Poolside Laguna S 2.1 ialah model bahasa campuran pakar yang direka untuk pengekodan berasaskan ejen dan kerja jangka panjang. Ia mempunyai 118B jumlah parameter dan kira-kira 8B aktif bagi setiap token, meletakkannya di antara Laguna XS 2.1 yang lebih kecil dan Laguna M.1 yang lebih besar dalam siri pengeluar. Model ini memproses teks dan menghasilkan teks, kod, penaakulan serta permintaan panggilan alat dalam aplikasi yang disambungkan kepada alat.
Seni binanya menggabungkan perhatian global dan tetingkap gelongsor merentas 48 lapisan: 12 lapisan global dan 36 lapisan tetingkap gelongsor. Tetingkap gelongsor 512 token menerangkan perhatian setempat dalam lapisan tersebut, manakala konteks model yang didokumenkan ialah 1,048,576 token. Ini ialah ukuran yang berbeza. Konteks yang lebih besar menyokong tugas yang mengumpulkan fail sumber, pemerhatian dan keputusan melalui banyak langkah. Simpan objektif kerja dan bukti bermakna bersama-sama, serta sediakan ruang untuk penaakulan seterusnya dan respons akhir dalam konfigurasi yang terpakai.
Tujuan utama model ialah kerja perisian yang memerlukan ketekunan, semakan dan semakan semula. Untuk tugas repositori, berikan tingkah laku yang dijangka, fail yang berkaitan sebagai teks, maklumat kebergantungan dan output sebenar yang gagal. Minta hasil yang terfokus: “Jejaki punca regresi ini, cadangkan perubahan yang mengekalkan antara muka yang didokumenkan dan kenal pasti semakan yang dapat membezakan pembetulan daripada perubahan yang tidak berkaitan.” Dalam aliran kerja yang disambungkan kepada alat, berikan kepada model hasil setiap semakan yang dilaksanakan sebelum ia memilih langkah seterusnya.
Untuk kerja pengoptimuman, berikan ukuran dan objektif yang jelas. Contohnya: “Gunakan profil dan laporan peruntukan ini untuk mengenal pasti kesesakan. Cadangkan satu perubahan, terangkan kesan yang dijangka dan bandingkannya dengan garis dasar selepas ukuran yang sama diulang.” Ini menjadikan dakwaan prestasi boleh diperiksa. Keluaran Poolside membincangkan pengesahan dan kemajuan berterusan sebagai tingkah laku penting, tetapi penerangan yang meyakinkan sahaja tidak membuktikan bahawa versi yang disemak semula itu lebih pantas, betul atau lengkap. Kekalkan pemerhatian yang menyokong keputusan untuk mengekalkan atau menolak perubahan.
Laguna S 2.1 menyokong pemikiran berselang sebelum dan antara panggilan alat. Pengeluar mengesyorkan pengekalan kandungan penaakulan daripada mesej pembantu terdahulu dalam sejarah seterusnya; menggugurkan blok itu boleh menyebabkan penaakulan berhenti dalam langkah susulan. Simpan respons pembantu, maklumat panggilan alat dan hasil alat yang sepadan bersama-sama. Ini membantu tugas yang lebih panjang diteruskan daripada keadaan sebenarnya, dan bukannya membina semula perkara yang sudah dicuba berulang kali.
Pilihan pemikiran yang didokumenkan ialah off dan max, dengan max didayakan secara lalai dalam persediaan yang diterangkan oleh pembuat. Model menentukan bajet pemikirannya dalam mod itu; keluaran ini tidak membentangkan kawalan usaha low, medium dan high yang berasingan. Untuk pengekodan berasaskan ejen, Poolside mengesyorkan supaya pemikiran didayakan dan dikekalkan antara langkah. Nyatakan artifak akhir dan kriteria penyelesaian secara jelas, dan bezakan urutan penaakulan yang panjang daripada hasil yang telah selesai. Pengeluar mengenal pasti pemikiran berlebihan, khususnya dalam matematik pertandingan, sebagai batasan yang ketara.
