Poolside Laguna S 2.1 adalah model bahasa mixture-of-experts yang dirancang untuk pemrograman berbasis agen dan pekerjaan jangka panjang. Model ini memiliki 118B parameter total dan sekitar 8B aktif per token, sehingga posisinya berada di antara Laguna XS 2.1 yang lebih kecil dan Laguna M.1 yang lebih besar dalam seri produsen. Model ini memproses teks dan menghasilkan teks, kode, penalaran, serta permintaan pemanggilan alat dalam aplikasi yang terhubung dengan alat.
Arsitekturnya menggabungkan global attention dan sliding-window attention di 48 lapisan: 12 lapisan global dan 36 lapisan sliding-window. Jendela geser 512 token menjelaskan attention lokal di dalam lapisan tersebut, sementara konteks model yang didokumentasikan berukuran 1,048,576 token. Ini adalah ukuran yang berbeda. Konteks yang lebih besar mendukung tugas yang mengumpulkan berkas sumber, pengamatan, dan keputusan selama banyak langkah. Pertahankan tujuan kerja dan bukti yang bermakna bersama, serta sisakan ruang untuk penalaran lanjutan dan respons akhir di dalam konfigurasi yang berlaku.
Tujuan utama model adalah pekerjaan perangkat lunak yang membutuhkan ketekunan, pemeriksaan, dan revisi. Untuk tugas repositori, berikan perilaku yang diharapkan, berkas yang relevan sebagai teks, informasi dependensi, dan keluaran gagal yang sebenarnya. Mintalah hasil yang terarah: “Telusuri penyebab regresi ini, usulkan perubahan yang mempertahankan antarmuka yang didokumentasikan, dan identifikasi pemeriksaan yang dapat membedakan perbaikan dari perubahan yang tidak berkaitan.” Dalam alur kerja yang terhubung dengan alat, berikan hasil setiap pemeriksaan yang dijalankan kepada model sebelum model memilih langkah berikutnya.
Untuk pekerjaan optimasi, berikan pengukuran dan tujuan eksplisit. Contohnya: “Gunakan profil dan laporan alokasi ini untuk mengidentifikasi hambatan. Usulkan satu perubahan, jelaskan dampak yang diharapkan, dan bandingkan dengan baseline setelah pengukuran yang sama diulang.” Ini membuat klaim kinerja dapat diperiksa. Rilis Poolside membahas verifikasi dan kemajuan berkelanjutan sebagai perilaku penting, tetapi penjelasan yang meyakinkan saja tidak membuktikan bahwa revisi lebih cepat, benar, atau selesai. Pertahankan pengamatan yang mendukung keputusan menerima atau menolak perubahan.
Laguna S 2.1 mendukung proses berpikir berselang sebelum dan di antara pemanggilan alat. Produsen merekomendasikan mempertahankan konten penalaran dari pesan asisten sebelumnya dalam riwayat berikutnya; menghapus blok tersebut dapat menyebabkan penalaran berhenti pada langkah tindak lanjut. Simpan respons asisten, informasi pemanggilan alat, dan hasil alat yang terkait bersama. Ini membantu tugas yang lebih panjang berlanjut dari keadaan sebenarnya, bukan berulang kali menyusun ulang apa yang sudah dicoba.
Pilihan proses berpikir yang didokumentasikan adalah off dan max, dengan max diaktifkan secara bawaan dalam pengaturan yang dijelaskan pembuatnya. Model menentukan anggaran berpikirnya dalam mode itu; rilis tersebut tidak menyajikan kontrol upaya low, medium, dan high yang terpisah. Untuk pemrograman berbasis agen, Poolside merekomendasikan mengaktifkan proses berpikir dan mempertahankannya di antara langkah. Nyatakan artefak akhir dan kriteria penyelesaian secara eksplisit, dan bedakan rangkaian penalaran panjang dari hasil yang selesai. Produsen mengidentifikasi proses berpikir yang berlebihan, terutama pada matematika kompetisi, sebagai keterbatasan yang berarti.
