Poolside Laguna S 2.1 è un modello linguistico mixture-of-experts progettato per programmazione basata su agenti e attività di lungo periodo. Ha 118B parametri totali e circa 8B attivi per token, collocandosi tra il più piccolo Laguna XS 2.1 e il più grande Laguna M.1 nella serie del produttore. Il modello elabora testo e produce testo, codice, ragionamento e richieste di chiamata agli strumenti in un'applicazione collegata a strumenti.
La sua architettura combina attenzione globale e a finestra scorrevole in 48 livelli: 12 livelli globali e 36 livelli a finestra scorrevole. La finestra scorrevole di 512 token descrive l'attenzione locale entro quei livelli, mentre il contesto documentato del modello è di 1.048.576 token. Sono misure diverse. Il contesto più ampio supporta compiti che accumulano file sorgente, osservazioni e decisioni lungo molti passaggi. Mantieni insieme l'obiettivo di lavoro e le evidenze significative e riserva spazio al ragionamento successivo e alla risposta finale entro la configurazione applicabile.
Lo scopo centrale del modello è il lavoro software che richiede continuità, verifiche e revisioni. Per un compito su un repository, fornisci il comportamento atteso, i file pertinenti come testo, le informazioni sulle dipendenze e l'output effettivo che mostra il problema. Chiedi un risultato mirato: «Ricostruisci la causa di questa regressione, proponi una modifica che mantenga l'interfaccia documentata e identifica le verifiche che distinguerebbero una correzione da una modifica non pertinente». In un flusso collegato a strumenti, fornisci al modello il risultato di ogni verifica eseguita prima che scelga il passaggio successivo.
Per l'ottimizzazione, fornisci misurazioni e un obiettivo esplicito. Un esempio è: «Usa questo profilo e rapporto di allocazione per identificare un collo di bottiglia. Proponi una modifica, spiega l'effetto atteso e confrontala con la situazione di riferimento dopo aver ripetuto la stessa misurazione». Questo rende una dichiarazione di prestazioni verificabile. La versione di Poolside tratta la verifica e il progresso continuo come comportamenti importanti, ma una spiegazione persuasiva da sola non dimostra che una revisione sia più veloce, corretta o completa. Conserva le osservazioni che sostengono la scelta di mantenere o rifiutare la modifica.
Laguna S 2.1 supporta il ragionamento intercalato prima delle chiamate agli strumenti e tra una chiamata e l'altra. Il produttore consiglia di conservare nella cronologia successiva il contenuto di ragionamento dei messaggi precedenti dell'assistente; eliminare quei blocchi può far cessare il ragionamento nei passaggi seguenti. Mantieni insieme la risposta dell'assistente, le informazioni sulle chiamate agli strumenti e il risultato corrispondente dello strumento. Questo aiuta un compito lungo a proseguire dal suo stato effettivo anziché ricostruire ripetutamente ciò che è già stato tentato.
Le opzioni di ragionamento documentate sono off e max, con max abilitato per impostazione predefinita nella configurazione descritta dal produttore. Il modello determina il proprio budget di ragionamento in quella modalità; la versione non presenta controlli separati di impegno low, medium e high. Per la programmazione basata su agenti, Poolside consiglia di abilitare il ragionamento e conservarlo tra i passaggi. Indica esplicitamente l'artefatto finale e i criteri di completamento e distingui una lunga sequenza di ragionamento dal risultato completato. Il produttore identifica l'eccesso di ragionamento, soprattutto nella matematica competitiva, come un limite sostanziale.
Le definizioni degli strumenti richiedono particolare attenzione. Poolside segnala che S 2.1 può inizialmente affidarsi a un'interfaccia di strumenti familiare anziché seguire con precisione uno schema simile ma diverso. Può anche produrre JSON malformato o con escape errati quando un argomento dello strumento contiene un array annidato. Fornisci le definizioni effettive degli argomenti, convalida le chiamate proposte e restituisci un errore preciso quando la chiamata non corrisponde. Il produttore descrive la correzione tramite feedback nel contesto come un modo per risolvere alcune di queste discrepanze. Mantieni l'osservazione risultante dello strumento disponibile per la decisione successiva.
