Poolside Laguna S 2.1 es un modelo de lenguaje de mezcla de expertos diseñado para programación con agentes y trabajo a largo plazo. Tiene 118B de parámetros totales y unos 8B activos por token, lo que lo sitúa entre el más pequeño Laguna XS 2.1 y el mayor Laguna M.1 de la serie del fabricante. El modelo procesa texto y produce texto, código, razonamiento y solicitudes de llamadas a herramientas en una aplicación conectada con herramientas.
Su arquitectura combina atención global y de ventana deslizante en 48 capas: 12 capas globales y 36 de ventana deslizante. La ventana deslizante de 512 tokens describe la atención local dentro de esas capas, mientras que el contexto documentado del modelo es de 1,048,576 tokens. Son medidas distintas. El contexto más amplio admite tareas que acumulan archivos fuente, observaciones y decisiones a lo largo de muchos pasos. Mantén juntos el objetivo de trabajo y las pruebas significativas y reserva espacio para el razonamiento posterior y la respuesta final dentro de la configuración aplicable.
El propósito central del modelo es el trabajo de software que requiere persistencia, comprobación y revisión. Para una tarea de repositorio, proporciona el comportamiento esperado, los archivos pertinentes como texto, información de dependencias y la salida real del fallo. Pide un resultado acotado: «Rastrea la causa de esta regresión, propone un cambio que conserve la interfaz documentada e identifica las comprobaciones que distinguirían una corrección de un cambio sin relación». En un flujo conectado con herramientas, proporciona al modelo el resultado de cada comprobación ejecutada antes de que elija el siguiente paso.
Para trabajo de optimización, proporciona mediciones y un objetivo explícito. Un ejemplo es: «Utiliza este perfil y este informe de asignaciones para identificar un cuello de botella. Propón un cambio, explica el efecto esperado y compáralo con la referencia inicial después de repetir la misma medición». Esto permite inspeccionar una afirmación de rendimiento. La publicación de Poolside presenta la verificación y el progreso continuo como comportamientos importantes, pero una explicación persuasiva por sí sola no demuestra que una revisión sea más rápida, correcta o completa. Conserva las observaciones que respaldan mantener o rechazar el cambio.
Laguna S 2.1 admite razonamiento intercalado antes de las llamadas a herramientas y entre ellas. El fabricante recomienda conservar el contenido de razonamiento de mensajes anteriores del asistente en el historial posterior; eliminar esos bloques puede hacer que el razonamiento se detenga en los siguientes pasos. Conserva juntos la respuesta del asistente, la información de llamadas a herramientas y el resultado correspondiente de la herramienta. Esto ayuda a que una tarea más larga continúe desde su estado real en lugar de reconstruir repetidamente lo que ya se intentó.
Las opciones de razonamiento documentadas son off y max, con max activado de forma predeterminada en la configuración descrita por el fabricante. El modelo determina su presupuesto de razonamiento en ese modo; la publicación no presenta controles de esfuerzo separados low, medium y high. Para programación con agentes, Poolside recomienda activar el razonamiento y conservarlo entre pasos. Indica explícitamente el resultado final y los criterios de finalización y distingue una secuencia larga de razonamiento del resultado completado. El fabricante identifica el exceso de razonamiento, especialmente en matemáticas de competición, como una limitación sustancial.
Las definiciones de herramientas requieren especial cuidado. Poolside señala que S 2.1 puede apoyarse inicialmente en una interfaz de herramientas conocida en lugar de seguir con precisión un esquema similar pero distinto. También puede producir JSON mal formado o con escapes incorrectos cuando un argumento de herramienta contiene un array anidado. Proporciona las definiciones reales de argumentos, valida las llamadas propuestas y devuelve un error preciso cuando la llamada no coincida. El fabricante describe la corrección mediante retroalimentación dentro del contexto como una forma de resolver algunas de estas discrepancias. Mantén disponible la observación resultante de la herramienta para la siguiente decisión.
El fabricante publica variantes BF16 y cuantizadas por separado y un modelo borrador DFlash opcional. Son artefactos y recetas de servicio distintos, por lo que el uso de memoria de un checkpoint cuantizado o su rendimiento con decodificación especulativa no se deben suponer a partir del nombre general del modelo. Para trabajo ordinario con texto, prepara el código fuente, la salida de comandos y los fragmentos de documentos como texto legible. La publicación señala que el modelo carece de capacidad de visión; una captura de pantalla necesita una observación textual o un paso adecuado de inspección externa antes de respaldar el análisis.