Definisi alat memerlukan perhatian khusus. Poolside melaporkan bahwa S 2.1 pada awalnya dapat mengandalkan antarmuka alat yang familier alih-alih mengikuti secara teliti skema yang serupa tetapi berbeda. Model ini juga dapat menghasilkan JSON yang tidak valid atau dengan escape yang keliru ketika argumen alat memuat array bersarang. Berikan definisi argumen yang sebenarnya, validasi pemanggilan yang diusulkan, dan kembalikan galat yang tepat ketika pemanggilan tidak cocok. Pembuatnya menjelaskan koreksi melalui umpan balik dalam konteks sebagai cara mengatasi sebagian ketidaksesuaian ini. Simpan pengamatan alat yang dihasilkan agar tersedia untuk keputusan berikutnya.
Produsen menerbitkan BF16 dan varian terkuantisasi yang terpisah serta model draf DFlash opsional. Itu adalah artefak dan resep penyajian yang berbeda, sehingga penggunaan memori checkpoint terkuantisasi atau kinerja speculative decoding tidak boleh diasumsikan dari nama model umum. Untuk pekerjaan teks biasa, siapkan kode sumber, keluaran perintah, dan kutipan dokumen sebagai teks yang terbaca. Rilis tersebut mencatat ketiadaan kemampuan penglihatan pada model; tangkapan layar membutuhkan pengamatan tekstual atau langkah pemeriksaan eksternal yang sesuai sebelum dapat mendukung analisis.
Mintalah hasil akhir yang mengidentifikasi artefak yang berubah, keputusan penting, pemeriksaan yang diamati, dan kondisi apa pun yang belum terselesaikan. Untuk peninjauan kode, hubungkan temuan dengan sumber yang relevan dan tunjukkan mengapa setiap masalah memengaruhi perilaku. Untuk perbaikan, pisahkan patch yang diusulkan dari patch yang perilakunya benar-benar diperiksa. Mempertahankan penalaran dan riwayat alat membantu model mengerjakan tugas, sementara artefak akhir dan hasil yang tercatat menetapkan apa yang telah dicapai.
", "aboutText": "Poolside Laguna S 2.1 adalah model bahasa mixture-of-experts yang dirancang untuk pemrograman berbasis agen dan pekerjaan jangka panjang. Model ini memiliki 118B parameter total dan sekitar 8B aktif per token, sehingga posisinya berada di antara Laguna XS 2.1 yang lebih kecil dan Laguna M.1 yang lebih besar dalam seri produsen. Model ini memproses teks dan menghasilkan teks, kode, penalaran, serta permintaan pemanggilan alat dalam aplikasi yang terhubung dengan alat.\n\nArsitekturnya menggabungkan global attention dan sliding-window attention di 48 lapisan: 12 lapisan global dan 36 lapisan sliding-window. Jendela geser 512 token menjelaskan attention lokal di dalam lapisan tersebut, sementara konteks model yang didokumentasikan berukuran 1,048,576 token. Ini adalah ukuran yang berbeda. Konteks yang lebih besar mendukung tugas yang mengumpulkan berkas sumber, pengamatan, dan keputusan selama banyak langkah. Pertahankan tujuan kerja dan bukti yang bermakna bersama, serta sisakan ruang untuk penalaran lanjutan dan respons akhir di dalam konfigurasi yang berlaku.\n\nTujuan utama model adalah pekerjaan perangkat lunak yang membutuhkan ketekunan, pemeriksaan, dan revisi. Untuk tugas repositori, berikan perilaku yang diharapkan, berkas yang relevan sebagai teks, informasi dependensi, dan keluaran gagal yang sebenarnya. Mintalah hasil yang terarah: “Telusuri penyebab regresi ini, usulkan perubahan yang mempertahankan antarmuka yang didokumentasikan, dan identifikasi pemeriksaan yang dapat membedakan perbaikan dari perubahan yang tidak berkaitan.” Dalam alur kerja yang terhubung dengan alat, berikan hasil setiap pemeriksaan yang dijalankan kepada model sebelum model memilih langkah berikutnya.\n\nUntuk pekerjaan optimasi, berikan pengukuran dan tujuan eksplisit. Contohnya: “Gunakan profil dan laporan alokasi ini untuk mengidentifikasi hambatan. Usulkan satu perubahan, jelaskan dampak yang diharapkan, dan bandingkan dengan baseline setelah pengukuran yang sama diulang.” Ini membuat klaim kinerja dapat diperiksa. Rilis Poolside membahas verifikasi dan kemajuan berkelanjutan sebagai perilaku penting, tetapi penjelasan yang meyakinkan saja tidak membuktikan bahwa revisi lebih cepat, benar, atau selesai. Pertahankan pengamatan yang mendukung keputusan menerima atau menolak perubahan.