlsausgaben und Dokumentauszüge als lesbaren Text vor. Die Veröffentlichung weist auf die fehlende Bildfähigkeit des Modells hin; ein Screenshot braucht eine textuelle Beobachtung oder einen geeigneten externen Prüfschritt, bevor er die Analyse stützen kann.\n\nVerlange ein Endergebnis, das das geänderte Artefakt, wichtige Entscheidungen, beobachtete Prüfungen und jede ungeklärte Bedingung nennt. Verbinde bei einer Codeprüfung Erkenntnisse mit dem relevanten Quellcode und zeige, warum jedes Problem das Verhalten beeinflusst. Trenne bei einer Reparatur den vorgeschlagenen Patch von einem Patch, dessen Verhalten tatsächlich geprüft wurde. Das Bewahren des Reasoning- und Werkzeugverlaufs hilft dem Modell, die Aufgabe durchzuarbeiten; das Endergebnis und die aufgezeichneten Resultate belegen, was erreicht wurde.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 ist ein Textmodell für agentengestütztes Coding und langfristige Aufgaben mit insgesamt 118B und etwa 8B aktiven Parametern. Es kombiniert einen Modellkontext von 1,048,576 Tokens mit nativer Werkzeugnutzung und eingeschobenem Reasoning; das Bewahren früherer Thinking-Inhalte hilft ihm, über Werkzeugaufrufe hinweg wirksam fortzufahren.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Poolside Laguna S 2.1 ist ein Mixture-of-Experts-Sprachmodell für agentengestütztes Coding und langfristige Aufgaben. Es hat insgesamt 118B Parameter und etwa 8B aktive Parameter pro Token und liegt damit in der Herstellerreihe zwischen dem kleineren Laguna XS 2.1 und dem grösseren Laguna M.1. Das Modell verarbeitet Text und erzeugt in einer Anwendung mit Werkzeuganbindung Text, Code, Reasoning und Werkzeugaufrufanfragen.
Seine Architektur kombiniert globale Attention und Sliding-Window-Attention über 48 Schichten: 12 globale Schichten und 36 Sliding-Window-Schichten. Das Sliding Window von 512 Tokens beschreibt die lokale Attention innerhalb dieser Schichten, während der dokumentierte Modellkontext 1,048,576 Tokens umfasst. Das sind unterschiedliche Messgrössen. Der grössere Kontext unterstützt Aufgaben, bei denen sich Quelldateien, Beobachtungen und Entscheidungen über viele Schritte ansammeln. Halte das Arbeitsziel und aussagekräftige Belege zusammen und reserviere innerhalb der geltenden Konfiguration Platz für weiteres Reasoning und die Abschlussantwort.
Der zentrale Zweck des Modells ist Softwarearbeit, die Ausdauer, Prüfung und Überarbeitung erfordert. Gib für eine Repository-Aufgabe das erwartete Verhalten, relevante Dateien als Text, Abhängigkeitsinformationen und die tatsächliche fehlerhafte Ausgabe vor. Verlange ein gezieltes Ergebnis: «Verfolge die Ursache dieser Regression, schlage eine Änderung vor, die die dokumentierte Schnittstelle bewahrt, und benenne die Prüfungen, die eine Korrektur von einer nicht damit zusammenhängenden Änderung unterscheiden würden.» Gib dem Modell in einem Ablauf mit Werkzeuganbindung das Ergebnis jeder ausgeführten Prüfung zurück, bevor es den nächsten Schritt wählt.
Liefere für Optimierungsarbeit Messungen und ein ausdrückliches Ziel. Ein Beispiel lautet: «Nutze dieses Profil und diesen Allokationsbericht, um einen Engpass zu ermitteln. Schlage eine Änderung vor, erkläre die erwartete Wirkung und vergleiche sie mit der Ausgangsmessung, nachdem dieselbe Messung wiederholt wurde.» So wird eine Leistungsaussage überprüfbar. Poolsides Veröffentlichung behandelt Überprüfung und anhaltenden Fortschritt als wichtige Verhaltensweisen, doch eine überzeugende Erklärung allein belegt nicht, dass eine Überarbeitung schneller, korrekt oder vollständig ist. Bewahre die Beobachtungen, die das Beibehalten oder Verwerfen der Änderung stützen.
Laguna S 2.1 unterstützt eingeschobene Thinking-Phasen vor und zwischen Werkzeugaufrufen. Der Hersteller empfiehlt, Reasoning-Inhalte aus früheren Assistentennachrichten im nachfolgenden Verlauf zu bewahren; das Weglassen dieser Blöcke kann dazu führen, dass Reasoning in Folgeschritten aufhört. Halte die Assistentenantwort, Werkzeugaufrufinformationen und das zugehörige Werkzeugergebnis zusammen. Das hilft einer längeren Aufgabe, vom tatsächlichen Zustand aus fortzufahren, statt wiederholt zu rekonstruieren, was bereits versucht wurde.
