Poolside Laguna S 2.1 er en mixture-of-experts-språkmodell utformet for agentbasert koding og langvarig arbeid. Den har 118B parametere totalt og omtrent 8B aktive per token, noe som plasserer den mellom den mindre Laguna XS 2.1 og den større Laguna M.1 i produsentens serie. Modellen behandler tekst og produserer tekst, kode, resonnering og forespørsler om verktøykall i en verktøytilkoblet applikasjon.
Arkitekturen kombinerer global oppmerksomhet og oppmerksomhet med glidende vindu over 48 lag: 12 globale lag og 36 lag med glidende vindu. Det glidende vinduet på 512 token beskriver lokal oppmerksomhet i disse lagene, mens den dokumenterte modellkonteksten er på 1,048,576 token. Dette er ulike mål. Den større konteksten støtter oppgaver som samler kildefiler, observasjoner og beslutninger over mange trinn. Hold arbeidsmålet og meningsfullt belegg samlet, og reserver plass til senere resonnering og sluttsvaret innenfor gjeldende konfigurasjon.
Modellens hovedformål er programvarearbeid som krever utholdenhet, kontroll og revisjon. For en oppgave i en kodebase bør du oppgi forventet oppførsel, relevante filer som tekst, avhengighetsinformasjon og de faktiske utdataene som viser svikten. Be om et avgrenset resultat: «Spor årsaken til denne regresjonen, foreslå en endring som bevarer det dokumenterte grensesnittet, og identifiser kontrollene som vil skille en retting fra en uvedkommende endring.» I en verktøytilkoblet arbeidsflyt bør modellen få resultatet av hver utførte kontroll før den velger neste trinn.
For optimaliseringsarbeid bør du oppgi målinger og et uttrykkelig mål. Et eksempel er: «Bruk denne profilen og allokeringsrapporten til å identifisere en flaskehals. Foreslå én endring, forklar forventet effekt, og sammenlign med utgangspunktet etter at samme måling er gjentatt.» Dette gjør en ytelsespåstand mulig å etterprøve. Poolsides utgivelse omtaler verifikasjon og fortsatt fremdrift som viktige egenskaper, men en overbevisende forklaring alene fastslår ikke at en revisjon er raskere, riktig eller fullstendig. Bevar observasjonene som støtter å beholde eller forkaste endringen.
Laguna S 2.1 støtter innflettet tenkning før og mellom verktøykall. Produsenten anbefaler å bevare resonneringsinnhold fra tidligere assistentmeldinger i påfølgende historikk; å utelate disse blokkene kan få resonneringen til å stoppe i oppfølgingstrinn. Hold assistentsvaret, informasjonen om verktøykallet og det tilhørende verktøyresultatet samlet. Dette hjelper en lengre oppgave med å fortsette fra sin faktiske tilstand fremfor gjentatte ganger å rekonstruere det som allerede er forsøkt.
De dokumenterte valgene for tenkning er off og max, med max aktivert som standard i oppsettet produsenten beskriver. Modellen bestemmer tenkebudsjettet i denne modusen; utgivelsen presenterer ikke egne kontroller for nivåene low, medium og high. For agentbasert koding anbefaler Poolside å aktivere tenkning og beholde den mellom trinnene. Oppgi sluttprodukt og fullføringskriterier uttrykkelig, og skill en lang resonneringssekvens fra det fullførte resultatet. Produsenten identifiserer overtenkning, særlig i konkurransematematikk, som en vesentlig begrensning.
Verktøydefinisjoner krever særlig omtanke. Poolside rapporterer at S 2.1 innledningsvis kan støtte seg på et kjent verktøygrensesnitt fremfor å følge et lignende, men forskjellig skjema nøye. Den kan også produsere feilformet eller feilaktig escaped JSON når et verktøyargument inneholder en nestet matrise. Oppgi de faktiske argumentdefinisjonene, valider foreslåtte kall, og returner en presis feil når kallet ikke samsvarer. Produsenten beskriver korrigering gjennom tilbakemelding i konteksten som en måte å løse enkelte av disse avvikene på. Hold den resulterende verktøyobservasjonen tilgjengelig for neste beslutning.
Produsenten publiserer egne BF16- og kvantiserte varianter og en valgfri DFlash-utkastmodell. Dette er separate produkter og serveringsoppskrifter, så minnebruken til et kvantisert sjekkpunkt eller ytelsen ved spekulativ dekoding bør ikke antas ut fra det generelle modellnavnet. For vanlig tekstarbeid bør du klargjøre kildekode, kommandoutdata og dokumentutdrag som lesbar tekst. Utgivelsen bemerker at modellen mangler synsevne; et skjermbilde trenger en tekstlig observasjon eller et passende eksternt inspeksjonstrinn før det kan støtte analysen.