\n\nLaguna S 2.1 mendukung proses berpikir berselang sebelum dan di antara pemanggilan alat. Produsen merekomendasikan mempertahankan konten penalaran dari pesan asisten sebelumnya dalam riwayat berikutnya; menghapus blok tersebut dapat menyebabkan penalaran berhenti pada langkah tindak lanjut. Simpan respons asisten, informasi pemanggilan alat, dan hasil alat yang terkait bersama. Ini membantu tugas yang lebih panjang berlanjut dari keadaan sebenarnya, bukan berulang kali menyusun ulang apa yang sudah dicoba.\n\nPilihan proses berpikir yang didokumentasikan adalah off dan max, dengan max diaktifkan secara bawaan dalam pengaturan yang dijelaskan pembuatnya. Model menentukan anggaran berpikirnya dalam mode itu; rilis tersebut tidak menyajikan kontrol upaya low, medium, dan high yang terpisah. Untuk pemrograman berbasis agen, Poolside merekomendasikan mengaktifkan proses berpikir dan mempertahankannya di antara langkah. Nyatakan artefak akhir dan kriteria penyelesaian secara eksplisit, dan bedakan rangkaian penalaran panjang dari hasil yang selesai. Produsen mengidentifikasi proses berpikir yang berlebihan, terutama pada matematika kompetisi, sebagai keterbatasan yang berarti.\n\nDefinisi alat memerlukan perhatian khusus. Poolside melaporkan bahwa S 2.1 pada awalnya dapat mengandalkan antarmuka alat yang familier alih-alih mengikuti secara teliti skema yang serupa tetapi berbeda. Model ini juga dapat menghasilkan JSON yang tidak valid atau dengan escape yang keliru ketika argumen alat memuat array bersarang. Berikan definisi argumen yang sebenarnya, validasi pemanggilan yang diusulkan, dan kembalikan galat yang tepat ketika pemanggilan tidak cocok. Pembuatnya menjelaskan koreksi melalui umpan balik dalam konteks sebagai cara mengatasi sebagian ketidaksesuaian ini. Simpan pengamatan alat yang dihasilkan agar tersedia untuk keputusan berikutnya.\n\nProdusen menerbitkan BF16 dan varian terkuantisasi yang terpisah serta model draf DFlash opsional. Itu adalah artefak dan resep penyajian yang berbeda, sehingga penggunaan memori checkpoint terkuantisasi atau kinerja speculative decoding tidak boleh diasumsikan dari nama model umum. Untuk pekerjaan teks biasa, siapkan kode sumber, keluaran perintah, dan kutipan dokumen sebagai teks yang terbaca. Rilis tersebut mencatat ketiadaan kemampuan penglihatan pada model; tangkapan layar membutuhkan pengamatan tekstual atau langkah pemeriksaan eksternal yang sesuai sebelum dapat mendukung analisis.\n\nMintalah hasil akhir yang mengidentifikasi artefak yang berubah, keputusan penting, pemeriksaan yang diamati, dan kondisi apa pun yang belum terselesaikan. Untuk peninjauan kode, hubungkan temuan dengan sumber yang relevan dan tunjukkan mengapa setiap masalah memengaruhi perilaku. Untuk perbaikan, pisahkan patch yang diusulkan dari patch yang perilakunya benar-benar diperiksa. Mempertahankan penalaran dan riwayat alat membantu model mengerjakan tugas, sementara artefak akhir dan hasil yang tercatat menetapkan apa yang telah dicapai.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 adalah model teks untuk pemrograman berbasis agen dan pekerjaan jangka panjang, dengan 118B parameter total dan sekitar 8B aktif. Model ini menggabungkan konteks model 1,048,576 token dengan penggunaan alat native dan penalaran berselang; mempertahankan proses berpikir sebelumnya membantunya melanjutkan secara efektif di sepanjang pemanggilan alat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Poolside Laguna S 2.1 adalah model bahasa mixture-of-experts yang dirancang untuk pemrograman berbasis agen dan pekerjaan jangka panjang. Model ini memiliki 118B parameter total dan sekitar 8B aktif per token, sehingga posisinya berada di antara Laguna XS 2.1 yang lebih kecil dan Laguna M.1 yang lebih besar dalam seri produsen. Model ini memproses teks dan menghasilkan teks, kode, penalaran, serta permintaan pemanggilan alat dalam aplikasi yang terhubung dengan alat.