Takrif alat memerlukan perhatian khusus. Poolside melaporkan bahawa S 2.1 pada mulanya mungkin bergantung pada antara muka alat yang biasa dikenalinya dan bukannya mematuhi skema yang serupa tetapi berbeza dengan teliti. Ia juga boleh menghasilkan JSON yang cacat atau mempunyai aksara lepas yang salah apabila argumen alat mengandungi tatasusunan bersarang. Berikan takrif argumen sebenar, sahkan cadangan panggilan dan kembalikan ralat yang tepat apabila panggilan tidak sepadan. Pembuat menerangkan pembetulan melalui maklum balas dalam konteks sebagai cara menyelesaikan sebahagian ketidakpadanan ini. Pastikan pemerhatian alat yang terhasil tersedia untuk keputusan seterusnya.
Pengeluar menerbitkan varian BF16 dan terkuantum yang berasingan serta model draf DFlash pilihan. Ini ialah artifak dan resipi penyajian yang berbeza, maka penggunaan memori atau prestasi penyahkodan spekulatif sesuatu checkpoint terkuantum tidak patut diandaikan daripada nama model umum. Untuk kerja teks biasa, sediakan kod sumber, output arahan dan petikan dokumen sebagai teks yang boleh dibaca. Keluaran ini menyatakan bahawa model tiada keupayaan penglihatan; tangkap layar memerlukan pemerhatian teks atau langkah pemeriksaan luaran yang sesuai sebelum ia boleh menyokong analisis.
Minta hasil serahan akhir yang mengenal pasti artifak yang berubah, keputusan penting, semakan yang diperhatikan dan sebarang syarat yang belum diselesaikan. Untuk semakan kod, hubungkan dapatan dengan sumber yang berkaitan dan tunjukkan sebab setiap isu mempengaruhi tingkah laku. Untuk pembaikan, asingkan cadangan tampalan daripada tampalan yang tingkah lakunya benar-benar disemak. Pengekalan sejarah penaakulan dan alat membantu model menyelesaikan tugas, manakala artifak akhir dan hasil yang direkodkan membuktikan perkara yang telah dicapai.
", "aboutText": "Poolside Laguna S 2.1 ialah model bahasa campuran pakar yang direka untuk pengekodan berasaskan ejen dan kerja jangka panjang. Ia mempunyai 118B jumlah parameter dan kira-kira 8B aktif bagi setiap token, meletakkannya di antara Laguna XS 2.1 yang lebih kecil dan Laguna M.1 yang lebih besar dalam siri pengeluar. Model ini memproses teks dan menghasilkan teks, kod, penaakulan serta permintaan panggilan alat dalam aplikasi yang disambungkan kepada alat.\n\nSeni binanya menggabungkan perhatian global dan tetingkap gelongsor merentas 48 lapisan: 12 lapisan global dan 36 lapisan tetingkap gelongsor. Tetingkap gelongsor 512 token menerangkan perhatian setempat dalam lapisan tersebut, manakala konteks model yang didokumenkan ialah 1,048,576 token. Ini ialah ukuran yang berbeza. Konteks yang lebih besar menyokong tugas yang mengumpulkan fail sumber, pemerhatian dan keputusan melalui banyak langkah. Simpan objektif kerja dan bukti bermakna bersama-sama, serta sediakan ruang untuk penaakulan seterusnya dan respons akhir dalam konfigurasi yang terpakai.\n\nTujuan utama model ialah kerja perisian yang memerlukan ketekunan, semakan dan semakan semula. Untuk tugas repositori, berikan tingkah laku yang dijangka, fail yang berkaitan sebagai teks, maklumat kebergantungan dan output sebenar yang gagal. Minta hasil yang terfokus: “Jejaki punca regresi ini, cadangkan perubahan yang mengekalkan antara muka yang didokumenkan dan kenal pasti semakan yang dapat membezakan pembetulan daripada perubahan yang tidak berkaitan.” Dalam aliran kerja yang disambungkan kepada alat, berikan kepada model hasil setiap semakan yang dilaksanakan sebelum ia memilih langkah seterusnya.\n\nUntuk kerja pengoptimuman, berikan ukuran dan objektif yang jelas. Contohnya: “Gunakan profil dan laporan peruntukan ini untuk mengenal pasti kesesakan. Cadangkan satu perubahan, terangkan kesan yang dijangka dan bandingkannya dengan garis dasar selepas ukuran yang sama diulang.” Ini menjadikan dakwaan prestasi boleh diperiksa. Keluaran Poolside membincangkan pengesahan dan kemajuan berterusan sebagai tingkah laku penting, tetapi penerangan yang meyakinkan sahaja tidak membuktikan bahawa versi yang disemak semula itu lebih pantas, betul atau lengkap. Kekalkan pemerhatian yang menyokong keputusan untuk mengekalkan atau menolak perubahan.