Be om en sluttleveranse som identifiserer det endrede produktet, viktige beslutninger, observerte kontroller og eventuelle uavklarte forhold. Ved kodegjennomgang bør funn knyttes til relevant kildekode, med en forklaring på hvorfor hvert problem påvirker oppførselen. Ved en retting bør den foreslåtte endringen skilles fra en endring der oppførselen faktisk er kontrollert. Å beholde resonnering og verktøyhistorikk hjelper modellen gjennom oppgaven, mens sluttproduktet og registrerte resultater fastslår hva som ble oppnådd.
", "aboutText": "Poolside Laguna S 2.1 er en mixture-of-experts-språkmodell utformet for agentbasert koding og langvarig arbeid. Den har 118B parametere totalt og omtrent 8B aktive per token, noe som plasserer den mellom den mindre Laguna XS 2.1 og den større Laguna M.1 i produsentens serie. Modellen behandler tekst og produserer tekst, kode, resonnering og forespørsler om verktøykall i en verktøytilkoblet applikasjon.\n\nArkitekturen kombinerer global oppmerksomhet og oppmerksomhet med glidende vindu over 48 lag: 12 globale lag og 36 lag med glidende vindu. Det glidende vinduet på 512 token beskriver lokal oppmerksomhet i disse lagene, mens den dokumenterte modellkonteksten er på 1,048,576 token. Dette er ulike mål. Den større konteksten støtter oppgaver som samler kildefiler, observasjoner og beslutninger over mange trinn. Hold arbeidsmålet og meningsfullt belegg samlet, og reserver plass til senere resonnering og sluttsvaret innenfor gjeldende konfigurasjon.\n\nModellens hovedformål er programvarearbeid som krever utholdenhet, kontroll og revisjon. For en oppgave i en kodebase bør du oppgi forventet oppførsel, relevante filer som tekst, avhengighetsinformasjon og de faktiske utdataene som viser svikten. Be om et avgrenset resultat: «Spor årsaken til denne regresjonen, foreslå en endring som bevarer det dokumenterte grensesnittet, og identifiser kontrollene som vil skille en retting fra en uvedkommende endring.» I en verktøytilkoblet arbeidsflyt bør modellen få resultatet av hver utførte kontroll før den velger neste trinn.\n\nFor optimaliseringsarbeid bør du oppgi målinger og et uttrykkelig mål. Et eksempel er: «Bruk denne profilen og allokeringsrapporten til å identifisere en flaskehals. Foreslå én endring, forklar forventet effekt, og sammenlign med utgangspunktet etter at samme måling er gjentatt.» Dette gjør en ytelsespåstand mulig å etterprøve. Poolsides utgivelse omtaler verifikasjon og fortsatt fremdrift som viktige egenskaper, men en overbevisende forklaring alene fastslår ikke at en revisjon er raskere, riktig eller fullstendig. Bevar observasjonene som støtter å beholde eller forkaste endringen.\n\nLaguna S 2.1 støtter innflettet tenkning før og mellom verktøykall. Produsenten anbefaler å bevare resonneringsinnhold fra tidligere assistentmeldinger i påfølgende historikk; å utelate disse blokkene kan få resonneringen til å stoppe i oppfølgingstrinn. Hold assistentsvaret, informasjonen om verktøykallet og det tilhørende verktøyresultatet samlet. Dette hjelper en lengre oppgave med å fortsette fra sin faktiske tilstand fremfor gjentatte ganger å rekonstruere det som allerede er forsøkt.\n\nDe dokumenterte valgene for tenkning er off og max, med max aktivert som standard i oppsettet produsenten beskriver. Modellen bestemmer tenkebudsjettet i denne modusen; utgivelsen presenterer ikke egne kontroller for nivåene low, medium og high. For agentbasert koding anbefaler Poolside å aktivere tenkning og beholde den mellom trinnene. Oppgi sluttprodukt og fullføringskriterier uttrykkelig, og skill en lang resonneringssekvens fra det fullførte resultatet. Produsenten identifiserer overtenkning, særlig i konkurransematematikk, som en vesentlig begrensning.