Poolside Laguna S 2.1 est un modèle de langage à mélange d’experts conçu pour la programmation agentique et les tâches de longue haleine. Il compte 118 milliards de paramètres au total et environ 8 milliards actifs par token, ce qui le place entre le plus petit Laguna XS 2.1 et le plus grand Laguna M.1 dans la série du fabricant. Le modèle traite du texte et produit du texte, du code, du raisonnement et des demandes d’appels d’outils dans une application connectée à des outils.
Son architecture combine une attention globale et une attention à fenêtre glissante sur 48 couches : 12 couches globales et 36 couches à fenêtre glissante. La fenêtre glissante de 512 tokens décrit l’attention locale au sein de ces couches, tandis que le contexte documenté du modèle est de 1 048 576 tokens. Ce sont des mesures différentes. Le contexte plus grand prend en charge les tâches qui accumulent des fichiers source, des observations et des décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments probants significatifs, puis réservez de l’espace au raisonnement ultérieur et à la réponse finale dans la configuration applicable.
Le modèle vise principalement les travaux logiciels qui exigent de la persévérance, des vérifications et des révisions. Pour une tâche sur un dépôt, fournissez le comportement attendu, les fichiers pertinents sous forme de texte, les informations de dépendances et la sortie réelle en échec. Demandez un résultat ciblé : « Retrace la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient une correction d’une modification sans rapport. » Dans un flux connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.
Pour l’optimisation, fournissez des mesures et un objectif explicite. Par exemple : « Utilise ce profil et ce rapport d’allocation pour identifier un goulet d’étranglement. Propose une modification, explique l’effet attendu et compare-le à la référence après avoir répété la même mesure. » L’affirmation de performance devient ainsi inspectable. La présentation de Poolside considère la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne prouve pas à elle seule qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de garder ou de rejeter la modification.
Laguna S 2.1 prend en charge une réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de conserver le contenu de raisonnement des messages précédents de l’assistant dans l’historique suivant ; la suppression de ces blocs peut interrompre le raisonnement lors des étapes ultérieures. Gardez ensemble la réponse de l’assistant, les informations d’appel d’outil et le résultat correspondant. Cela aide une tâche plus longue à se poursuivre à partir de son état réel plutôt que de reconstruire sans cesse ce qui a déjà été tenté.
Les choix de réflexion documentés sont off et max, avec max activé par défaut dans la configuration décrite par le fabricant. Le modèle détermine son budget de réflexion dans ce mode ; la version ne présente pas de commandes d’effort low, medium et high séparées. Pour la programmation agentique, Poolside recommande d’activer la réflexion et de la conserver entre les étapes. Précisez explicitement le livrable final et les critères d’achèvement, puis distinguez une longue séquence de raisonnement du résultat achevé. Le fabricant identifie la réflexion excessive, en particulier sur les mathématiques de compétition, comme une limite significative.
Les définitions d’outils nécessitent une attention particulière. Poolside indique que S 2.1 peut d’abord s’appuyer sur une interface d’outil familière au lieu de suivre de près un schéma similaire mais différent. Il peut aussi produire un JSON mal formé ou incorrectement échappé lorsqu’un argument d’outil contient un tableau imbriqué. Fournissez les définitions réelles des arguments, validez les appels proposés et renvoyez une erreur précise lorsque l’appel ne correspond pas. Le fabricant décrit la correction par un retour dans le contexte comme un moyen de résoudre certaines de ces divergences. Gardez l’observation de l’outil qui en résulte disponible pour la décision suivante.
Le fabricant publie des variantes BF16 et quantifiées séparées ainsi qu’un modèle brouillon DFlash facultatif. Ce sont des livrables et des recettes de mise à disposition distincts : l’utilisation mémoire ou les performances de décodage spéculatif d’un checkpoint quantifié ne doivent donc pas être supposées à partir du nom général du modèle. Pour le travail textuel ordinaire, préparez le code source, les sorties de commandes et les extraits de documents sous forme de texte lisible. La version signale l’absence de capacité visuelle du modèle ; une capture d’écran nécessite une observation textuelle ou une étape d’examen externe appropriée avant de pouvoir étayer l’analyse.
Demandez un livrable final qui identifie le livrable modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats à la source pertinente et montrez pourquoi chaque problème influe sur le comportement. Pour une réparation, séparez le correctif proposé d’un correctif dont le comportement a réellement été vérifié. La conservation du raisonnement et de l’historique des outils aide le modèle à mener la tâche, tandis que le livrable final et les résultats consignés établissent ce qui a été accompli.