Die dokumentierten Thinking-Optionen sind off und max, wobei max in der vom Hersteller beschriebenen Einrichtung standardmässig aktiviert ist. Das Modell bestimmt in diesem Modus sein Thinking-Budget; die Veröffentlichung führt keine separaten Aufwandsstufen low, medium und high auf. Für agentengestütztes Coding empfiehlt Poolside, Thinking zu aktivieren und zwischen den Schritten zu bewahren. Benenne das Endergebnis und die Abschlusskriterien ausdrücklich und unterscheide eine lange Reasoning-Sequenz vom abgeschlossenen Resultat. Der Hersteller nennt übermässiges Nachdenken, besonders bei Wettbewerbsaufgaben in Mathematik, als wesentliche Einschränkung.
Werkzeugdefinitionen erfordern besondere Sorgfalt. Poolside berichtet, dass S 2.1 sich anfangs auf eine vertraute Werkzeugschnittstelle verlassen kann, statt einem ähnlichen, aber anderen Schema genau zu folgen. Es kann auch fehlerhaftes oder falsch maskiertes JSON erzeugen, wenn ein Werkzeugargument ein verschachteltes Array enthält. Gib die tatsächlichen Argumentdefinitionen vor, validiere vorgeschlagene Aufrufe und liefere einen präzisen Fehler zurück, wenn der Aufruf nicht passt. Der Hersteller beschreibt Korrektur durch Rückmeldung im Kontext als eine Möglichkeit, einige dieser Abweichungen zu beheben. Halte die resultierende Werkzeugbeobachtung für die nächste Entscheidung verfügbar.
Der Hersteller veröffentlicht separate BF16- und quantisierte Varianten sowie ein optionales DFlash-Draft-Modell. Das sind unterschiedliche Artefakte und Bereitstellungskonfigurationen; Speicherbedarf eines quantisierten Checkpoints oder Leistung beim spekulativen Decoding sollten daher nicht aus dem allgemeinen Modellnamen abgeleitet werden. Bereite für gewöhnliche Textarbeit Quellcode, Befehlsausgaben und Dokumentauszüge als lesbaren Text vor. Die Veröffentlichung weist auf die fehlende Bildfähigkeit des Modells hin; ein Screenshot braucht eine textuelle Beobachtung oder einen geeigneten externen Prüfschritt, bevor er die Analyse stützen kann.
Verlange ein Endergebnis, das das geänderte Artefakt, wichtige Entscheidungen, beobachtete Prüfungen und jede ungeklärte Bedingung nennt. Verbinde bei einer Codeprüfung Erkenntnisse mit dem relevanten Quellcode und zeige, warum jedes Problem das Verhalten beeinflusst. Trenne bei einer Reparatur den vorgeschlagenen Patch von einem Patch, dessen Verhalten tatsächlich geprüft wurde. Das Bewahren des Reasoning- und Werkzeugverlaufs hilft dem Modell, die Aufgabe durchzuarbeiten; das Endergebnis und die aufgezeichneten Resultate belegen, was erreicht wurde.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits poolside/laguna-s-2.1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra poolside/laguna-s-2.1
Verwenden Sie die oben angezeigten Methodenpfade.
poolside/laguna-s-2.1Poolside Laguna S 2.1 ist ein Textmodell für agentengestütztes Coding und langfristige Aufgaben mit insgesamt 118B und etwa 8B aktiven Parametern. Es kombiniert einen Modellkontext von 1,048,576 Tokens mit nativer Werkzeugnutzung und eingeschobenem Reasoning; das Bewahren früherer Thinking-Inhalte hilft ihm, über Werkzeugaufrufe hinweg wirksam fortzufahren.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Poolside Laguna S 2.1 ist ein Mixture-of-Experts-Sprachmodell für agentengestütztes Coding und langfristige Aufgaben. Es hat insgesamt 118B Parameter und etwa 8B aktive Parameter pro Token und liegt damit in der Herstellerreihe zwischen dem kleineren Laguna XS 2.1 und dem grösseren Laguna M.1. Das Modell verarbeitet Text und erzeugt in einer Anwendung mit Werkzeuganbindung Text, Code, Reasoning und Werkzeugaufrufanfragen.
Seine Architektur kombiniert globale Attention und Sliding-Window-Attention über 48 Schichten: 12 globale Schichten und 36 Sliding-Window-Schichten. Das Sliding Window von 512 Tokens beschreibt die lokale Attention innerhalb dieser Schichten, während der dokumentierte Modellkontext 1,048,576 Tokens umfasst. Das sind unterschiedliche Messgrössen. Der grössere Kontext unterstützt Aufgaben, bei denen sich Quelldateien, Beobachtungen und Entscheidungen über viele Schritte ansammeln. Halte das Arbeitsziel und aussagekräftige Belege zusammen und reserviere innerhalb der geltenden Konfiguration Platz für weiteres Reasoning und die Abschlussantwort.
