Poolside Laguna S 2.1 is een mixture-of-experts-taalmodel dat is ontworpen voor agentgestuurd programmeren en langdurig werk. Het telt 118 miljard parameters in totaal en ongeveer 8 miljard actieve parameters per token, waarmee het in de reeks van de fabrikant tussen het kleinere Laguna XS 2.1 en het grotere Laguna M.1 zit. Het model verwerkt tekst en produceert tekst, code, redeneringen en verzoeken om toolaanroepen in een toepassing met tools.
De architectuur combineert globale attention en sliding-window attention over 48 lagen: 12 globale lagen en 36 sliding-window-lagen. Het sliding window van 512 tokens beschrijft lokale attention binnen die lagen, terwijl de gedocumenteerde modelcontext 1.048.576 tokens telt. Dit zijn verschillende metingen. De grotere context ondersteunt taken waarin over veel stappen heen bronbestanden, waarnemingen en beslissingen worden verzameld. Houd het werkdoel en betekenisvol bewijsmateriaal samen en reserveer binnen de toepasselijke configuratie ruimte voor verdere redenering en het definitieve antwoord.
Het centrale doel van het model is softwarewerk dat volhouden, controleren en herzien vereist. Geef voor een repositorytaak het verwachte gedrag, relevante bestanden als tekst, informatie over afhankelijkheden en de werkelijk mislukte uitvoer. Vraag om een gericht resultaat: “Spoor de oorzaak van deze regressie op, stel een wijziging voor die de gedocumenteerde interface behoudt en benoem de controles die een oplossing van een niet-gerelateerde wijziging zouden onderscheiden.” Geef het model in een workflow met tools het resultaat van elke uitgevoerde controle voordat het de volgende stap kiest.
Geef voor optimalisatiewerk metingen en een expliciet doel. Een voorbeeld is: “Gebruik dit profiel en allocatierapport om een knelpunt te identificeren. Stel één wijziging voor, leg het verwachte effect uit en vergelijk met de uitgangsmeting nadat dezelfde meting is herhaald.” Zo wordt een prestatieclaim controleerbaar. Poolside’s release bespreekt verificatie en blijvende voortgang als belangrijk gedrag, maar een overtuigende uitleg alleen toont niet aan dat een herziening sneller, correct of volledig is. Bewaar de waarnemingen die het behouden of verwerpen van de wijziging ondersteunen.
Laguna S 2.1 ondersteunt afwisselend denken vóór en tussen toolaanroepen. De fabrikant beveelt aan om redeneerinhoud uit eerdere assistentberichten in de verdere geschiedenis te bewaren; het weglaten van die blokken kan de redenering in vervolgstappen doen stoppen. Bewaar het assistentantwoord, de informatie over toolaanroepen en het bijbehorende toolresultaat samen. Dit helpt een langere taak voort te zetten vanuit de werkelijke toestand in plaats van telkens opnieuw te reconstrueren wat al werd geprobeerd.
De gedocumenteerde denkopties zijn off en max, met max standaard ingeschakeld in de door de maker beschreven configuratie. Het model bepaalt in die modus zijn denkbudget; de release biedt geen afzonderlijke niveaus low, medium en high. Voor agentgestuurd programmeren beveelt Poolside aan het denken in te schakelen en tussen stappen te behouden. Vermeld het eindartefact en de voltooiingscriteria expliciet en maak onderscheid tussen een lange redeneerreeks en het voltooide resultaat. De fabrikant noemt overmatig doordenken, vooral bij wedstrijdwiskunde, als een wezenlijke beperking.
Tooldefinities vereisen bijzondere aandacht. Poolside meldt dat S 2.1 aanvankelijk kan vertrouwen op een vertrouwde toolinterface in plaats van nauwkeurig een vergelijkbaar maar afwijkend schema te volgen. Het kan ook verkeerd gevormde of onjuist ge-escapete JSON produceren wanneer een toolargument een geneste array bevat. Geef de werkelijke argumentdefinities, valideer voorgestelde aanroepen en stuur een precieze fout terug wanneer de aanroep niet overeenkomt. De maker beschrijft correctie via feedback in de context als een manier om sommige van die afwijkingen op te lossen. Houd de resulterende toolwaarneming beschikbaar voor de volgende beslissing.