", "aboutText": "Poolside Laguna S 2.1 est un modèle de langage à mélange d’experts conçu pour la programmation agentique et les tâches de longue haleine. Il compte 118 milliards de paramètres au total et environ 8 milliards actifs par token, ce qui le place entre le plus petit Laguna XS 2.1 et le plus grand Laguna M.1 dans la série du fabricant. Le modèle traite du texte et produit du texte, du code, du raisonnement et des demandes d’appels d’outils dans une application connectée à des outils.\n\nSon architecture combine une attention globale et une attention à fenêtre glissante sur 48 couches : 12 couches globales et 36 couches à fenêtre glissante. La fenêtre glissante de 512 tokens décrit l’attention locale au sein de ces couches, tandis que le contexte documenté du modèle est de 1 048 576 tokens. Ce sont des mesures différentes. Le contexte plus grand prend en charge les tâches qui accumulent des fichiers source, des observations et des décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments probants significatifs, puis réservez de l’espace au raisonnement ultérieur et à la réponse finale dans la configuration applicable.\n\nLe modèle vise principalement les travaux logiciels qui exigent de la persévérance, des vérifications et des révisions. Pour une tâche sur un dépôt, fournissez le comportement attendu, les fichiers pertinents sous forme de texte, les informations de dépendances et la sortie réelle en échec. Demandez un résultat ciblé : « Retrace la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient une correction d’une modification sans rapport. » Dans un flux connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.\n\nPour l’optimisation, fournissez des mesures et un objectif explicite. Par exemple : « Utilise ce profil et ce rapport d’allocation pour identifier un goulet d’étranglement. Propose une modification, explique l’effet attendu et compare-le à la référence après avoir répété la même mesure. » L’affirmation de performance devient ainsi inspectable. La présentation de Poolside considère la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne prouve pas à elle seule qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de garder ou de rejeter la modification.\n\nLaguna S 2.1 prend en charge une réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de conserver le contenu de raisonnement des messages précédents de l’assistant dans l’historique suivant ; la suppression de ces blocs peut interrompre le raisonnement lors des étapes ultérieures. Gardez ensemble la réponse de l’assistant, les informations d’appel d’outil et le résultat correspondant. Cela aide une tâche plus longue à se poursuivre à partir de son état réel plutôt que de reconstruire sans cesse ce qui a déjà été tenté.\n\nLes choix de réflexion documentés sont off et max, avec max activé par défaut dans la configuration décrite par le fabricant. Le modèle détermine son budget de réflexion dans ce mode ; la version ne présente pas de commandes d’effort low, medium et high séparées. Pour la programmation agentique, Poolside recommande d’activer la réflexion et de la conserver entre les étapes. Précisez explicitement le livrable final et les critères d’achèvement, puis distinguez une longue séquence de raisonnement du résultat achevé. Le fabricant identifie la réflexion excessive, en particulier sur les mathématiques de compétition, comme une limite significative.\n\nLes définitions d’outils nécessitent une attention particulière. Poolside indique que S 2.1 peut d’abord s’appuyer sur une interface d’outil familière au lieu de suivre de près un schéma similaire mais différent. Il peut aussi produire un JSON mal formé ou incorrectement échappé lorsqu’un argument d’outil contient un tableau imbriqué. Fournissez les définitions réelles des arguments, validez les appels proposés et renvoyez une erreur précise lorsque l’appel ne correspond pas. Le fabricant décrit la correction par un retour dans le contexte comme un moyen de résoudre certaines de ces divergences. Gardez l’observation de l’outil qui en résulte disponible pour la décision suivante.\n\nLe fabricant publie des variantes BF16 et quantifiées séparées ainsi qu’un modèle brouillon DFlash facultatif. Ce sont des livrables et des recettes de mise à disposition distincts : l’utilisation mémoire ou les performances de décodage spéculatif d’un checkpoint quantifié ne doivent donc pas être supposées à partir du nom général du modèle. Pour le travail textuel ordinaire, préparez le code source, les sorties de commandes et les extraits de documents sous forme de texte lisible. La version signale l’absence de capacité visuelle du modèle ; une capture d’écran nécessite une observation textuelle ou une étape d’examen externe appropriée avant de pouvoir étayer l’analyse.\n\nDemandez un livrable final qui identifie le livrable modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats à la source pertinente et montrez pourquoi chaque problème influe sur le comportement. Pour une réparation, séparez le correctif proposé d’un correctif dont le comportement a réellement été vérifié. La conservation du raisonnement et de l’historique des outils aide le modèle à mener la tâche, tandis que le livrable final et les résultats consignés établissent ce qui a été accompli.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est un modèle textuel pour la programmation agentique et les tâches de longue haleine, avec 118 milliards de paramètres au total et environ 8 milliards actifs. Il associe un contexte de modèle de 1 048 576 tokens à l’utilisation native d’outils et à un raisonnement intercalé ; la conservation de la réflexion antérieure l’aide à poursuivre efficacement d’un appel d’outil à l’autre.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Poolside Laguna S 2.1 est un modèle de langage à mélange d’experts conçu pour la programmation agentique et les tâches de longue haleine. Il compte 118 milliards de paramètres au total et environ 8 milliards actifs par token, ce qui le place entre le plus petit Laguna XS 2.1 et le plus grand Laguna M.1 dans la série du fabricant. Le modèle traite du texte et produit du texte, du code, du raisonnement et des demandes d’appels d’outils dans une application connectée à des outils.
