Poolside Laguna S 2.1 ist ein Mixture-of-Experts-Sprachmodell für agentische Programmierung und längerfristige Arbeit. Es besitzt insgesamt 118 Milliarden Parameter und etwa 8 Milliarden aktive Parameter pro Token und liegt damit in der Herstellerserie zwischen dem kleineren Laguna XS 2.1 und dem größeren Laguna M.1. Das Modell verarbeitet Text und erzeugt in einer werkzeugverbundenen Anwendung Text, Code, Reasoning und Anfragen für Werkzeugaufrufe.
Seine Architektur kombiniert globale Attention und Sliding-Window-Attention über 48 Schichten: 12 globale Schichten und 36 Sliding-Window-Schichten. Das gleitende Fenster von 512 Token beschreibt die lokale Attention innerhalb dieser Schichten, während der dokumentierte Modellkontext 1.048.576 Token umfasst. Dies sind unterschiedliche Messgrößen. Der größere Kontext unterstützt Aufgaben, bei denen sich über viele Schritte Quelldateien, Beobachtungen und Entscheidungen ansammeln. Halten Sie das Arbeitsziel und aussagekräftige Belege zusammen und reservieren Sie innerhalb der jeweiligen Konfiguration Platz für weiteres Reasoning und die abschließende Antwort.
Der zentrale Zweck des Modells ist Softwarearbeit, die Ausdauer, Prüfungen und Überarbeitung erfordert. Stellen Sie für eine Repository-Aufgabe das erwartete Verhalten, relevante Dateien als Text, Abhängigkeitsinformationen und die tatsächliche fehlerhafte Ausgabe bereit. Fordern Sie ein gezieltes Ergebnis an: „Verfolge die Ursache dieser Regression, schlage eine Änderung vor, die die dokumentierte Schnittstelle bewahrt, und benenne Prüfungen, die eine Korrektur von einer nicht damit zusammenhängenden Änderung unterscheiden würden.“ Geben Sie dem Modell in einem werkzeugverbundenen Workflow das Ergebnis jeder ausgeführten Prüfung, bevor es den nächsten Schritt wählt.
Stellen Sie für Optimierungsarbeit Messwerte und ein ausdrückliches Ziel bereit. Ein Beispiel lautet: „Identifiziere anhand dieses Profils und Speicherzuweisungsberichts einen Engpass. Schlage eine Änderung vor, erkläre die erwartete Wirkung und vergleiche sie mit dem Ausgangszustand, nachdem dieselbe Messung wiederholt wurde.“ So wird eine Leistungsaussage überprüfbar. Poolsides Veröffentlichung nennt Verifikation und fortgesetzten Fortschritt als wichtige Verhaltensweisen. Eine überzeugende Erklärung allein belegt jedoch nicht, dass eine Überarbeitung schneller, korrekt oder vollständig ist. Bewahren Sie die Beobachtungen, die das Beibehalten oder Verwerfen der Änderung stützen.
Laguna S 2.1 unterstützt verschränktes Thinking vor und zwischen Werkzeugaufrufen. Der Hersteller empfiehlt, Reasoning-Inhalte früherer Assistentennachrichten im späteren Verlauf zu bewahren. Werden diese Blöcke entfernt, kann das Reasoning in Folgeschritten aufhören. Halten Sie Assistentenantwort, Werkzeugaufrufinformationen und das entsprechende Werkzeugergebnis zusammen. Dies 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 im beschriebenen Hersteller-Setup standardmäßig aktiviert ist. Das Modell bestimmt in diesem Modus sein Thinking-Budget selbst; die Veröffentlichung nennt keine separaten Aufwandsstufen low, medium und high. Für agentische Programmierung empfiehlt Poolside, Thinking zu aktivieren und zwischen Schritten zu bewahren. Benennen Sie das abschließende Artefakt und die Abschlusskriterien ausdrücklich und unterscheiden Sie eine lange Reasoning-Abfolge vom fertigen Ergebnis. Der Hersteller nennt übermäßiges Nachdenken, insbesondere bei Wettbewerbsmathematik, als wesentliche Einschränkung.