Il produttore pubblica varianti separate BF16 e quantizzate e un modello draft DFlash opzionale. Sono artefatti e ricette di serving distinti, quindi l'uso di memoria di un checkpoint quantizzato o le prestazioni di decodifica speculativa non vanno dedotti dal nome generale del modello. Per il normale lavoro testuale, prepara codice sorgente, output dei comandi ed estratti di documenti come testo leggibile. La versione segnala l'assenza di capacità visive del modello; uno screenshot richiede un'osservazione testuale o un passaggio esterno di ispezione appropriato prima di poter supportare l'analisi.
Richiedi un risultato finale che identifichi l'artefatto modificato, le decisioni importanti, le verifiche osservate e ogni condizione irrisolta. Per una revisione del codice, collega i risultati al sorgente pertinente e mostra perché ogni problema influisce sul comportamento. Per una correzione, separa la patch proposta da una patch il cui comportamento è stato effettivamente verificato. Conservare il ragionamento e la cronologia degli strumenti aiuta il modello a svolgere il compito, mentre l'artefatto finale e i risultati registrati stabiliscono ciò che è stato realizzato.
", "aboutText": "Poolside Laguna S 2.1 è un modello linguistico mixture-of-experts progettato per programmazione basata su agenti e attività di lungo periodo. Ha 118B parametri totali e circa 8B attivi per token, collocandosi tra il più piccolo Laguna XS 2.1 e il più grande Laguna M.1 nella serie del produttore. Il modello elabora testo e produce testo, codice, ragionamento e richieste di chiamata agli strumenti in un'applicazione collegata a strumenti.\n\nLa sua architettura combina attenzione globale e a finestra scorrevole in 48 livelli: 12 livelli globali e 36 livelli a finestra scorrevole. La finestra scorrevole di 512 token descrive l'attenzione locale entro quei livelli, mentre il contesto documentato del modello è di 1.048.576 token. Sono misure diverse. Il contesto più ampio supporta compiti che accumulano file sorgente, osservazioni e decisioni lungo molti passaggi. Mantieni insieme l'obiettivo di lavoro e le evidenze significative e riserva spazio al ragionamento successivo e alla risposta finale entro la configurazione applicabile.\n\nLo scopo centrale del modello è il lavoro software che richiede continuità, verifiche e revisioni. Per un compito su un repository, fornisci il comportamento atteso, i file pertinenti come testo, le informazioni sulle dipendenze e l'output effettivo che mostra il problema. Chiedi un risultato mirato: «Ricostruisci la causa di questa regressione, proponi una modifica che mantenga l'interfaccia documentata e identifica le verifiche che distinguerebbero una correzione da una modifica non pertinente». In un flusso collegato a strumenti, fornisci al modello il risultato di ogni verifica eseguita prima che scelga il passaggio successivo.\n\nPer l'ottimizzazione, fornisci misurazioni e un obiettivo esplicito. Un esempio è: «Usa questo profilo e rapporto di allocazione per identificare un collo di bottiglia. Proponi una modifica, spiega l'effetto atteso e confrontala con la situazione di riferimento dopo aver ripetuto la stessa misurazione». Questo rende una dichiarazione di prestazioni verificabile. La versione di Poolside tratta la verifica e il progresso continuo come comportamenti importanti, ma una spiegazione persuasiva da sola non dimostra che una revisione sia più veloce, corretta o completa. Conserva le osservazioni che sostengono la scelta di mantenere o rifiutare la modifica.\n\nLaguna S 2.1 supporta il ragionamento intercalato prima delle chiamate agli strumenti e tra una chiamata e l'altra. Il produttore consiglia di conservare nella cronologia successiva il contenuto di ragionamento dei messaggi precedenti dell'assistente; eliminare quei blocchi può far cessare il ragionamento nei passaggi seguenti. Mantieni insieme la risposta dell'assistente, le informazioni sulle chiamate agli strumenti e il risultato corrispondente dello strumento. Questo aiuta un compito lungo a proseguire dal suo stato effettivo anziché ricostruire ripetutamente ciò che è già stato tentato.\n\nLe opzioni di ragionamento documentate sono off e max, con max abilitato per impostazione predefinita nella configurazione descritta dal produttore. Il modello determina il proprio budget di ragionamento in quella modalità; la versione non presenta controlli separati di impegno low, medium e high. Per la programmazione basata su agenti, Poolside consiglia di abilitare il ragionamento e conservarlo tra i passaggi. Indica esplicitamente l'artefatto finale e i criteri di completamento e distingui una lunga sequenza di ragionamento dal risultato completato. Il produttore identifica l'eccesso di ragionamento, soprattutto nella matematica competitiva, come un limite sostanziale.