\n\nVerktøydefinisjoner krever særlig omtanke. Poolside rapporterer at S 2.1 innledningsvis kan støtte seg på et kjent verktøygrensesnitt fremfor å følge et lignende, men forskjellig skjema nøye. Den kan også produsere feilformet eller feilaktig escaped JSON når et verktøyargument inneholder en nestet matrise. Oppgi de faktiske argumentdefinisjonene, valider foreslåtte kall, og returner en presis feil når kallet ikke samsvarer. Produsenten beskriver korrigering gjennom tilbakemelding i konteksten som en måte å løse enkelte av disse avvikene på. Hold den resulterende verktøyobservasjonen tilgjengelig for neste beslutning.\n\nProdusenten publiserer egne BF16- og kvantiserte varianter og en valgfri DFlash-utkastmodell. Dette er separate produkter og serveringsoppskrifter, så minnebruken til et kvantisert sjekkpunkt eller ytelsen ved spekulativ dekoding bør ikke antas ut fra det generelle modellnavnet. For vanlig tekstarbeid bør du klargjøre kildekode, kommandoutdata og dokumentutdrag som lesbar tekst. Utgivelsen bemerker at modellen mangler synsevne; et skjermbilde trenger en tekstlig observasjon eller et passende eksternt inspeksjonstrinn før det kan støtte analysen.\n\nBe om en sluttleveranse som identifiserer det endrede produktet, viktige beslutninger, observerte kontroller og eventuelle uavklarte forhold. Ved kodegjennomgang bør funn knyttes til relevant kildekode, med en forklaring på hvorfor hvert problem påvirker oppførselen. Ved en retting bør den foreslåtte endringen skilles fra en endring der oppførselen faktisk er kontrollert. Å beholde resonnering og verktøyhistorikk hjelper modellen gjennom oppgaven, mens sluttproduktet og registrerte resultater fastslår hva som ble oppnådd.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 er en tekstmodell for agentbasert koding og langvarig arbeid, med 118B parametere totalt og omtrent 8B aktive. Den kombinerer en modellkontekst på 1,048,576 token med innebygd verktøybruk og innflettet resonnering; å bevare tidligere tenkning hjelper den med å fortsette effektivt på tvers av verktøykall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Poolside Laguna S 2.1 er en mixture-of-experts-språkmodell utformet for agentbasert koding og langvarig arbeid. Den har 118B parametere totalt og omtrent 8B aktive per token, noe som plasserer den mellom den mindre Laguna XS 2.1 og den større Laguna M.1 i produsentens serie. Modellen behandler tekst og produserer tekst, kode, resonnering og forespørsler om verktøykall i en verktøytilkoblet applikasjon.
Arkitekturen kombinerer global oppmerksomhet og oppmerksomhet med glidende vindu over 48 lag: 12 globale lag og 36 lag med glidende vindu. Det glidende vinduet på 512 token beskriver lokal oppmerksomhet i disse lagene, mens den dokumenterte modellkonteksten er på 1,048,576 token. Dette er ulike mål. Den større konteksten støtter oppgaver som samler kildefiler, observasjoner og beslutninger over mange trinn. Hold arbeidsmålet og meningsfullt belegg samlet, og reserver plass til senere resonnering og sluttsvaret innenfor gjeldende konfigurasjon.
Modellens hovedformål er programvarearbeid som krever utholdenhet, kontroll og revisjon. For en oppgave i en kodebase bør du oppgi forventet oppførsel, relevante filer som tekst, avhengighetsinformasjon og de faktiske utdataene som viser svikten. Be om et avgrenset resultat: «Spor årsaken til denne regresjonen, foreslå en endring som bevarer det dokumenterte grensesnittet, og identifiser kontrollene som vil skille en retting fra en uvedkommende endring.» I en verktøytilkoblet arbeidsflyt bør modellen få resultatet av hver utførte kontroll før den velger neste trinn.
For optimaliseringsarbeid bør du oppgi målinger og et uttrykkelig mål. Et eksempel er: «Bruk denne profilen og allokeringsrapporten til å identifisere en flaskehals. Foreslå én endring, forklar forventet effekt, og sammenlign med utgangspunktet etter at samme måling er gjentatt.» Dette gjør en ytelsespåstand mulig å etterprøve. Poolsides utgivelse omtaler verifikasjon og fortsatt fremdrift som viktige egenskaper, men en overbevisende forklaring alene fastslår ikke at en revisjon er raskere, riktig eller fullstendig. Bevar observasjonene som støtter å beholde eller forkaste endringen.