Werkzeugdefinitionen erfordern besondere Sorgfalt. Poolside berichtet, dass S 2.1 anfangs auf eine vertraute Werkzeugschnittstelle zurückgreifen kann, statt einem ähnlichen, aber anderen Schema genau zu folgen. Außerdem kann es fehlerhaftes oder falsch maskiertes JSON erzeugen, wenn ein Werkzeugargument ein verschachteltes Array enthält. Geben Sie die tatsächlichen Argumentdefinitionen an, validieren Sie Aufrufvorschläge und geben Sie einen präzisen Fehler zurück, wenn ein Aufruf nicht passt. Der Hersteller beschreibt Korrekturen durch Rückmeldungen im Kontext als Möglichkeit, einige dieser Abweichungen zu beheben. Halten Sie die resultierende Werkzeugbeobachtung für die nächste Entscheidung verfügbar.
Der Hersteller veröffentlicht separate BF16- und quantisierte Varianten sowie ein optionales DFlash-Draft-Modell. Dies sind unterschiedliche Artefakte und Bereitstellungsrezepte. Speicherbedarf eines quantisierten Checkpoints oder Leistung beim spekulativen Decoding sollten daher nicht aus dem allgemeinen Modellnamen abgeleitet werden. Bereiten Sie für gewöhnliche Textarbeit Quellcode, Befehlsausgaben und Dokumentauszüge als lesbaren Text vor. Die Veröffentlichung weist auf die fehlende Bildverarbeitungsfähigkeit des Modells hin. Ein Screenshot benötigt eine textuelle Beobachtung oder einen geeigneten externen Prüfungsschritt, bevor er die Analyse stützen kann.
Fordern Sie ein abschließendes Ergebnis an, das das geänderte Artefakt, wichtige Entscheidungen, beobachtete Prüfungen und jede ungeklärte Bedingung nennt. Verknüpfen Sie bei einem Code-Review die Befunde mit dem relevanten Quellcode und zeigen Sie, warum jedes Problem das Verhalten beeinflusst. Trennen Sie bei einer Reparatur den vorgeschlagenen Patch von einem Patch, dessen Verhalten tatsächlich geprüft wurde. Das Bewahren von Reasoning und Werkzeugverlauf hilft dem Modell bei der Bearbeitung; das abschließende Artefakt und protokollierte Ergebnisse belegen hingegen, was erreicht wurde.
", "aboutText": "Poolside Laguna S 2.1 ist ein Mixture-of-Experts-Sprachmodell für agentische Programmierung und längerfristige Arbeit. Es besitzt insgesamt 118 Milliarden Parameter und etwa 8 Milliarden aktive Parameter pro Token und liegt damit in der Herstellerserie zwischen dem kleineren Laguna XS 2.1 und dem größeren Laguna M.1. Das Modell verarbeitet Text und erzeugt in einer werkzeugverbundenen Anwendung Text, Code, Reasoning und Anfragen für Werkzeugaufrufe.\n\nSeine Architektur kombiniert globale Attention und Sliding-Window-Attention über 48 Schichten: 12 globale Schichten und 36 Sliding-Window-Schichten. Das gleitende Fenster von 512 Token beschreibt die lokale Attention innerhalb dieser Schichten, während der dokumentierte Modellkontext 1.048.576 Token umfasst. Dies sind unterschiedliche Messgrößen. Der größere Kontext unterstützt Aufgaben, bei denen sich über viele Schritte Quelldateien, Beobachtungen und Entscheidungen ansammeln. Halten Sie das Arbeitsziel und aussagekräftige Belege zusammen und reservieren Sie innerhalb der jeweiligen Konfiguration Platz für weiteres Reasoning und die abschließende Antwort.