\n\nLaguna S 2.1 menyokong pemikiran berselang sebelum dan antara panggilan alat. Pengeluar mengesyorkan pengekalan kandungan penaakulan daripada mesej pembantu terdahulu dalam sejarah seterusnya; menggugurkan blok itu boleh menyebabkan penaakulan berhenti dalam langkah susulan. Simpan respons pembantu, maklumat panggilan alat dan hasil alat yang sepadan bersama-sama. Ini membantu tugas yang lebih panjang diteruskan daripada keadaan sebenarnya, dan bukannya membina semula perkara yang sudah dicuba berulang kali.\n\nPilihan pemikiran yang didokumenkan ialah off dan max, dengan max didayakan secara lalai dalam persediaan yang diterangkan oleh pembuat. Model menentukan bajet pemikirannya dalam mod itu; keluaran ini tidak membentangkan kawalan usaha low, medium dan high yang berasingan. Untuk pengekodan berasaskan ejen, Poolside mengesyorkan supaya pemikiran didayakan dan dikekalkan antara langkah. Nyatakan artifak akhir dan kriteria penyelesaian secara jelas, dan bezakan urutan penaakulan yang panjang daripada hasil yang telah selesai. Pengeluar mengenal pasti pemikiran berlebihan, khususnya dalam matematik pertandingan, sebagai batasan yang ketara.\n\nTakrif alat memerlukan perhatian khusus. Poolside melaporkan bahawa S 2.1 pada mulanya mungkin bergantung pada antara muka alat yang biasa dikenalinya dan bukannya mematuhi skema yang serupa tetapi berbeza dengan teliti. Ia juga boleh menghasilkan JSON yang cacat atau mempunyai aksara lepas yang salah apabila argumen alat mengandungi tatasusunan bersarang. Berikan takrif argumen sebenar, sahkan cadangan panggilan dan kembalikan ralat yang tepat apabila panggilan tidak sepadan. Pembuat menerangkan pembetulan melalui maklum balas dalam konteks sebagai cara menyelesaikan sebahagian ketidakpadanan ini. Pastikan pemerhatian alat yang terhasil tersedia untuk keputusan seterusnya.\n\nPengeluar menerbitkan varian BF16 dan terkuantum yang berasingan serta model draf DFlash pilihan. Ini ialah artifak dan resipi penyajian yang berbeza, maka penggunaan memori atau prestasi penyahkodan spekulatif sesuatu checkpoint terkuantum tidak patut diandaikan daripada nama model umum. Untuk kerja teks biasa, sediakan kod sumber, output arahan dan petikan dokumen sebagai teks yang boleh dibaca. Keluaran ini menyatakan bahawa model tiada keupayaan penglihatan; tangkap layar memerlukan pemerhatian teks atau langkah pemeriksaan luaran yang sesuai sebelum ia boleh menyokong analisis.\n\nMinta hasil serahan akhir yang mengenal pasti artifak yang berubah, keputusan penting, semakan yang diperhatikan dan sebarang syarat yang belum diselesaikan. Untuk semakan kod, hubungkan dapatan dengan sumber yang berkaitan dan tunjukkan sebab setiap isu mempengaruhi tingkah laku. Untuk pembaikan, asingkan cadangan tampalan daripada tampalan yang tingkah lakunya benar-benar disemak. Pengekalan sejarah penaakulan dan alat membantu model menyelesaikan tugas, manakala artifak akhir dan hasil yang direkodkan membuktikan perkara yang telah dicapai.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah model teks untuk pengekodan berasaskan ejen dan kerja jangka panjang, dengan 118B jumlah parameter dan kira-kira 8B parameter aktif. Ia menggabungkan konteks model 1,048,576 token dengan penggunaan alat natif dan penaakulan berselang; pengekalan pemikiran terdahulu membantunya meneruskan kerja dengan berkesan merentas panggilan alat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Poolside Laguna S 2.1 ialah model bahasa campuran pakar yang direka untuk pengekodan berasaskan ejen dan kerja jangka panjang. Ia mempunyai 118B jumlah parameter dan kira-kira 8B aktif bagi setiap token, meletakkannya di antara Laguna XS 2.1 yang lebih kecil dan Laguna M.1 yang lebih besar dalam siri pengeluar. Model ini memproses teks dan menghasilkan teks, kod, penaakulan serta permintaan panggilan alat dalam aplikasi yang disambungkan kepada alat.