Laguna S 2.1 støtter innflettet tenkning før og mellom verktøykall. Produsenten anbefaler å bevare resonneringsinnhold fra tidligere assistentmeldinger i påfølgende historikk; å utelate disse blokkene kan få resonneringen til å stoppe i oppfølgingstrinn. Hold assistentsvaret, informasjonen om verktøykallet og det tilhørende verktøyresultatet samlet. Dette hjelper en lengre oppgave med å fortsette fra sin faktiske tilstand fremfor gjentatte ganger å rekonstruere det som allerede er forsøkt.
De dokumenterte valgene for tenkning er off og max, med max aktivert som standard i oppsettet produsenten beskriver. Modellen bestemmer tenkebudsjettet i denne modusen; utgivelsen presenterer ikke egne kontroller for nivåene low, medium og high. For agentbasert koding anbefaler Poolside å aktivere tenkning og beholde den mellom trinnene. Oppgi sluttprodukt og fullføringskriterier uttrykkelig, og skill en lang resonneringssekvens fra det fullførte resultatet. Produsenten identifiserer overtenkning, særlig i konkurransematematikk, som en vesentlig begrensning.
Verktøydefinisjoner krever særlig omtanke. Poolside rapporterer at S 2.1 innledningsvis kan støtte seg på et kjent verktøygrensesnitt fremfor å følge et lignende, men forskjellig skjema nøye. Den kan også produsere feilformet eller feilaktig escaped JSON når et verktøyargument inneholder en nestet matrise. Oppgi de faktiske argumentdefinisjonene, valider foreslåtte kall, og returner en presis feil når kallet ikke samsvarer. Produsenten beskriver korrigering gjennom tilbakemelding i konteksten som en måte å løse enkelte av disse avvikene på. Hold den resulterende verktøyobservasjonen tilgjengelig for neste beslutning.
Produsenten publiserer egne BF16- og kvantiserte varianter og en valgfri DFlash-utkastmodell. Dette er separate produkter og serveringsoppskrifter, så minnebruken til et kvantisert sjekkpunkt eller ytelsen ved spekulativ dekoding bør ikke antas ut fra det generelle modellnavnet. For vanlig tekstarbeid bør du klargjøre kildekode, kommandoutdata og dokumentutdrag som lesbar tekst. Utgivelsen bemerker at modellen mangler synsevne; et skjermbilde trenger en tekstlig observasjon eller et passende eksternt inspeksjonstrinn før det kan støtte analysen.
Be om en sluttleveranse som identifiserer det endrede produktet, viktige beslutninger, observerte kontroller og eventuelle uavklarte forhold. Ved kodegjennomgang bør funn knyttes til relevant kildekode, med en forklaring på hvorfor hvert problem påvirker oppførselen. Ved en retting bør den foreslåtte endringen skilles fra en endring der oppførselen faktisk er kontrollert. Å beholde resonnering og verktøyhistorikk hjelper modellen gjennom oppgaven, mens sluttproduktet og registrerte resultater fastslår hva som ble oppnådd.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser poolside/laguna-s-2.1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra poolside/laguna-s-2.1
Bruk metodestiene som vises ovenfor.
poolside/laguna-s-2.1Poolside Laguna S 2.1 er en tekstmodell for agentbasert koding og langvarig arbeid, med 118B parametere totalt og omtrent 8B aktive. Den kombinerer en modellkontekst på 1,048,576 token med innebygd verktøybruk og innflettet resonnering; å bevare tidligere tenkning hjelper den med å fortsette effektivt på tvers av verktøykall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Poolside Laguna S 2.1 er en mixture-of-experts-språkmodell utformet for agentbasert koding og langvarig arbeid. Den har 118B parametere totalt og omtrent 8B aktive per token, noe som plasserer den mellom den mindre Laguna XS 2.1 og den større Laguna M.1 i produsentens serie. Modellen behandler tekst og produserer tekst, kode, resonnering og forespørsler om verktøykall i en verktøytilkoblet applikasjon.
Arkitekturen kombinerer global oppmerksomhet og oppmerksomhet med glidende vindu over 48 lag: 12 globale lag og 36 lag med glidende vindu. Det glidende vinduet på 512 token beskriver lokal oppmerksomhet i disse lagene, mens den dokumenterte modellkonteksten er på 1,048,576 token. Dette er ulike mål. Den større konteksten støtter oppgaver som samler kildefiler, observasjoner og beslutninger over mange trinn. Hold arbeidsmålet og meningsfullt belegg samlet, og reserver plass til senere resonnering og sluttsvaret innenfor gjeldende konfigurasjon.