\n\nDer zentrale Zweck des Modells ist Softwarearbeit, die Ausdauer, Prüfungen und Überarbeitung erfordert. Stellen Sie für eine Repository-Aufgabe das erwartete Verhalten, relevante Dateien als Text, Abhängigkeitsinformationen und die tatsächliche fehlerhafte Ausgabe bereit. Fordern Sie ein gezieltes Ergebnis an: „Verfolge die Ursache dieser Regression, schlage eine Änderung vor, die die dokumentierte Schnittstelle bewahrt, und benenne Prüfungen, die eine Korrektur von einer nicht damit zusammenhängenden Änderung unterscheiden würden.“ Geben Sie dem Modell in einem werkzeugverbundenen Workflow das Ergebnis jeder ausgeführten Prüfung, bevor es den nächsten Schritt wählt.\n\nStellen Sie für Optimierungsarbeit Messwerte und ein ausdrückliches Ziel bereit. Ein Beispiel lautet: „Identifiziere anhand dieses Profils und Speicherzuweisungsberichts einen Engpass. Schlage eine Änderung vor, erkläre die erwartete Wirkung und vergleiche sie mit dem Ausgangszustand, nachdem dieselbe Messung wiederholt wurde.“ So wird eine Leistungsaussage überprüfbar. Poolsides Veröffentlichung nennt Verifikation und fortgesetzten Fortschritt als wichtige Verhaltensweisen. Eine überzeugende Erklärung allein belegt jedoch nicht, dass eine Überarbeitung schneller, korrekt oder vollständig ist. Bewahren Sie die Beobachtungen, die das Beibehalten oder Verwerfen der Änderung stützen.\n\nLaguna S 2.1 unterstützt verschränktes Thinking vor und zwischen Werkzeugaufrufen. Der Hersteller empfiehlt, Reasoning-Inhalte früherer Assistentennachrichten im späteren Verlauf zu bewahren. Werden diese Blöcke entfernt, kann das Reasoning in Folgeschritten aufhören. Halten Sie Assistentenantwort, Werkzeugaufrufinformationen und das entsprechende Werkzeugergebnis zusammen. Dies 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 im beschriebenen Hersteller-Setup standardmäßig aktiviert ist. Das Modell bestimmt in diesem Modus sein Thinking-Budget selbst; die Veröffentlichung nennt keine separaten Aufwandsstufen low, medium und high. Für agentische Programmierung empfiehlt Poolside, Thinking zu aktivieren und zwischen Schritten zu bewahren. Benennen Sie das abschließende Artefakt und die Abschlusskriterien ausdrücklich und unterscheiden Sie eine lange Reasoning-Abfolge vom fertigen Ergebnis. Der Hersteller nennt übermäßiges Nachdenken, insbesondere bei Wettbewerbsmathematik, als wesentliche Einschränkung.\n\nWerkzeugdefinitionen erfordern besondere Sorgfalt. Poolside berichtet, dass S 2.1 anfangs auf eine vertraute Werkzeugschnittstelle zurückgreifen kann, statt einem ähnlichen, aber anderen Schema genau zu folgen. Außerdem kann es fehlerhaftes oder falsch maskiertes JSON erzeugen, wenn ein Werkzeugargument ein verschachteltes Array enthält. Geben Sie die tatsächlichen Argumentdefinitionen an, validieren Sie Aufrufvorschläge und geben Sie einen präzisen Fehler zurück, wenn ein Aufruf nicht passt. Der Hersteller beschreibt Korrekturen durch Rückmeldungen im Kontext als Möglichkeit, einige dieser Abweichungen zu beheben. Halten Sie die resultierende Werkzeugbeobachtung für die nächste Entscheidung verfügbar.\n\nDer Hersteller veröffentlicht separate BF16- und quantisierte Varianten sowie ein optionales DFlash-Draft-Modell. Dies sind unterschiedliche Artefakte und Bereitstellungsrezepte. Speicherbedarf eines quantisierten Checkpoints oder Leistung beim spekulativen Decoding sollten daher nicht aus dem allgemeinen Modellnamen abgeleitet werden. Bereiten Sie für gewöhnliche Textarbeit Quellcode, Befehlsausgaben und Dokumentauszüge als lesbaren Text vor. Die Veröffentlichung weist auf die fehlende Bildverarbeitungsfähigkeit des Modells hin. Ein Screenshot benötigt eine textuelle Beobachtung oder einen geeigneten externen Prüfungsschritt, bevor er die Analyse stützen kann.