Seni binanya menggabungkan perhatian global dan tetingkap gelongsor merentas 48 lapisan: 12 lapisan global dan 36 lapisan tetingkap gelongsor. Tetingkap gelongsor 512 token menerangkan perhatian setempat dalam lapisan tersebut, manakala konteks model yang didokumenkan ialah 1,048,576 token. Ini ialah ukuran yang berbeza. Konteks yang lebih besar menyokong tugas yang mengumpulkan fail sumber, pemerhatian dan keputusan melalui banyak langkah. Simpan objektif kerja dan bukti bermakna bersama-sama, serta sediakan ruang untuk penaakulan seterusnya dan respons akhir dalam konfigurasi yang terpakai.
Tujuan utama model ialah kerja perisian yang memerlukan ketekunan, semakan dan semakan semula. Untuk tugas repositori, berikan tingkah laku yang dijangka, fail yang berkaitan sebagai teks, maklumat kebergantungan dan output sebenar yang gagal. Minta hasil yang terfokus: “Jejaki punca regresi ini, cadangkan perubahan yang mengekalkan antara muka yang didokumenkan dan kenal pasti semakan yang dapat membezakan pembetulan daripada perubahan yang tidak berkaitan.” Dalam aliran kerja yang disambungkan kepada alat, berikan kepada model hasil setiap semakan yang dilaksanakan sebelum ia memilih langkah seterusnya.
Untuk kerja pengoptimuman, berikan ukuran dan objektif yang jelas. Contohnya: “Gunakan profil dan laporan peruntukan ini untuk mengenal pasti kesesakan. Cadangkan satu perubahan, terangkan kesan yang dijangka dan bandingkannya dengan garis dasar selepas ukuran yang sama diulang.” Ini menjadikan dakwaan prestasi boleh diperiksa. Keluaran Poolside membincangkan pengesahan dan kemajuan berterusan sebagai tingkah laku penting, tetapi penerangan yang meyakinkan sahaja tidak membuktikan bahawa versi yang disemak semula itu lebih pantas, betul atau lengkap. Kekalkan pemerhatian yang menyokong keputusan untuk mengekalkan atau menolak perubahan.
Laguna S 2.1 menyokong pemikiran berselang sebelum dan antara panggilan alat. Pengeluar mengesyorkan pengekalan kandungan penaakulan daripada mesej pembantu terdahulu dalam sejarah seterusnya; menggugurkan blok itu boleh menyebabkan penaakulan berhenti dalam langkah susulan. Simpan respons pembantu, maklumat panggilan alat dan hasil alat yang sepadan bersama-sama. Ini membantu tugas yang lebih panjang diteruskan daripada keadaan sebenarnya, dan bukannya membina semula perkara yang sudah dicuba berulang kali.
Pilihan pemikiran yang didokumenkan ialah off dan max, dengan max didayakan secara lalai dalam persediaan yang diterangkan oleh pembuat. Model menentukan bajet pemikirannya dalam mod itu; keluaran ini tidak membentangkan kawalan usaha low, medium dan high yang berasingan. Untuk pengekodan berasaskan ejen, Poolside mengesyorkan supaya pemikiran didayakan dan dikekalkan antara langkah. Nyatakan artifak akhir dan kriteria penyelesaian secara jelas, dan bezakan urutan penaakulan yang panjang daripada hasil yang telah selesai. Pengeluar mengenal pasti pemikiran berlebihan, khususnya dalam matematik pertandingan, sebagai batasan yang ketara.
Takrif alat memerlukan perhatian khusus. Poolside melaporkan bahawa S 2.1 pada mulanya mungkin bergantung pada antara muka alat yang biasa dikenalinya dan bukannya mematuhi skema yang serupa tetapi berbeza dengan teliti. Ia juga boleh menghasilkan JSON yang cacat atau mempunyai aksara lepas yang salah apabila argumen alat mengandungi tatasusunan bersarang. Berikan takrif argumen sebenar, sahkan cadangan panggilan dan kembalikan ralat yang tepat apabila panggilan tidak sepadan. Pembuat menerangkan pembetulan melalui maklum balas dalam konteks sebagai cara menyelesaikan sebahagian ketidakpadanan ini. Pastikan pemerhatian alat yang terhasil tersedia untuk keputusan seterusnya.