Son architecture combine une attention globale et une attention à fenêtre glissante sur 48 couches : 12 couches globales et 36 couches à fenêtre glissante. La fenêtre glissante de 512 tokens décrit l’attention locale au sein de ces couches, tandis que le contexte documenté du modèle est de 1 048 576 tokens. Ce sont des mesures différentes. Le contexte plus grand prend en charge les tâches qui accumulent des fichiers source, des observations et des décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments probants significatifs, puis réservez de l’espace au raisonnement ultérieur et à la réponse finale dans la configuration applicable.
Le modèle vise principalement les travaux logiciels qui exigent de la persévérance, des vérifications et des révisions. Pour une tâche sur un dépôt, fournissez le comportement attendu, les fichiers pertinents sous forme de texte, les informations de dépendances et la sortie réelle en échec. Demandez un résultat ciblé : « Retrace la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient une correction d’une modification sans rapport. » Dans un flux connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.
Pour l’optimisation, fournissez des mesures et un objectif explicite. Par exemple : « Utilise ce profil et ce rapport d’allocation pour identifier un goulet d’étranglement. Propose une modification, explique l’effet attendu et compare-le à la référence après avoir répété la même mesure. » L’affirmation de performance devient ainsi inspectable. La présentation de Poolside considère la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne prouve pas à elle seule qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de garder ou de rejeter la modification.
Laguna S 2.1 prend en charge une réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de conserver le contenu de raisonnement des messages précédents de l’assistant dans l’historique suivant ; la suppression de ces blocs peut interrompre le raisonnement lors des étapes ultérieures. Gardez ensemble la réponse de l’assistant, les informations d’appel d’outil et le résultat correspondant. Cela aide une tâche plus longue à se poursuivre à partir de son état réel plutôt que de reconstruire sans cesse ce qui a déjà été tenté.
Les choix de réflexion documentés sont off et max, avec max activé par défaut dans la configuration décrite par le fabricant. Le modèle détermine son budget de réflexion dans ce mode ; la version ne présente pas de commandes d’effort low, medium et high séparées. Pour la programmation agentique, Poolside recommande d’activer la réflexion et de la conserver entre les étapes. Précisez explicitement le livrable final et les critères d’achèvement, puis distinguez une longue séquence de raisonnement du résultat achevé. Le fabricant identifie la réflexion excessive, en particulier sur les mathématiques de compétition, comme une limite significative.
Les définitions d’outils nécessitent une attention particulière. Poolside indique que S 2.1 peut d’abord s’appuyer sur une interface d’outil familière au lieu de suivre de près un schéma similaire mais différent. Il peut aussi produire un JSON mal formé ou incorrectement échappé lorsqu’un argument d’outil contient un tableau imbriqué. Fournissez les définitions réelles des arguments, validez les appels proposés et renvoyez une erreur précise lorsque l’appel ne correspond pas. Le fabricant décrit la correction par un retour dans le contexte comme un moyen de résoudre certaines de ces divergences. Gardez l’observation de l’outil qui en résulte disponible pour la décision suivante.
Le fabricant publie des variantes BF16 et quantifiées séparées ainsi qu’un modèle brouillon DFlash facultatif. Ce sont des livrables et des recettes de mise à disposition distincts : l’utilisation mémoire ou les performances de décodage spéculatif d’un checkpoint quantifié ne doivent donc pas être supposées à partir du nom général du modèle. Pour le travail textuel ordinaire, préparez le code source, les sorties de commandes et les extraits de documents sous forme de texte lisible. La version signale l’absence de capacité visuelle du modèle ; une capture d’écran nécessite une observation textuelle ou une étape d’examen externe appropriée avant de pouvoir étayer l’analyse.
Demandez un livrable final qui identifie le livrable modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats à la source pertinente et montrez pourquoi chaque problème influe sur le comportement. Pour une réparation, séparez le correctif proposé d’un correctif dont le comportement a réellement été vérifié. La conservation du raisonnement et de l’historique des outils aide le modèle à mener la tâche, tandis que le livrable final et les résultats consignés établissent ce qui a été accompli.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites poolside/laguna-s-2.1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra poolside/laguna-s-2.1
Utilisez les chemins de méthode indiqués ci-dessus.
poolside/laguna-s-2.1Poolside Laguna S 2.1 est un modèle textuel pour la programmation agentique et les tâches de longue haleine, avec 118 milliards de paramètres au total et environ 8 milliards actifs. Il associe un contexte de modèle de 1 048 576 tokens à l’utilisation native d’outils et à un raisonnement intercalé ; la conservation de la réflexion antérieure l’aide à poursuivre efficacement d’un appel d’outil à l’autre.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Poolside Laguna S 2.1 est un modèle de langage à mélange d’experts conçu pour la programmation agentique et les tâches de longue haleine. Il compte 118 milliards de paramètres au total et environ 8 milliards actifs par token, ce qui le place entre le plus petit Laguna XS 2.1 et le plus grand Laguna M.1 dans la série du fabricant. Le modèle traite du texte et produit du texte, du code, du raisonnement et des demandes d’appels d’outils dans une application connectée à des outils.