Solicita una entrega final que identifique el producto modificado, las decisiones importantes, las comprobaciones observadas y cualquier condición sin resolver. Para una revisión de código, conecta los hallazgos con las fuentes pertinentes y muestra por qué cada problema afecta al comportamiento. Para una reparación, separa el parche propuesto de un parche cuyo comportamiento se haya comprobado realmente. Conservar el razonamiento y el historial de herramientas ayuda al modelo a desarrollar la tarea, mientras que el resultado final y los resultados registrados establecen lo que se ha logrado.
", "aboutText": "Poolside Laguna S 2.1 es un modelo de lenguaje de mezcla de expertos diseñado para programación con agentes y trabajo a largo plazo. Tiene 118B de parámetros totales y unos 8B activos por token, lo que lo sitúa entre el más pequeño Laguna XS 2.1 y el mayor Laguna M.1 de la serie del fabricante. El modelo procesa texto y produce texto, código, razonamiento y solicitudes de llamadas a herramientas en una aplicación conectada con herramientas.\n\nSu arquitectura combina atención global y de ventana deslizante en 48 capas: 12 capas globales y 36 de ventana deslizante. La ventana deslizante de 512 tokens describe la atención local dentro de esas capas, mientras que el contexto documentado del modelo es de 1,048,576 tokens. Son medidas distintas. El contexto más amplio admite tareas que acumulan archivos fuente, observaciones y decisiones a lo largo de muchos pasos. Mantén juntos el objetivo de trabajo y las pruebas significativas y reserva espacio para el razonamiento posterior y la respuesta final dentro de la configuración aplicable.\n\nEl propósito central del modelo es el trabajo de software que requiere persistencia, comprobación y revisión. Para una tarea de repositorio, proporciona el comportamiento esperado, los archivos pertinentes como texto, información de dependencias y la salida real del fallo. Pide un resultado acotado: «Rastrea la causa de esta regresión, propone un cambio que conserve la interfaz documentada e identifica las comprobaciones que distinguirían una corrección de un cambio sin relación». En un flujo conectado con herramientas, proporciona al modelo el resultado de cada comprobación ejecutada antes de que elija el siguiente paso.\n\nPara trabajo de optimización, proporciona mediciones y un objetivo explícito. Un ejemplo es: «Utiliza este perfil y este informe de asignaciones para identificar un cuello de botella. Propón un cambio, explica el efecto esperado y compáralo con la referencia inicial después de repetir la misma medición». Esto permite inspeccionar una afirmación de rendimiento. La publicación de Poolside presenta la verificación y el progreso continuo como comportamientos importantes, pero una explicación persuasiva por sí sola no demuestra que una revisión sea más rápida, correcta o completa. Conserva las observaciones que respaldan mantener o rechazar el cambio.\n\nLaguna S 2.1 admite razonamiento intercalado antes de las llamadas a herramientas y entre ellas. El fabricante recomienda conservar el contenido de razonamiento de mensajes anteriores del asistente en el historial posterior; eliminar esos bloques puede hacer que el razonamiento se detenga en los siguientes pasos. Conserva juntos la respuesta del asistente, la información de llamadas a herramientas y el resultado correspondiente de la herramienta. Esto ayuda a que una tarea más larga continúe desde su estado real en lugar de reconstruir repetidamente lo que ya se intentó.\n\nLas opciones de razonamiento documentadas son off y max, con max activado de forma predeterminada en la configuración descrita por el fabricante. El modelo determina su presupuesto de razonamiento en ese modo; la publicación no presenta controles de esfuerzo separados low, medium y high. Para programación con agentes, Poolside recomienda activar el razonamiento y conservarlo entre pasos. Indica explícitamente el resultado final y los criterios de finalización y distingue una secuencia larga de razonamiento del resultado completado. El fabricante identifica el exceso de razonamiento, especialmente en matemáticas de competición, como una limitación sustancial.