Pengeluar menerbitkan varian BF16 dan terkuantum yang berasingan serta model draf DFlash pilihan. Ini ialah artifak dan resipi penyajian yang berbeza, maka penggunaan memori atau prestasi penyahkodan spekulatif sesuatu checkpoint terkuantum tidak patut diandaikan daripada nama model umum. Untuk kerja teks biasa, sediakan kod sumber, output arahan dan petikan dokumen sebagai teks yang boleh dibaca. Keluaran ini menyatakan bahawa model tiada keupayaan penglihatan; tangkap layar memerlukan pemerhatian teks atau langkah pemeriksaan luaran yang sesuai sebelum ia boleh menyokong analisis.
Minta hasil serahan akhir yang mengenal pasti artifak yang berubah, keputusan penting, semakan yang diperhatikan dan sebarang syarat yang belum diselesaikan. Untuk semakan kod, hubungkan dapatan dengan sumber yang berkaitan dan tunjukkan sebab setiap isu mempengaruhi tingkah laku. Untuk pembaikan, asingkan cadangan tampalan daripada tampalan yang tingkah lakunya benar-benar disemak. Pengekalan sejarah penaakulan dan alat membantu model menyelesaikan tugas, manakala artifak akhir dan hasil yang direkodkan membuktikan perkara yang telah dicapai.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had poolside/laguna-s-2.1 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
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 berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0004 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0004 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra poolside/laguna-s-2.1
Gunakan laluan kaedah yang dipaparkan di atas.
poolside/laguna-s-2.1Poolside Laguna S 2.1 ialah model teks untuk pengekodan berasaskan ejen dan kerja jangka panjang, dengan 118B jumlah parameter dan kira-kira 8B parameter aktif. Ia menggabungkan konteks model 1,048,576 token dengan penggunaan alat natif dan penaakulan berselang; pengekalan pemikiran terdahulu membantunya meneruskan kerja dengan berkesan merentas panggilan alat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Poolside Laguna S 2.1 ialah model bahasa campuran pakar yang direka untuk pengekodan berasaskan ejen dan kerja jangka panjang. Ia mempunyai 118B jumlah parameter dan kira-kira 8B aktif bagi setiap token, meletakkannya di antara Laguna XS 2.1 yang lebih kecil dan Laguna M.1 yang lebih besar dalam siri pengeluar. Model ini memproses teks dan menghasilkan teks, kod, penaakulan serta permintaan panggilan alat dalam aplikasi yang disambungkan kepada alat.
Seni binanya menggabungkan perhatian global dan tetingkap gelongsor merentas 48 lapisan: 12 lapisan global dan 36 lapisan tetingkap gelongsor. Tetingkap gelongsor 512 token menerangkan perhatian setempat dalam lapisan tersebut, manakala konteks model yang didokumenkan ialah 1,048,576 token. Ini ialah ukuran yang berbeza. Konteks yang lebih besar menyokong tugas yang mengumpulkan fail sumber, pemerhatian dan keputusan melalui banyak langkah. Simpan objektif kerja dan bukti bermakna bersama-sama, serta sediakan ruang untuk penaakulan seterusnya dan respons akhir dalam konfigurasi yang terpakai.
Tujuan utama model ialah kerja perisian yang memerlukan ketekunan, semakan dan semakan semula. Untuk tugas repositori, berikan tingkah laku yang dijangka, fail yang berkaitan sebagai teks, maklumat kebergantungan dan output sebenar yang gagal. Minta hasil yang terfokus: “Jejaki punca regresi ini, cadangkan perubahan yang mengekalkan antara muka yang didokumenkan dan kenal pasti semakan yang dapat membezakan pembetulan daripada perubahan yang tidak berkaitan.” Dalam aliran kerja yang disambungkan kepada alat, berikan kepada model hasil setiap semakan yang dilaksanakan sebelum ia memilih langkah seterusnya.