\n\nFordern Sie ein abschließendes Ergebnis an, das das geänderte Artefakt, wichtige Entscheidungen, beobachtete Prüfungen und jede ungeklärte Bedingung nennt. Verknüpfen Sie bei einem Code-Review die Befunde mit dem relevanten Quellcode und zeigen Sie, warum jedes Problem das Verhalten beeinflusst. Trennen Sie bei einer Reparatur den vorgeschlagenen Patch von einem Patch, dessen Verhalten tatsächlich geprüft wurde. Das Bewahren von Reasoning und Werkzeugverlauf hilft dem Modell bei der Bearbeitung; das abschließende Artefakt und protokollierte Ergebnisse belegen hingegen, was erreicht wurde.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b7d20bc9fd4340b220105d28433d1fc211dff3c8fe24432057d997d670f67aae", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "poolside/laguna-s-2.1:freePoolside Laguna S 2.1 ist ein Textmodell für agentische Programmierung und längerfristige Arbeit mit insgesamt 118 Milliarden und etwa 8 Milliarden aktiven Parametern. Es verbindet einen Modellkontext von 1.048.576 Token mit nativer Werkzeugnutzung und verschränktem Reasoning. Das Bewahren früheren Thinkings hilft ihm, über Werkzeugaufrufe hinweg wirksam weiterzuarbeiten.
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 agentische Programmierung und längerfristige Arbeit. Es besitzt insgesamt 118 Milliarden Parameter und etwa 8 Milliarden aktive Parameter pro Token und liegt damit in der Herstellerserie zwischen dem kleineren Laguna XS 2.1 und dem größeren Laguna M.1. Das Modell verarbeitet Text und erzeugt in einer werkzeugverbundenen Anwendung Text, Code, Reasoning und Anfragen für Werkzeugaufrufe.
Seine Architektur kombiniert globale Attention und Sliding-Window-Attention über 48 Schichten: 12 globale Schichten und 36 Sliding-Window-Schichten. Das gleitende Fenster von 512 Token beschreibt die lokale Attention innerhalb dieser Schichten, während der dokumentierte Modellkontext 1.048.576 Token umfasst. Dies sind unterschiedliche Messgrößen. Der größere Kontext unterstützt Aufgaben, bei denen sich über viele Schritte Quelldateien, Beobachtungen und Entscheidungen ansammeln. Halten Sie das Arbeitsziel und aussagekräftige Belege zusammen und reservieren Sie innerhalb der jeweiligen Konfiguration Platz für weiteres Reasoning und die abschließende Antwort.
Der zentrale Zweck des Modells ist Softwarearbeit, die Ausdauer, Prüfungen und Überarbeitung erfordert. Stellen Sie für eine Repository-Aufgabe das erwartete Verhalten, relevante Dateien als Text, Abhängigkeitsinformationen und die tatsächliche fehlerhafte Ausgabe bereit. Fordern Sie ein gezieltes Ergebnis an: „Verfolge die Ursache dieser Regression, schlage eine Änderung vor, die die dokumentierte Schnittstelle bewahrt, und benenne Prüfungen, die eine Korrektur von einer nicht damit zusammenhängenden Änderung unterscheiden würden.“ Geben Sie dem Modell in einem werkzeugverbundenen Workflow das Ergebnis jeder ausgeführten Prüfung, bevor es den nächsten Schritt wählt.