Modellens hovedformål er programvarearbeid som krever utholdenhet, kontroll og revisjon. For en oppgave i en kodebase bør du oppgi forventet oppførsel, relevante filer som tekst, avhengighetsinformasjon og de faktiske utdataene som viser svikten. Be om et avgrenset resultat: «Spor årsaken til denne regresjonen, foreslå en endring som bevarer det dokumenterte grensesnittet, og identifiser kontrollene som vil skille en retting fra en uvedkommende endring.» I en verktøytilkoblet arbeidsflyt bør modellen få resultatet av hver utførte kontroll før den velger neste trinn.
For optimaliseringsarbeid bør du oppgi målinger og et uttrykkelig mål. Et eksempel er: «Bruk denne profilen og allokeringsrapporten til å identifisere en flaskehals. Foreslå én endring, forklar forventet effekt, og sammenlign med utgangspunktet etter at samme måling er gjentatt.» Dette gjør en ytelsespåstand mulig å etterprøve. Poolsides utgivelse omtaler verifikasjon og fortsatt fremdrift som viktige egenskaper, men en overbevisende forklaring alene fastslår ikke at en revisjon er raskere, riktig eller fullstendig. Bevar observasjonene som støtter å beholde eller forkaste endringen.
Laguna S 2.1 støtter innflettet tenkning før og mellom verktøykall. Produsenten anbefaler å bevare resonneringsinnhold fra tidligere assistentmeldinger i påfølgende historikk; å utelate disse blokkene kan få resonneringen til å stoppe i oppfølgingstrinn. Hold assistentsvaret, informasjonen om verktøykallet og det tilhørende verktøyresultatet samlet. Dette hjelper en lengre oppgave med å fortsette fra sin faktiske tilstand fremfor gjentatte ganger å rekonstruere det som allerede er forsøkt.
De dokumenterte valgene for tenkning er off og max, med max aktivert som standard i oppsettet produsenten beskriver. Modellen bestemmer tenkebudsjettet i denne modusen; utgivelsen presenterer ikke egne kontroller for nivåene low, medium og high. For agentbasert koding anbefaler Poolside å aktivere tenkning og beholde den mellom trinnene. Oppgi sluttprodukt og fullføringskriterier uttrykkelig, og skill en lang resonneringssekvens fra det fullførte resultatet. Produsenten identifiserer overtenkning, særlig i konkurransematematikk, som en vesentlig begrensning.
Verktøydefinisjoner krever særlig omtanke. Poolside rapporterer at S 2.1 innledningsvis kan støtte seg på et kjent verktøygrensesnitt fremfor å følge et lignende, men forskjellig skjema nøye. Den kan også produsere feilformet eller feilaktig escaped JSON når et verktøyargument inneholder en nestet matrise. Oppgi de faktiske argumentdefinisjonene, valider foreslåtte kall, og returner en presis feil når kallet ikke samsvarer. Produsenten beskriver korrigering gjennom tilbakemelding i konteksten som en måte å løse enkelte av disse avvikene på. Hold den resulterende verktøyobservasjonen tilgjengelig for neste beslutning.
Produsenten publiserer egne BF16- og kvantiserte varianter og en valgfri DFlash-utkastmodell. Dette er separate produkter og serveringsoppskrifter, så minnebruken til et kvantisert sjekkpunkt eller ytelsen ved spekulativ dekoding bør ikke antas ut fra det generelle modellnavnet. For vanlig tekstarbeid bør du klargjøre kildekode, kommandoutdata og dokumentutdrag som lesbar tekst. Utgivelsen bemerker at modellen mangler synsevne; et skjermbilde trenger en tekstlig observasjon eller et passende eksternt inspeksjonstrinn før det kan støtte analysen.
Be om en sluttleveranse som identifiserer det endrede produktet, viktige beslutninger, observerte kontroller og eventuelle uavklarte forhold. Ved kodegjennomgang bør funn knyttes til relevant kildekode, med en forklaring på hvorfor hvert problem påvirker oppførselen. Ved en retting bør den foreslåtte endringen skilles fra en endring der oppførselen faktisk er kontrollert. Å beholde resonnering og verktøyhistorikk hjelper modellen gjennom oppgaven, mens sluttproduktet og registrerte resultater fastslår hva som ble oppnådd.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser poolside/laguna-s-2.1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0004 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra poolside/laguna-s-2.1
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.