\n\nLas definiciones de herramientas requieren especial cuidado. Poolside señala que S 2.1 puede apoyarse inicialmente en una interfaz de herramientas conocida en lugar de seguir con precisión un esquema similar pero distinto. También puede producir JSON mal formado o con escapes incorrectos cuando un argumento de herramienta contiene un array anidado. Proporciona las definiciones reales de argumentos, valida las llamadas propuestas y devuelve un error preciso cuando la llamada no coincida. El fabricante describe la corrección mediante retroalimentación dentro del contexto como una forma de resolver algunas de estas discrepancias. Mantén disponible la observación resultante de la herramienta para la siguiente decisión.\n\nEl fabricante publica variantes BF16 y cuantizadas por separado y un modelo borrador DFlash opcional. Son artefactos y recetas de servicio distintos, por lo que el uso de memoria de un checkpoint cuantizado o su rendimiento con decodificación especulativa no se deben suponer a partir del nombre general del modelo. Para trabajo ordinario con texto, prepara el código fuente, la salida de comandos y los fragmentos de documentos como texto legible. La publicación señala que el modelo carece de capacidad de visión; una captura de pantalla necesita una observación textual o un paso adecuado de inspección externa antes de respaldar el análisis.\n\nSolicita una entrega final que identifique el producto modificado, las decisiones importantes, las comprobaciones observadas y cualquier condición sin resolver. Para una revisión de código, conecta los hallazgos con las fuentes pertinentes y muestra por qué cada problema afecta al comportamiento. Para una reparación, separa el parche propuesto de un parche cuyo comportamiento se haya comprobado realmente. Conservar el razonamiento y el historial de herramientas ayuda al modelo a desarrollar la tarea, mientras que el resultado final y los resultados registrados establecen lo que se ha logrado.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es un modelo de texto para programación con agentes y trabajo a largo plazo, con 118B de parámetros totales y unos 8B activos. Combina un contexto de modelo de 1,048,576 tokens con uso nativo de herramientas y razonamiento intercalado; conservar el razonamiento anterior le ayuda a continuar eficazmente entre llamadas a herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Poolside Laguna S 2.1 es un modelo de lenguaje de mezcla de expertos diseñado para programación con agentes y trabajo a largo plazo. Tiene 118B de parámetros totales y unos 8B activos por token, lo que lo sitúa entre el más pequeño Laguna XS 2.1 y el mayor Laguna M.1 de la serie del fabricante. El modelo procesa texto y produce texto, código, razonamiento y solicitudes de llamadas a herramientas en una aplicación conectada con herramientas.
Su arquitectura combina atención global y de ventana deslizante en 48 capas: 12 capas globales y 36 de ventana deslizante. La ventana deslizante de 512 tokens describe la atención local dentro de esas capas, mientras que el contexto documentado del modelo es de 1,048,576 tokens. Son medidas distintas. El contexto más amplio admite tareas que acumulan archivos fuente, observaciones y decisiones a lo largo de muchos pasos. Mantén juntos el objetivo de trabajo y las pruebas significativas y reserva espacio para el razonamiento posterior y la respuesta final dentro de la configuración aplicable.
El propósito central del modelo es el trabajo de software que requiere persistencia, comprobación y revisión. Para una tarea de repositorio, proporciona el comportamiento esperado, los archivos pertinentes como texto, información de dependencias y la salida real del fallo. Pide un resultado acotado: «Rastrea la causa de esta regresión, propone un cambio que conserve la interfaz documentada e identifica las comprobaciones que distinguirían una corrección de un cambio sin relación». En un flujo conectado con herramientas, proporciona al modelo el resultado de cada comprobación ejecutada antes de que elija el siguiente paso.
Para trabajo de optimización, proporciona mediciones y un objetivo explícito. Un ejemplo es: «Utiliza este perfil y este informe de asignaciones para identificar un cuello de botella. Propón un cambio, explica el efecto esperado y compáralo con la referencia inicial después de repetir la misma medición». Esto permite inspeccionar una afirmación de rendimiento. La publicación de Poolside presenta la verificación y el progreso continuo como comportamientos importantes, pero una explicación persuasiva por sí sola no demuestra que una revisión sea más rápida, correcta o completa. Conserva las observaciones que respaldan mantener o rechazar el cambio.