Stellen Sie für Optimierungsarbeit Messwerte und ein ausdrückliches Ziel bereit. Ein Beispiel lautet: „Identifiziere anhand dieses Profils und Speicherzuweisungsberichts einen Engpass. Schlage eine Änderung vor, erkläre die erwartete Wirkung und vergleiche sie mit dem Ausgangszustand, nachdem dieselbe Messung wiederholt wurde.“ So wird eine Leistungsaussage überprüfbar. Poolsides Veröffentlichung nennt Verifikation und fortgesetzten Fortschritt als wichtige Verhaltensweisen. Eine überzeugende Erklärung allein belegt jedoch nicht, dass eine Überarbeitung schneller, korrekt oder vollständig ist. Bewahren Sie die Beobachtungen, die das Beibehalten oder Verwerfen der Änderung stützen.
Laguna S 2.1 unterstützt verschränktes Thinking vor und zwischen Werkzeugaufrufen. Der Hersteller empfiehlt, Reasoning-Inhalte früherer Assistentennachrichten im späteren Verlauf zu bewahren. Werden diese Blöcke entfernt, kann das Reasoning in Folgeschritten aufhören. Halten Sie Assistentenantwort, Werkzeugaufrufinformationen und das entsprechende Werkzeugergebnis zusammen. Dies 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 im beschriebenen Hersteller-Setup standardmäßig aktiviert ist. Das Modell bestimmt in diesem Modus sein Thinking-Budget selbst; die Veröffentlichung nennt keine separaten Aufwandsstufen low, medium und high. Für agentische Programmierung empfiehlt Poolside, Thinking zu aktivieren und zwischen Schritten zu bewahren. Benennen Sie das abschließende Artefakt und die Abschlusskriterien ausdrücklich und unterscheiden Sie eine lange Reasoning-Abfolge vom fertigen Ergebnis. Der Hersteller nennt übermäßiges Nachdenken, insbesondere bei Wettbewerbsmathematik, als wesentliche Einschränkung.
Werkzeugdefinitionen erfordern besondere Sorgfalt. Poolside berichtet, dass S 2.1 anfangs auf eine vertraute Werkzeugschnittstelle zurückgreifen kann, statt einem ähnlichen, aber anderen Schema genau zu folgen. Außerdem kann es fehlerhaftes oder falsch maskiertes JSON erzeugen, wenn ein Werkzeugargument ein verschachteltes Array enthält. Geben Sie die tatsächlichen Argumentdefinitionen an, validieren Sie Aufrufvorschläge und geben Sie einen präzisen Fehler zurück, wenn ein Aufruf nicht passt. Der Hersteller beschreibt Korrekturen durch Rückmeldungen im Kontext als Möglichkeit, einige dieser Abweichungen zu beheben. Halten Sie die resultierende Werkzeugbeobachtung für die nächste Entscheidung verfügbar.
Der Hersteller veröffentlicht separate BF16- und quantisierte Varianten sowie ein optionales DFlash-Draft-Modell. Dies sind unterschiedliche Artefakte und Bereitstellungsrezepte. Speicherbedarf eines quantisierten Checkpoints oder Leistung beim spekulativen Decoding sollten daher nicht aus dem allgemeinen Modellnamen abgeleitet werden. Bereiten Sie für gewöhnliche Textarbeit Quellcode, Befehlsausgaben und Dokumentauszüge als lesbaren Text vor. Die Veröffentlichung weist auf die fehlende Bildverarbeitungsfähigkeit des Modells hin. Ein Screenshot benötigt eine textuelle Beobachtung oder einen geeigneten externen Prüfungsschritt, bevor er die Analyse stützen kann.