Untuk kerja pengoptimuman, berikan ukuran dan objektif yang jelas. Contohnya: “Gunakan profil dan laporan peruntukan ini untuk mengenal pasti kesesakan. Cadangkan satu perubahan, terangkan kesan yang dijangka dan bandingkannya dengan garis dasar selepas ukuran yang sama diulang.” Ini menjadikan dakwaan prestasi boleh diperiksa. Keluaran Poolside membincangkan pengesahan dan kemajuan berterusan sebagai tingkah laku penting, tetapi penerangan yang meyakinkan sahaja tidak membuktikan bahawa versi yang disemak semula itu lebih pantas, betul atau lengkap. Kekalkan pemerhatian yang menyokong keputusan untuk mengekalkan atau menolak perubahan.
Laguna S 2.1 menyokong pemikiran berselang sebelum dan antara panggilan alat. Pengeluar mengesyorkan pengekalan kandungan penaakulan daripada mesej pembantu terdahulu dalam sejarah seterusnya; menggugurkan blok itu boleh menyebabkan penaakulan berhenti dalam langkah susulan. Simpan respons pembantu, maklumat panggilan alat dan hasil alat yang sepadan bersama-sama. Ini membantu tugas yang lebih panjang diteruskan daripada keadaan sebenarnya, dan bukannya membina semula perkara yang sudah dicuba berulang kali.
Pilihan pemikiran yang didokumenkan ialah off dan max, dengan max didayakan secara lalai dalam persediaan yang diterangkan oleh pembuat. Model menentukan bajet pemikirannya dalam mod itu; keluaran ini tidak membentangkan kawalan usaha low, medium dan high yang berasingan. Untuk pengekodan berasaskan ejen, Poolside mengesyorkan supaya pemikiran didayakan dan dikekalkan antara langkah. Nyatakan artifak akhir dan kriteria penyelesaian secara jelas, dan bezakan urutan penaakulan yang panjang daripada hasil yang telah selesai. Pengeluar mengenal pasti pemikiran berlebihan, khususnya dalam matematik pertandingan, sebagai batasan yang ketara.
Takrif alat memerlukan perhatian khusus. Poolside melaporkan bahawa S 2.1 pada mulanya mungkin bergantung pada antara muka alat yang biasa dikenalinya dan bukannya mematuhi skema yang serupa tetapi berbeza dengan teliti. Ia juga boleh menghasilkan JSON yang cacat atau mempunyai aksara lepas yang salah apabila argumen alat mengandungi tatasusunan bersarang. Berikan takrif argumen sebenar, sahkan cadangan panggilan dan kembalikan ralat yang tepat apabila panggilan tidak sepadan. Pembuat menerangkan pembetulan melalui maklum balas dalam konteks sebagai cara menyelesaikan sebahagian ketidakpadanan ini. Pastikan pemerhatian alat yang terhasil tersedia untuk keputusan seterusnya.
Pengeluar menerbitkan varian BF16 dan terkuantum yang berasingan serta model draf DFlash pilihan. Ini ialah artifak dan resipi penyajian yang berbeza, maka penggunaan memori atau prestasi penyahkodan spekulatif sesuatu checkpoint terkuantum tidak patut diandaikan daripada nama model umum. Untuk kerja teks biasa, sediakan kod sumber, output arahan dan petikan dokumen sebagai teks yang boleh dibaca. Keluaran ini menyatakan bahawa model tiada keupayaan penglihatan; tangkap layar memerlukan pemerhatian teks atau langkah pemeriksaan luaran yang sesuai sebelum ia boleh menyokong analisis.
Minta hasil serahan akhir yang mengenal pasti artifak yang berubah, keputusan penting, semakan yang diperhatikan dan sebarang syarat yang belum diselesaikan. Untuk semakan kod, hubungkan dapatan dengan sumber yang berkaitan dan tunjukkan sebab setiap isu mempengaruhi tingkah laku. Untuk pembaikan, asingkan cadangan tampalan daripada tampalan yang tingkah lakunya benar-benar disemak. Pengekalan sejarah penaakulan dan alat membantu model menyelesaikan tugas, manakala artifak akhir dan hasil yang direkodkan membuktikan perkara yang telah dicapai.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had poolside/laguna-s-2.1 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan 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 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0004 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0004 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra poolside/laguna-s-2.1
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.