\n\nLe definizioni degli strumenti richiedono particolare attenzione. Poolside segnala che S 2.1 può inizialmente affidarsi a un'interfaccia di strumenti familiare anziché seguire con precisione uno schema simile ma diverso. Può anche produrre JSON malformato o con escape errati quando un argomento dello strumento contiene un array annidato. Fornisci le definizioni effettive degli argomenti, convalida le chiamate proposte e restituisci un errore preciso quando la chiamata non corrisponde. Il produttore descrive la correzione tramite feedback nel contesto come un modo per risolvere alcune di queste discrepanze. Mantieni l'osservazione risultante dello strumento disponibile per la decisione successiva.\n\nIl produttore pubblica varianti separate BF16 e quantizzate e un modello draft DFlash opzionale. Sono artefatti e ricette di serving distinti, quindi l'uso di memoria di un checkpoint quantizzato o le prestazioni di decodifica speculativa non vanno dedotti dal nome generale del modello. Per il normale lavoro testuale, prepara codice sorgente, output dei comandi ed estratti di documenti come testo leggibile. La versione segnala l'assenza di capacità visive del modello; uno screenshot richiede un'osservazione testuale o un passaggio esterno di ispezione appropriato prima di poter supportare l'analisi.\n\nRichiedi un risultato finale che identifichi l'artefatto modificato, le decisioni importanti, le verifiche osservate e ogni condizione irrisolta. Per una revisione del codice, collega i risultati al sorgente pertinente e mostra perché ogni problema influisce sul comportamento. Per una correzione, separa la patch proposta da una patch il cui comportamento è stato effettivamente verificato. Conservare il ragionamento e la cronologia degli strumenti aiuta il modello a svolgere il compito, mentre l'artefatto finale e i risultati registrati stabiliscono ciò che è stato realizzato.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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 è un modello testuale per programmazione basata su agenti e attività di lungo periodo, con 118B parametri totali e circa 8B attivi. Combina un contesto del modello di 1.048.576 token con uso nativo degli strumenti e ragionamento intercalato; conservare il ragionamento precedente lo aiuta a proseguire efficacemente tra le chiamate agli strumenti.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Poolside Laguna S 2.1 è un modello linguistico mixture-of-experts progettato per programmazione basata su agenti e attività di lungo periodo. Ha 118B parametri totali e circa 8B attivi per token, collocandosi tra il più piccolo Laguna XS 2.1 e il più grande Laguna M.1 nella serie del produttore. Il modello elabora testo e produce testo, codice, ragionamento e richieste di chiamata agli strumenti in un'applicazione collegata a strumenti.
La sua architettura combina attenzione globale e a finestra scorrevole in 48 livelli: 12 livelli globali e 36 livelli a finestra scorrevole. La finestra scorrevole di 512 token descrive l'attenzione locale entro quei livelli, mentre il contesto documentato del modello è di 1.048.576 token. Sono misure diverse. Il contesto più ampio supporta compiti che accumulano file sorgente, osservazioni e decisioni lungo molti passaggi. Mantieni insieme l'obiettivo di lavoro e le evidenze significative e riserva spazio al ragionamento successivo e alla risposta finale entro la configurazione applicabile.
Lo scopo centrale del modello è il lavoro software che richiede continuità, verifiche e revisioni. Per un compito su un repository, fornisci il comportamento atteso, i file pertinenti come testo, le informazioni sulle dipendenze e l'output effettivo che mostra il problema. Chiedi un risultato mirato: «Ricostruisci la causa di questa regressione, proponi una modifica che mantenga l'interfaccia documentata e identifica le verifiche che distinguerebbero una correzione da una modifica non pertinente». In un flusso collegato a strumenti, fornisci al modello il risultato di ogni verifica eseguita prima che scelga il passaggio successivo.
Per l'ottimizzazione, fornisci misurazioni e un obiettivo esplicito. Un esempio è: «Usa questo profilo e rapporto di allocazione per identificare un collo di bottiglia. Proponi una modifica, spiega l'effetto atteso e confrontala con la situazione di riferimento dopo aver ripetuto la stessa misurazione». Questo rende una dichiarazione di prestazioni verificabile. La versione di Poolside tratta la verifica e il progresso continuo come comportamenti importanti, ma una spiegazione persuasiva da sola non dimostra che una revisione sia più veloce, corretta o completa. Conserva le osservazioni che sostengono la scelta di mantenere o rifiutare la modifica.