Fordern Sie ein abschließendes Ergebnis an, das das geänderte Artefakt, wichtige Entscheidungen, beobachtete Prüfungen und jede ungeklärte Bedingung nennt. Verknüpfen Sie bei einem Code-Review die Befunde mit dem relevanten Quellcode und zeigen Sie, warum jedes Problem das Verhalten beeinflusst. Trennen Sie bei einer Reparatur den vorgeschlagenen Patch von einem Patch, dessen Verhalten tatsächlich geprüft wurde. Das Bewahren von Reasoning und Werkzeugverlauf hilft dem Modell bei der Bearbeitung; das abschließende Artefakt und protokollierte Ergebnisse belegen hingegen, 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:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 32.768 | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 32.768 | Standard— |
Feldn | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 128 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldseed | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop | Typ | AnforderungOptional | Werte und Limits | Standard— |
Feldfrequency_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldpresence_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parameteroptional | Vertragstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse 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. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "poolside/laguna-s-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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
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-s-2.1:free
Verwenden Sie die oben angezeigten Methodenpfade.
poolside/laguna-s-2.1:freePoolside Laguna S 2.1 ist ein Textmodell für agentische Programmierung und längerfristige Arbeit mit insgesamt 118 Milliarden und etwa 8 Milliarden aktiven Parametern. Es verbindet einen Modellkontext von 1.048.576 Token mit nativer Werkzeugnutzung und verschränktem Reasoning. Das Bewahren früheren Thinkings hilft ihm, über Werkzeugaufrufe hinweg wirksam weiterzuarbeiten.
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 agentische Programmierung und längerfristige Arbeit. Es besitzt insgesamt 118 Milliarden Parameter und etwa 8 Milliarden aktive Parameter pro Token und liegt damit in der Herstellerserie zwischen dem kleineren Laguna XS 2.1 und dem größeren Laguna M.1. Das Modell verarbeitet Text und erzeugt in einer werkzeugverbundenen Anwendung Text, Code, Reasoning und Anfragen für Werkzeugaufrufe.
Seine Architektur kombiniert globale Attention und Sliding-Window-Attention über 48 Schichten: 12 globale Schichten und 36 Sliding-Window-Schichten. Das gleitende Fenster von 512 Token beschreibt die lokale Attention innerhalb dieser Schichten, während der dokumentierte Modellkontext 1.048.576 Token umfasst. Dies sind unterschiedliche Messgrößen. Der größere Kontext unterstützt Aufgaben, bei denen sich über viele Schritte Quelldateien, Beobachtungen und Entscheidungen ansammeln. Halten Sie das Arbeitsziel und aussagekräftige Belege zusammen und reservieren Sie innerhalb der jeweiligen Konfiguration Platz für weiteres Reasoning und die abschließende Antwort.
Der zentrale Zweck des Modells ist Softwarearbeit, die Ausdauer, Prüfungen und Überarbeitung erfordert. Stellen Sie für eine Repository-Aufgabe das erwartete Verhalten, relevante Dateien als Text, Abhängigkeitsinformationen und die tatsächliche fehlerhafte Ausgabe bereit. Fordern Sie ein gezieltes Ergebnis an: „Verfolge die Ursache dieser Regression, schlage eine Änderung vor, die die dokumentierte Schnittstelle bewahrt, und benenne Prüfungen, die eine Korrektur von einer nicht damit zusammenhängenden Änderung unterscheiden würden.“ Geben Sie dem Modell in einem werkzeugverbundenen Workflow das Ergebnis jeder ausgeführten Prüfung, bevor es den nächsten Schritt wählt.
Stellen Sie für Optimierungsarbeit Messwerte und ein ausdrückliches Ziel bereit. Ein Beispiel lautet: „Identifiziere anhand dieses Profils und Speicherzuweisungsberichts einen Engpass. Schlage eine Änderung vor, erkläre die erwartete Wirkung und vergleiche sie mit dem Ausgangszustand, nachdem dieselbe Messung wiederholt wurde.“ So wird eine Leistungsaussage überprüfbar. Poolsides Veröffentlichung nennt Verifikation und fortgesetzten Fortschritt als wichtige Verhaltensweisen. Eine überzeugende Erklärung allein belegt jedoch nicht, dass eine Überarbeitung schneller, korrekt oder vollständig ist. Bewahren Sie die Beobachtungen, die das Beibehalten oder Verwerfen der Änderung stützen.