Der zentrale Zweck des Modells ist Softwarearbeit, die Ausdauer, Prüfung und Überarbeitung erfordert. Gib für eine Repository-Aufgabe das erwartete Verhalten, relevante Dateien als Text, Abhängigkeitsinformationen und die tatsächliche fehlerhafte Ausgabe vor. Verlange ein gezieltes Ergebnis: «Verfolge die Ursache dieser Regression, schlage eine Änderung vor, die die dokumentierte Schnittstelle bewahrt, und benenne die Prüfungen, die eine Korrektur von einer nicht damit zusammenhängenden Änderung unterscheiden würden.» Gib dem Modell in einem Ablauf mit Werkzeuganbindung das Ergebnis jeder ausgeführten Prüfung zurück, bevor es den nächsten Schritt wählt.
Liefere für Optimierungsarbeit Messungen und ein ausdrückliches Ziel. Ein Beispiel lautet: «Nutze dieses Profil und diesen Allokationsbericht, um einen Engpass zu ermitteln. Schlage eine Änderung vor, erkläre die erwartete Wirkung und vergleiche sie mit der Ausgangsmessung, nachdem dieselbe Messung wiederholt wurde.» So wird eine Leistungsaussage überprüfbar. Poolsides Veröffentlichung behandelt Überprüfung und anhaltenden Fortschritt als wichtige Verhaltensweisen, doch eine überzeugende Erklärung allein belegt nicht, dass eine Überarbeitung schneller, korrekt oder vollständig ist. Bewahre die Beobachtungen, die das Beibehalten oder Verwerfen der Änderung stützen.
Laguna S 2.1 unterstützt eingeschobene Thinking-Phasen vor und zwischen Werkzeugaufrufen. Der Hersteller empfiehlt, Reasoning-Inhalte aus früheren Assistentennachrichten im nachfolgenden Verlauf zu bewahren; das Weglassen dieser Blöcke kann dazu führen, dass Reasoning in Folgeschritten aufhört. Halte die Assistentenantwort, Werkzeugaufrufinformationen und das zugehörige Werkzeugergebnis zusammen. Das hilft einer längeren Aufgabe, vom tatsächlichen Zustand aus fortzufahren, statt wiederholt zu rekonstruieren, was bereits versucht wurde.
Die dokumentierten Thinking-Optionen sind off und max, wobei max in der vom Hersteller beschriebenen Einrichtung standardmässig aktiviert ist. Das Modell bestimmt in diesem Modus sein Thinking-Budget; die Veröffentlichung führt keine separaten Aufwandsstufen low, medium und high auf. Für agentengestütztes Coding empfiehlt Poolside, Thinking zu aktivieren und zwischen den Schritten zu bewahren. Benenne das Endergebnis und die Abschlusskriterien ausdrücklich und unterscheide eine lange Reasoning-Sequenz vom abgeschlossenen Resultat. Der Hersteller nennt übermässiges Nachdenken, besonders bei Wettbewerbsaufgaben in Mathematik, als wesentliche Einschränkung.
Werkzeugdefinitionen erfordern besondere Sorgfalt. Poolside berichtet, dass S 2.1 sich anfangs auf eine vertraute Werkzeugschnittstelle verlassen kann, statt einem ähnlichen, aber anderen Schema genau zu folgen. Es kann auch fehlerhaftes oder falsch maskiertes JSON erzeugen, wenn ein Werkzeugargument ein verschachteltes Array enthält. Gib die tatsächlichen Argumentdefinitionen vor, validiere vorgeschlagene Aufrufe und liefere einen präzisen Fehler zurück, wenn der Aufruf nicht passt. Der Hersteller beschreibt Korrektur durch Rückmeldung im Kontext als eine Möglichkeit, einige dieser Abweichungen zu beheben. Halte die resultierende Werkzeugbeobachtung für die nächste Entscheidung verfügbar.
Der Hersteller veröffentlicht separate BF16- und quantisierte Varianten sowie ein optionales DFlash-Draft-Modell. Das sind unterschiedliche Artefakte und Bereitstellungskonfigurationen; Speicherbedarf eines quantisierten Checkpoints oder Leistung beim spekulativen Decoding sollten daher nicht aus dem allgemeinen Modellnamen abgeleitet werden. Bereite für gewöhnliche Textarbeit Quellcode, Befehlsausgaben und Dokumentauszüge als lesbaren Text vor. Die Veröffentlichung weist auf die fehlende Bildfähigkeit des Modells hin; ein Screenshot braucht eine textuelle Beobachtung oder einen geeigneten externen Prüfschritt, bevor er die Analyse stützen kann.
Verlange ein Endergebnis, das das geänderte Artefakt, wichtige Entscheidungen, beobachtete Prüfungen und jede ungeklärte Bedingung nennt. Verbinde bei einer Codeprüfung Erkenntnisse mit dem relevanten Quellcode und zeige, warum jedes Problem das Verhalten beeinflusst. Trenne bei einer Reparatur den vorgeschlagenen Patch von einem Patch, dessen Verhalten tatsächlich geprüft wurde. Das Bewahren des Reasoning- und Werkzeugverlaufs hilft dem Modell, die Aufgabe durchzuarbeiten; das Endergebnis und die aufgezeichneten Resultate belegen, was erreicht wurde.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits poolside/laguna-s-2.1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra poolside/laguna-s-2.1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.