Arsitekturnya menggabungkan global attention dan sliding-window attention di 48 lapisan: 12 lapisan global dan 36 lapisan sliding-window. Jendela geser 512 token menjelaskan attention lokal di dalam lapisan tersebut, sementara konteks model yang didokumentasikan berukuran 1,048,576 token. Ini adalah ukuran yang berbeda. Konteks yang lebih besar mendukung tugas yang mengumpulkan berkas sumber, pengamatan, dan keputusan selama banyak langkah. Pertahankan tujuan kerja dan bukti yang bermakna bersama, serta sisakan ruang untuk penalaran lanjutan dan respons akhir di dalam konfigurasi yang berlaku.
Tujuan utama model adalah pekerjaan perangkat lunak yang membutuhkan ketekunan, pemeriksaan, dan revisi. Untuk tugas repositori, berikan perilaku yang diharapkan, berkas yang relevan sebagai teks, informasi dependensi, dan keluaran gagal yang sebenarnya. Mintalah hasil yang terarah: “Telusuri penyebab regresi ini, usulkan perubahan yang mempertahankan antarmuka yang didokumentasikan, dan identifikasi pemeriksaan yang dapat membedakan perbaikan dari perubahan yang tidak berkaitan.” Dalam alur kerja yang terhubung dengan alat, berikan hasil setiap pemeriksaan yang dijalankan kepada model sebelum model memilih langkah berikutnya.
Untuk pekerjaan optimasi, berikan pengukuran dan tujuan eksplisit. Contohnya: “Gunakan profil dan laporan alokasi ini untuk mengidentifikasi hambatan. Usulkan satu perubahan, jelaskan dampak yang diharapkan, dan bandingkan dengan baseline setelah pengukuran yang sama diulang.” Ini membuat klaim kinerja dapat diperiksa. Rilis Poolside membahas verifikasi dan kemajuan berkelanjutan sebagai perilaku penting, tetapi penjelasan yang meyakinkan saja tidak membuktikan bahwa revisi lebih cepat, benar, atau selesai. Pertahankan pengamatan yang mendukung keputusan menerima atau menolak perubahan.
Laguna S 2.1 mendukung proses berpikir berselang sebelum dan di antara pemanggilan alat. Produsen merekomendasikan mempertahankan konten penalaran dari pesan asisten sebelumnya dalam riwayat berikutnya; menghapus blok tersebut dapat menyebabkan penalaran berhenti pada langkah tindak lanjut. Simpan respons asisten, informasi pemanggilan alat, dan hasil alat yang terkait bersama. Ini membantu tugas yang lebih panjang berlanjut dari keadaan sebenarnya, bukan berulang kali menyusun ulang apa yang sudah dicoba.
Pilihan proses berpikir yang didokumentasikan adalah off dan max, dengan max diaktifkan secara bawaan dalam pengaturan yang dijelaskan pembuatnya. Model menentukan anggaran berpikirnya dalam mode itu; rilis tersebut tidak menyajikan kontrol upaya low, medium, dan high yang terpisah. Untuk pemrograman berbasis agen, Poolside merekomendasikan mengaktifkan proses berpikir dan mempertahankannya di antara langkah. Nyatakan artefak akhir dan kriteria penyelesaian secara eksplisit, dan bedakan rangkaian penalaran panjang dari hasil yang selesai. Produsen mengidentifikasi proses berpikir yang berlebihan, terutama pada matematika kompetisi, sebagai keterbatasan yang berarti.
Definisi alat memerlukan perhatian khusus. Poolside melaporkan bahwa S 2.1 pada awalnya dapat mengandalkan antarmuka alat yang familier alih-alih mengikuti secara teliti skema yang serupa tetapi berbeda. Model ini juga dapat menghasilkan JSON yang tidak valid atau dengan escape yang keliru ketika argumen alat memuat array bersarang. Berikan definisi argumen yang sebenarnya, validasi pemanggilan yang diusulkan, dan kembalikan galat yang tepat ketika pemanggilan tidak cocok. Pembuatnya menjelaskan koreksi melalui umpan balik dalam konteks sebagai cara mengatasi sebagian ketidaksesuaian ini. Simpan pengamatan alat yang dihasilkan agar tersedia untuk keputusan berikutnya.