Laguna S 2.1 admite razonamiento intercalado antes de las llamadas a herramientas y entre ellas. El fabricante recomienda conservar el contenido de razonamiento de mensajes anteriores del asistente en el historial posterior; eliminar esos bloques puede hacer que el razonamiento se detenga en los siguientes pasos. Conserva juntos la respuesta del asistente, la información de llamadas a herramientas y el resultado correspondiente de la herramienta. Esto ayuda a que una tarea más larga continúe desde su estado real en lugar de reconstruir repetidamente lo que ya se intentó.
Las opciones de razonamiento documentadas son off y max, con max activado de forma predeterminada en la configuración descrita por el fabricante. El modelo determina su presupuesto de razonamiento en ese modo; la publicación no presenta controles de esfuerzo separados low, medium y high. Para programación con agentes, Poolside recomienda activar el razonamiento y conservarlo entre pasos. Indica explícitamente el resultado final y los criterios de finalización y distingue una secuencia larga de razonamiento del resultado completado. El fabricante identifica el exceso de razonamiento, especialmente en matemáticas de competición, como una limitación sustancial.
Las definiciones de herramientas requieren especial cuidado. Poolside señala que S 2.1 puede apoyarse inicialmente en una interfaz de herramientas conocida en lugar de seguir con precisión un esquema similar pero distinto. También puede producir JSON mal formado o con escapes incorrectos cuando un argumento de herramienta contiene un array anidado. Proporciona las definiciones reales de argumentos, valida las llamadas propuestas y devuelve un error preciso cuando la llamada no coincida. El fabricante describe la corrección mediante retroalimentación dentro del contexto como una forma de resolver algunas de estas discrepancias. Mantén disponible la observación resultante de la herramienta para la siguiente decisión.
El fabricante publica variantes BF16 y cuantizadas por separado y un modelo borrador DFlash opcional. Son artefactos y recetas de servicio distintos, por lo que el uso de memoria de un checkpoint cuantizado o su rendimiento con decodificación especulativa no se deben suponer a partir del nombre general del modelo. Para trabajo ordinario con texto, prepara el código fuente, la salida de comandos y los fragmentos de documentos como texto legible. La publicación señala que el modelo carece de capacidad de visión; una captura de pantalla necesita una observación textual o un paso adecuado de inspección externa antes de respaldar el análisis.
Solicita una entrega final que identifique el producto modificado, las decisiones importantes, las comprobaciones observadas y cualquier condición sin resolver. Para una revisión de código, conecta los hallazgos con las fuentes pertinentes y muestra por qué cada problema afecta al comportamiento. Para una reparación, separa el parche propuesto de un parche cuyo comportamiento se haya comprobado realmente. Conservar el razonamiento y el historial de herramientas ayuda al modelo a desarrollar la tarea, mientras que el resultado final y los resultados registrados establecen lo que se ha logrado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites poolside/laguna-s-2.1 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0004 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0004 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra poolside/laguna-s-2.1
Usa las rutas de método indicadas arriba.
poolside/laguna-s-2.1Poolside Laguna S 2.1 es un modelo de texto para programación con agentes y trabajo a largo plazo, con 118B de parámetros totales y unos 8B activos. Combina un contexto de modelo de 1,048,576 tokens con uso nativo de herramientas y razonamiento intercalado; conservar el razonamiento anterior le ayuda a continuar eficazmente entre llamadas a herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Poolside Laguna S 2.1 es un modelo de lenguaje de mezcla de expertos diseñado para programación con agentes y trabajo a largo plazo. Tiene 118B de parámetros totales y unos 8B activos por token, lo que lo sitúa entre el más pequeño Laguna XS 2.1 y el mayor Laguna M.1 de la serie del fabricante. El modelo procesa texto y produce texto, código, razonamiento y solicitudes de llamadas a herramientas en una aplicación conectada con herramientas.
Su arquitectura combina atención global y de ventana deslizante en 48 capas: 12 capas globales y 36 de ventana deslizante. La ventana deslizante de 512 tokens describe la atención local dentro de esas capas, mientras que el contexto documentado del modelo es de 1,048,576 tokens. Son medidas distintas. El contexto más amplio admite tareas que acumulan archivos fuente, observaciones y decisiones a lo largo de muchos pasos. Mantén juntos el objetivo de trabajo y las pruebas significativas y reserva espacio para el razonamiento posterior y la respuesta final dentro de la configuración aplicable.