Son architecture combine une attention globale et une attention à fenêtre glissante sur 48 couches : 12 couches globales et 36 couches à fenêtre glissante. La fenêtre glissante de 512 tokens décrit l’attention locale au sein de ces couches, tandis que le contexte documenté du modèle est de 1 048 576 tokens. Ce sont des mesures différentes. Le contexte plus grand prend en charge les tâches qui accumulent des fichiers source, des observations et des décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments probants significatifs, puis réservez de l’espace au raisonnement ultérieur et à la réponse finale dans la configuration applicable.
Le modèle vise principalement les travaux logiciels qui exigent de la persévérance, des vérifications et des révisions. Pour une tâche sur un dépôt, fournissez le comportement attendu, les fichiers pertinents sous forme de texte, les informations de dépendances et la sortie réelle en échec. Demandez un résultat ciblé : « Retrace la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient une correction d’une modification sans rapport. » Dans un flux connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.
Pour l’optimisation, fournissez des mesures et un objectif explicite. Par exemple : « Utilise ce profil et ce rapport d’allocation pour identifier un goulet d’étranglement. Propose une modification, explique l’effet attendu et compare-le à la référence après avoir répété la même mesure. » L’affirmation de performance devient ainsi inspectable. La présentation de Poolside considère la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne prouve pas à elle seule qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de garder ou de rejeter la modification.
Laguna S 2.1 prend en charge une réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de conserver le contenu de raisonnement des messages précédents de l’assistant dans l’historique suivant ; la suppression de ces blocs peut interrompre le raisonnement lors des étapes ultérieures. Gardez ensemble la réponse de l’assistant, les informations d’appel d’outil et le résultat correspondant. Cela aide une tâche plus longue à se poursuivre à partir de son état réel plutôt que de reconstruire sans cesse ce qui a déjà été tenté.
Les choix de réflexion documentés sont off et max, avec max activé par défaut dans la configuration décrite par le fabricant. Le modèle détermine son budget de réflexion dans ce mode ; la version ne présente pas de commandes d’effort low, medium et high séparées. Pour la programmation agentique, Poolside recommande d’activer la réflexion et de la conserver entre les étapes. Précisez explicitement le livrable final et les critères d’achèvement, puis distinguez une longue séquence de raisonnement du résultat achevé. Le fabricant identifie la réflexion excessive, en particulier sur les mathématiques de compétition, comme une limite significative.
Les définitions d’outils nécessitent une attention particulière. Poolside indique que S 2.1 peut d’abord s’appuyer sur une interface d’outil familière au lieu de suivre de près un schéma similaire mais différent. Il peut aussi produire un JSON mal formé ou incorrectement échappé lorsqu’un argument d’outil contient un tableau imbriqué. Fournissez les définitions réelles des arguments, validez les appels proposés et renvoyez une erreur précise lorsque l’appel ne correspond pas. Le fabricant décrit la correction par un retour dans le contexte comme un moyen de résoudre certaines de ces divergences. Gardez l’observation de l’outil qui en résulte disponible pour la décision suivante.
Le fabricant publie des variantes BF16 et quantifiées séparées ainsi qu’un modèle brouillon DFlash facultatif. Ce sont des livrables et des recettes de mise à disposition distincts : l’utilisation mémoire ou les performances de décodage spéculatif d’un checkpoint quantifié ne doivent donc pas être supposées à partir du nom général du modèle. Pour le travail textuel ordinaire, préparez le code source, les sorties de commandes et les extraits de documents sous forme de texte lisible. La version signale l’absence de capacité visuelle du modèle ; une capture d’écran nécessite une observation textuelle ou une étape d’examen externe appropriée avant de pouvoir étayer l’analyse.
Demandez un livrable final qui identifie le livrable modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats à la source pertinente et montrez pourquoi chaque problème influe sur le comportement. Pour une réparation, séparez le correctif proposé d’un correctif dont le comportement a réellement été vérifié. La conservation du raisonnement et de l’historique des outils aide le modèle à mener la tâche, tandis que le livrable final et les résultats consignés établissent ce qui a été accompli.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites poolside/laguna-s-2.1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra poolside/laguna-s-2.1
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.