Produsen menerbitkan BF16 dan varian terkuantisasi yang terpisah serta model draf DFlash opsional. Itu adalah artefak dan resep penyajian yang berbeda, sehingga penggunaan memori checkpoint terkuantisasi atau kinerja speculative decoding tidak boleh diasumsikan dari nama model umum. Untuk pekerjaan teks biasa, siapkan kode sumber, keluaran perintah, dan kutipan dokumen sebagai teks yang terbaca. Rilis tersebut mencatat ketiadaan kemampuan penglihatan pada model; tangkapan layar membutuhkan pengamatan tekstual atau langkah pemeriksaan eksternal yang sesuai sebelum dapat mendukung analisis.
Mintalah hasil akhir yang mengidentifikasi artefak yang berubah, keputusan penting, pemeriksaan yang diamati, dan kondisi apa pun yang belum terselesaikan. Untuk peninjauan kode, hubungkan temuan dengan sumber yang relevan dan tunjukkan mengapa setiap masalah memengaruhi perilaku. Untuk perbaikan, pisahkan patch yang diusulkan dari patch yang perilakunya benar-benar diperiksa. Mempertahankan penalaran dan riwayat alat membantu model mengerjakan tugas, sementara artefak akhir dan hasil yang tercatat menetapkan apa yang telah dicapai.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan poolside/laguna-s-2.1 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0004 / 1K token Masukan · Pembacaan cache $0.00002 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0004 / 1K token Masukan · Pembacaan cache $0.00002 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra poolside/laguna-s-2.1
Gunakan jalur metode yang ditampilkan di atas.
poolside/laguna-s-2.1Poolside Laguna S 2.1 adalah model teks untuk pemrograman berbasis agen dan pekerjaan jangka panjang, dengan 118B parameter total dan sekitar 8B aktif. Model ini menggabungkan konteks model 1,048,576 token dengan penggunaan alat native dan penalaran berselang; mempertahankan proses berpikir sebelumnya membantunya melanjutkan secara efektif di sepanjang pemanggilan alat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Poolside Laguna S 2.1 adalah model bahasa mixture-of-experts yang dirancang untuk pemrograman berbasis agen dan pekerjaan jangka panjang. Model ini memiliki 118B parameter total dan sekitar 8B aktif per token, sehingga posisinya berada di antara Laguna XS 2.1 yang lebih kecil dan Laguna M.1 yang lebih besar dalam seri produsen. Model ini memproses teks dan menghasilkan teks, kode, penalaran, serta permintaan pemanggilan alat dalam aplikasi yang terhubung dengan alat.
Arsitekturnya menggabungkan global attention dan sliding-window attention di 48 lapisan: 12 lapisan global dan 36 lapisan sliding-window. Jendela geser 512 token menjelaskan attention lokal di dalam lapisan tersebut, sementara konteks model yang didokumentasikan berukuran 1,048,576 token. Ini adalah ukuran yang berbeda. Konteks yang lebih besar mendukung tugas yang mengumpulkan berkas sumber, pengamatan, dan keputusan selama banyak langkah. Pertahankan tujuan kerja dan bukti yang bermakna bersama, serta sisakan ruang untuk penalaran lanjutan dan respons akhir di dalam konfigurasi yang berlaku.
Tujuan utama model adalah pekerjaan perangkat lunak yang membutuhkan ketekunan, pemeriksaan, dan revisi. Untuk tugas repositori, berikan perilaku yang diharapkan, berkas yang relevan sebagai teks, informasi dependensi, dan keluaran gagal yang sebenarnya. Mintalah hasil yang terarah: “Telusuri penyebab regresi ini, usulkan perubahan yang mempertahankan antarmuka yang didokumentasikan, dan identifikasi pemeriksaan yang dapat membedakan perbaikan dari perubahan yang tidak berkaitan.” Dalam alur kerja yang terhubung dengan alat, berikan hasil setiap pemeriksaan yang dijalankan kepada model sebelum model memilih langkah berikutnya.