El propósito central del modelo es el trabajo de software que requiere persistencia, comprobación y revisión. Para una tarea de repositorio, proporciona el comportamiento esperado, los archivos pertinentes como texto, información de dependencias y la salida real del fallo. Pide un resultado acotado: «Rastrea la causa de esta regresión, propone un cambio que conserve la interfaz documentada e identifica las comprobaciones que distinguirían una corrección de un cambio sin relación». En un flujo conectado con herramientas, proporciona al modelo el resultado de cada comprobación ejecutada antes de que elija el siguiente paso.
Para trabajo de optimización, proporciona mediciones y un objetivo explícito. Un ejemplo es: «Utiliza este perfil y este informe de asignaciones para identificar un cuello de botella. Propón un cambio, explica el efecto esperado y compáralo con la referencia inicial después de repetir la misma medición». Esto permite inspeccionar una afirmación de rendimiento. La publicación de Poolside presenta la verificación y el progreso continuo como comportamientos importantes, pero una explicación persuasiva por sí sola no demuestra que una revisión sea más rápida, correcta o completa. Conserva las observaciones que respaldan mantener o rechazar el cambio.
Laguna S 2.1 admite razonamiento intercalado antes de las llamadas a herramientas y entre ellas. El fabricante recomienda conservar el contenido de razonamiento de mensajes anteriores del asistente en el historial posterior; eliminar esos bloques puede hacer que el razonamiento se detenga en los siguientes pasos. Conserva juntos la respuesta del asistente, la información de llamadas a herramientas y el resultado correspondiente de la herramienta. Esto ayuda a que una tarea más larga continúe desde su estado real en lugar de reconstruir repetidamente lo que ya se intentó.
Las opciones de razonamiento documentadas son off y max, con max activado de forma predeterminada en la configuración descrita por el fabricante. El modelo determina su presupuesto de razonamiento en ese modo; la publicación no presenta controles de esfuerzo separados low, medium y high. Para programación con agentes, Poolside recomienda activar el razonamiento y conservarlo entre pasos. Indica explícitamente el resultado final y los criterios de finalización y distingue una secuencia larga de razonamiento del resultado completado. El fabricante identifica el exceso de razonamiento, especialmente en matemáticas de competición, como una limitación sustancial.
Las definiciones de herramientas requieren especial cuidado. Poolside señala que S 2.1 puede apoyarse inicialmente en una interfaz de herramientas conocida en lugar de seguir con precisión un esquema similar pero distinto. También puede producir JSON mal formado o con escapes incorrectos cuando un argumento de herramienta contiene un array anidado. Proporciona las definiciones reales de argumentos, valida las llamadas propuestas y devuelve un error preciso cuando la llamada no coincida. El fabricante describe la corrección mediante retroalimentación dentro del contexto como una forma de resolver algunas de estas discrepancias. Mantén disponible la observación resultante de la herramienta para la siguiente decisión.
El fabricante publica variantes BF16 y cuantizadas por separado y un modelo borrador DFlash opcional. Son artefactos y recetas de servicio distintos, por lo que el uso de memoria de un checkpoint cuantizado o su rendimiento con decodificación especulativa no se deben suponer a partir del nombre general del modelo. Para trabajo ordinario con texto, prepara el código fuente, la salida de comandos y los fragmentos de documentos como texto legible. La publicación señala que el modelo carece de capacidad de visión; una captura de pantalla necesita una observación textual o un paso adecuado de inspección externa antes de respaldar el análisis.
Solicita una entrega final que identifique el producto modificado, las decisiones importantes, las comprobaciones observadas y cualquier condición sin resolver. Para una revisión de código, conecta los hallazgos con las fuentes pertinentes y muestra por qué cada problema afecta al comportamiento. Para una reparación, separa el parche propuesto de un parche cuyo comportamiento se haya comprobado realmente. Conservar el razonamiento y el historial de herramientas ayuda al modelo a desarrollar la tarea, mientras que el resultado final y los resultados registrados establecen lo que se ha logrado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites poolside/laguna-s-2.1 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0004 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0004 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra poolside/laguna-s-2.1
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.