Laguna S 2.1 supporta il ragionamento intercalato prima delle chiamate agli strumenti e tra una chiamata e l'altra. Il produttore consiglia di conservare nella cronologia successiva il contenuto di ragionamento dei messaggi precedenti dell'assistente; eliminare quei blocchi può far cessare il ragionamento nei passaggi seguenti. Mantieni insieme la risposta dell'assistente, le informazioni sulle chiamate agli strumenti e il risultato corrispondente dello strumento. Questo aiuta un compito lungo a proseguire dal suo stato effettivo anziché ricostruire ripetutamente ciò che è già stato tentato.
Le opzioni di ragionamento documentate sono off e max, con max abilitato per impostazione predefinita nella configurazione descritta dal produttore. Il modello determina il proprio budget di ragionamento in quella modalità; la versione non presenta controlli separati di impegno low, medium e high. Per la programmazione basata su agenti, Poolside consiglia di abilitare il ragionamento e conservarlo tra i passaggi. Indica esplicitamente l'artefatto finale e i criteri di completamento e distingui una lunga sequenza di ragionamento dal risultato completato. Il produttore identifica l'eccesso di ragionamento, soprattutto nella matematica competitiva, come un limite sostanziale.
Le definizioni degli strumenti richiedono particolare attenzione. Poolside segnala che S 2.1 può inizialmente affidarsi a un'interfaccia di strumenti familiare anziché seguire con precisione uno schema simile ma diverso. Può anche produrre JSON malformato o con escape errati quando un argomento dello strumento contiene un array annidato. Fornisci le definizioni effettive degli argomenti, convalida le chiamate proposte e restituisci un errore preciso quando la chiamata non corrisponde. Il produttore descrive la correzione tramite feedback nel contesto come un modo per risolvere alcune di queste discrepanze. Mantieni l'osservazione risultante dello strumento disponibile per la decisione successiva.
Il produttore pubblica varianti separate BF16 e quantizzate e un modello draft DFlash opzionale. Sono artefatti e ricette di serving distinti, quindi l'uso di memoria di un checkpoint quantizzato o le prestazioni di decodifica speculativa non vanno dedotti dal nome generale del modello. Per il normale lavoro testuale, prepara codice sorgente, output dei comandi ed estratti di documenti come testo leggibile. La versione segnala l'assenza di capacità visive del modello; uno screenshot richiede un'osservazione testuale o un passaggio esterno di ispezione appropriato prima di poter supportare l'analisi.
Richiedi un risultato finale che identifichi l'artefatto modificato, le decisioni importanti, le verifiche osservate e ogni condizione irrisolta. Per una revisione del codice, collega i risultati al sorgente pertinente e mostra perché ogni problema influisce sul comportamento. Per una correzione, separa la patch proposta da una patch il cui comportamento è stato effettivamente verificato. Conservare il ragionamento e la cronologia degli strumenti aiuta il modello a svolgere il compito, mentre l'artefatto finale e i risultati registrati stabiliscono ciò che è stato realizzato.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti poolside/laguna-s-2.1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| 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 |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra poolside/laguna-s-2.1
Usa i percorsi dei metodi indicati sopra.
poolside/laguna-s-2.1Poolside Laguna S 2.1 è un modello testuale per programmazione basata su agenti e attività di lungo periodo, con 118B parametri totali e circa 8B attivi. Combina un contesto del modello di 1.048.576 token con uso nativo degli strumenti e ragionamento intercalato; conservare il ragionamento precedente lo aiuta a proseguire efficacemente tra le chiamate agli strumenti.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Poolside Laguna S 2.1 è un modello linguistico mixture-of-experts progettato per programmazione basata su agenti e attività di lungo periodo. Ha 118B parametri totali e circa 8B attivi per token, collocandosi tra il più piccolo Laguna XS 2.1 e il più grande Laguna M.1 nella serie del produttore. Il modello elabora testo e produce testo, codice, ragionamento e richieste di chiamata agli strumenti in un'applicazione collegata a strumenti.
La sua architettura combina attenzione globale e a finestra scorrevole in 48 livelli: 12 livelli globali e 36 livelli a finestra scorrevole. La finestra scorrevole di 512 token descrive l'attenzione locale entro quei livelli, mentre il contesto documentato del modello è di 1.048.576 token. Sono misure diverse. Il contesto più ampio supporta compiti che accumulano file sorgente, osservazioni e decisioni lungo molti passaggi. Mantieni insieme l'obiettivo di lavoro e le evidenze significative e riserva spazio al ragionamento successivo e alla risposta finale entro la configurazione applicabile.