Untuk pekerjaan optimasi, berikan pengukuran dan tujuan eksplisit. Contohnya: “Gunakan profil dan laporan alokasi ini untuk mengidentifikasi hambatan. Usulkan satu perubahan, jelaskan dampak yang diharapkan, dan bandingkan dengan baseline setelah pengukuran yang sama diulang.” Ini membuat klaim kinerja dapat diperiksa. Rilis Poolside membahas verifikasi dan kemajuan berkelanjutan sebagai perilaku penting, tetapi penjelasan yang meyakinkan saja tidak membuktikan bahwa revisi lebih cepat, benar, atau selesai. Pertahankan pengamatan yang mendukung keputusan menerima atau menolak perubahan.
Laguna S 2.1 mendukung proses berpikir berselang sebelum dan di antara pemanggilan alat. Produsen merekomendasikan mempertahankan konten penalaran dari pesan asisten sebelumnya dalam riwayat berikutnya; menghapus blok tersebut dapat menyebabkan penalaran berhenti pada langkah tindak lanjut. Simpan respons asisten, informasi pemanggilan alat, dan hasil alat yang terkait bersama. Ini membantu tugas yang lebih panjang berlanjut dari keadaan sebenarnya, bukan berulang kali menyusun ulang apa yang sudah dicoba.
Pilihan proses berpikir yang didokumentasikan adalah off dan max, dengan max diaktifkan secara bawaan dalam pengaturan yang dijelaskan pembuatnya. Model menentukan anggaran berpikirnya dalam mode itu; rilis tersebut tidak menyajikan kontrol upaya low, medium, dan high yang terpisah. Untuk pemrograman berbasis agen, Poolside merekomendasikan mengaktifkan proses berpikir dan mempertahankannya di antara langkah. Nyatakan artefak akhir dan kriteria penyelesaian secara eksplisit, dan bedakan rangkaian penalaran panjang dari hasil yang selesai. Produsen mengidentifikasi proses berpikir yang berlebihan, terutama pada matematika kompetisi, sebagai keterbatasan yang berarti.
Definisi alat memerlukan perhatian khusus. Poolside melaporkan bahwa S 2.1 pada awalnya dapat mengandalkan antarmuka alat yang familier alih-alih mengikuti secara teliti skema yang serupa tetapi berbeda. Model ini juga dapat menghasilkan JSON yang tidak valid atau dengan escape yang keliru ketika argumen alat memuat array bersarang. Berikan definisi argumen yang sebenarnya, validasi pemanggilan yang diusulkan, dan kembalikan galat yang tepat ketika pemanggilan tidak cocok. Pembuatnya menjelaskan koreksi melalui umpan balik dalam konteks sebagai cara mengatasi sebagian ketidaksesuaian ini. Simpan pengamatan alat yang dihasilkan agar tersedia untuk keputusan berikutnya.
Produsen menerbitkan BF16 dan varian terkuantisasi yang terpisah serta model draf DFlash opsional. Itu adalah artefak dan resep penyajian yang berbeda, sehingga penggunaan memori checkpoint terkuantisasi atau kinerja speculative decoding tidak boleh diasumsikan dari nama model umum. Untuk pekerjaan teks biasa, siapkan kode sumber, keluaran perintah, dan kutipan dokumen sebagai teks yang terbaca. Rilis tersebut mencatat ketiadaan kemampuan penglihatan pada model; tangkapan layar membutuhkan pengamatan tekstual atau langkah pemeriksaan eksternal yang sesuai sebelum dapat mendukung analisis.
Mintalah hasil akhir yang mengidentifikasi artefak yang berubah, keputusan penting, pemeriksaan yang diamati, dan kondisi apa pun yang belum terselesaikan. Untuk peninjauan kode, hubungkan temuan dengan sumber yang relevan dan tunjukkan mengapa setiap masalah memengaruhi perilaku. Untuk perbaikan, pisahkan patch yang diusulkan dari patch yang perilakunya benar-benar diperiksa. Mempertahankan penalaran dan riwayat alat membantu model mengerjakan tugas, sementara artefak akhir dan hasil yang tercatat menetapkan apa yang telah dicapai.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan poolside/laguna-s-2.1 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0004 / 1K token Masukan · Pembacaan cache $0.00002 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0004 / 1K token Masukan · Pembacaan cache $0.00002 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra poolside/laguna-s-2.1
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.