Laguna S 2.1 unterstützt verschränktes Thinking vor und zwischen Werkzeugaufrufen. Der Hersteller empfiehlt, Reasoning-Inhalte früherer Assistentennachrichten im späteren Verlauf zu bewahren. Werden diese Blöcke entfernt, kann das Reasoning in Folgeschritten aufhören. Halten Sie Assistentenantwort, Werkzeugaufrufinformationen und das entsprechende Werkzeugergebnis zusammen. Dies 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 im beschriebenen Hersteller-Setup standardmäßig aktiviert ist. Das Modell bestimmt in diesem Modus sein Thinking-Budget selbst; die Veröffentlichung nennt keine separaten Aufwandsstufen low, medium und high. Für agentische Programmierung empfiehlt Poolside, Thinking zu aktivieren und zwischen Schritten zu bewahren. Benennen Sie das abschließende Artefakt und die Abschlusskriterien ausdrücklich und unterscheiden Sie eine lange Reasoning-Abfolge vom fertigen Ergebnis. Der Hersteller nennt übermäßiges Nachdenken, insbesondere bei Wettbewerbsmathematik, als wesentliche Einschränkung.
Werkzeugdefinitionen erfordern besondere Sorgfalt. Poolside berichtet, dass S 2.1 anfangs auf eine vertraute Werkzeugschnittstelle zurückgreifen kann, statt einem ähnlichen, aber anderen Schema genau zu folgen. Außerdem kann es fehlerhaftes oder falsch maskiertes JSON erzeugen, wenn ein Werkzeugargument ein verschachteltes Array enthält. Geben Sie die tatsächlichen Argumentdefinitionen an, validieren Sie Aufrufvorschläge und geben Sie einen präzisen Fehler zurück, wenn ein Aufruf nicht passt. Der Hersteller beschreibt Korrekturen durch Rückmeldungen im Kontext als Möglichkeit, einige dieser Abweichungen zu beheben. Halten Sie die resultierende Werkzeugbeobachtung für die nächste Entscheidung verfügbar.
Der Hersteller veröffentlicht separate BF16- und quantisierte Varianten sowie ein optionales DFlash-Draft-Modell. Dies sind unterschiedliche Artefakte und Bereitstellungsrezepte. Speicherbedarf eines quantisierten Checkpoints oder Leistung beim spekulativen Decoding sollten daher nicht aus dem allgemeinen Modellnamen abgeleitet werden. Bereiten Sie für gewöhnliche Textarbeit Quellcode, Befehlsausgaben und Dokumentauszüge als lesbaren Text vor. Die Veröffentlichung weist auf die fehlende Bildverarbeitungsfähigkeit des Modells hin. Ein Screenshot benötigt eine textuelle Beobachtung oder einen geeigneten externen Prüfungsschritt, bevor er die Analyse stützen kann.
Fordern Sie ein abschließendes Ergebnis an, das das geänderte Artefakt, wichtige Entscheidungen, beobachtete Prüfungen und jede ungeklärte Bedingung nennt. Verknüpfen Sie bei einem Code-Review die Befunde mit dem relevanten Quellcode und zeigen Sie, warum jedes Problem das Verhalten beeinflusst. Trennen Sie bei einer Reparatur den vorgeschlagenen Patch von einem Patch, dessen Verhalten tatsächlich geprüft wurde. Das Bewahren von Reasoning und Werkzeugverlauf hilft dem Modell bei der Bearbeitung; das abschließende Artefakt und protokollierte Ergebnisse belegen hingegen, was erreicht wurde.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits poolside/laguna-s-2.1:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldsystem | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Maximum: 32.768 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_k | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop_sequences | Typarray | AnforderungOptional | Werte und Limits | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional | Vertragstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse 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. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "poolside/laguna-s-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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
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-s-2.1:free
Verwenden Sie die oben angezeigten Methodenpfade.