Lo scopo centrale del modello è il lavoro software che richiede continuità, verifiche e revisioni. Per un compito su un repository, fornisci il comportamento atteso, i file pertinenti come testo, le informazioni sulle dipendenze e l'output effettivo che mostra il problema. Chiedi un risultato mirato: «Ricostruisci la causa di questa regressione, proponi una modifica che mantenga l'interfaccia documentata e identifica le verifiche che distinguerebbero una correzione da una modifica non pertinente». In un flusso collegato a strumenti, fornisci al modello il risultato di ogni verifica eseguita prima che scelga il passaggio successivo.
Per l'ottimizzazione, fornisci misurazioni e un obiettivo esplicito. Un esempio è: «Usa questo profilo e rapporto di allocazione per identificare un collo di bottiglia. Proponi una modifica, spiega l'effetto atteso e confrontala con la situazione di riferimento dopo aver ripetuto la stessa misurazione». Questo rende una dichiarazione di prestazioni verificabile. La versione di Poolside tratta la verifica e il progresso continuo come comportamenti importanti, ma una spiegazione persuasiva da sola non dimostra che una revisione sia più veloce, corretta o completa. Conserva le osservazioni che sostengono la scelta di mantenere o rifiutare la modifica.
Laguna S 2.1 supporta il ragionamento intercalato prima delle chiamate agli strumenti e tra una chiamata e l'altra. Il produttore consiglia di conservare nella cronologia successiva il contenuto di ragionamento dei messaggi precedenti dell'assistente; eliminare quei blocchi può far cessare il ragionamento nei passaggi seguenti. Mantieni insieme la risposta dell'assistente, le informazioni sulle chiamate agli strumenti e il risultato corrispondente dello strumento. Questo aiuta un compito lungo a proseguire dal suo stato effettivo anziché ricostruire ripetutamente ciò che è già stato tentato.
Le opzioni di ragionamento documentate sono off e max, con max abilitato per impostazione predefinita nella configurazione descritta dal produttore. Il modello determina il proprio budget di ragionamento in quella modalità; la versione non presenta controlli separati di impegno low, medium e high. Per la programmazione basata su agenti, Poolside consiglia di abilitare il ragionamento e conservarlo tra i passaggi. Indica esplicitamente l'artefatto finale e i criteri di completamento e distingui una lunga sequenza di ragionamento dal risultato completato. Il produttore identifica l'eccesso di ragionamento, soprattutto nella matematica competitiva, come un limite sostanziale.
Le definizioni degli strumenti richiedono particolare attenzione. Poolside segnala che S 2.1 può inizialmente affidarsi a un'interfaccia di strumenti familiare anziché seguire con precisione uno schema simile ma diverso. Può anche produrre JSON malformato o con escape errati quando un argomento dello strumento contiene un array annidato. Fornisci le definizioni effettive degli argomenti, convalida le chiamate proposte e restituisci un errore preciso quando la chiamata non corrisponde. Il produttore descrive la correzione tramite feedback nel contesto come un modo per risolvere alcune di queste discrepanze. Mantieni l'osservazione risultante dello strumento disponibile per la decisione successiva.
Il produttore pubblica varianti separate BF16 e quantizzate e un modello draft DFlash opzionale. Sono artefatti e ricette di serving distinti, quindi l'uso di memoria di un checkpoint quantizzato o le prestazioni di decodifica speculativa non vanno dedotti dal nome generale del modello. Per il normale lavoro testuale, prepara codice sorgente, output dei comandi ed estratti di documenti come testo leggibile. La versione segnala l'assenza di capacità visive del modello; uno screenshot richiede un'osservazione testuale o un passaggio esterno di ispezione appropriato prima di poter supportare l'analisi.
Richiedi un risultato finale che identifichi l'artefatto modificato, le decisioni importanti, le verifiche osservate e ogni condizione irrisolta. Per una revisione del codice, collega i risultati al sorgente pertinente e mostra perché ogni problema influisce sul comportamento. Per una correzione, separa la patch proposta da una patch il cui comportamento è stato effettivamente verificato. Conservare il ragionamento e la cronologia degli strumenti aiuta il modello a svolgere il compito, mentre l'artefatto finale e i risultati registrati stabiliscono ciò che è stato realizzato.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti poolside/laguna-s-2.1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0004 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra poolside/laguna-s-2.1
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.