De fabrikant publiceert afzonderlijke BF16- en gekwantiseerde varianten en een optioneel DFlash-draftmodel. Dat zijn afzonderlijke artefacten en servingrecepten. Het geheugengebruik of de prestaties met speculatieve decodering van een gekwantiseerd checkpoint mogen daarom niet uit de algemene modelnaam worden afgeleid. Bereid voor gewoon tekstwerk broncode, commando-uitvoer en documentfragmenten voor als leesbare tekst. De release vermeldt dat het model geen beeldbegrip heeft; een schermafbeelding vereist een tekstuele waarneming of een geschikte externe inspectiestap voordat ze de analyse kan ondersteunen.
Vraag om een eindproduct dat het gewijzigde artefact, belangrijke beslissingen, waargenomen controles en eventuele onopgeloste voorwaarden benoemt. Koppel bij een codereview bevindingen aan de relevante bron en toon waarom elk probleem het gedrag beïnvloedt. Maak bij herstelwerk onderscheid tussen de voorgestelde patch en een patch waarvan het gedrag daadwerkelijk is gecontroleerd. Het bewaren van redenering en toolgeschiedenis helpt het model de taak uit te werken, terwijl het eindartefact en de vastgelegde resultaten aantonen wat er is bereikt.
", "aboutText": "Poolside Laguna S 2.1 is een mixture-of-experts-taalmodel dat is ontworpen voor agentgestuurd programmeren en langdurig werk. Het telt 118 miljard parameters in totaal en ongeveer 8 miljard actieve parameters per token, waarmee het in de reeks van de fabrikant tussen het kleinere Laguna XS 2.1 en het grotere Laguna M.1 zit. Het model verwerkt tekst en produceert tekst, code, redeneringen en verzoeken om toolaanroepen in een toepassing met tools.\n\nDe architectuur combineert globale attention en sliding-window attention over 48 lagen: 12 globale lagen en 36 sliding-window-lagen. Het sliding window van 512 tokens beschrijft lokale attention binnen die lagen, terwijl de gedocumenteerde modelcontext 1.048.576 tokens telt. Dit zijn verschillende metingen. De grotere context ondersteunt taken waarin over veel stappen heen bronbestanden, waarnemingen en beslissingen worden verzameld. Houd het werkdoel en betekenisvol bewijsmateriaal samen en reserveer binnen de toepasselijke configuratie ruimte voor verdere redenering en het definitieve antwoord.\n\nHet centrale doel van het model is softwarewerk dat volhouden, controleren en herzien vereist. Geef voor een repositorytaak het verwachte gedrag, relevante bestanden als tekst, informatie over afhankelijkheden en de werkelijk mislukte uitvoer. Vraag om een gericht resultaat: “Spoor de oorzaak van deze regressie op, stel een wijziging voor die de gedocumenteerde interface behoudt en benoem de controles die een oplossing van een niet-gerelateerde wijziging zouden onderscheiden.” Geef het model in een workflow met tools het resultaat van elke uitgevoerde controle voordat het de volgende stap kiest.\n\nGeef voor optimalisatiewerk metingen en een expliciet doel. Een voorbeeld is: “Gebruik dit profiel en allocatierapport om een knelpunt te identificeren. Stel één wijziging voor, leg het verwachte effect uit en vergelijk met de uitgangsmeting nadat dezelfde meting is herhaald.” Zo wordt een prestatieclaim controleerbaar. Poolside’s release bespreekt verificatie en blijvende voortgang als belangrijk gedrag, maar een overtuigende uitleg alleen toont niet aan dat een herziening sneller, correct of volledig is. Bewaar de waarnemingen die het behouden of verwerpen van de wijziging ondersteunen.\n\nLaguna S 2.1 ondersteunt afwisselend denken vóór en tussen toolaanroepen. De fabrikant beveelt aan om redeneerinhoud uit eerdere assistentberichten in de verdere geschiedenis te bewaren; het weglaten van die blokken kan de redenering in vervolgstappen doen stoppen. Bewaar het assistentantwoord, de informatie over toolaanroepen en het bijbehorende toolresultaat samen. Dit helpt een langere taak voort te zetten vanuit de werkelijke toestand in plaats van telkens opnieuw te reconstrueren wat al werd geprobeerd.\n\nDe gedocumenteerde denkopties zijn off en max, met max standaard ingeschakeld in de door de maker beschreven configuratie. Het model bepaalt in die modus zijn denkbudget; de release biedt geen afzonderlijke niveaus low, medium en high. Voor agentgestuurd programmeren beveelt Poolside aan het denken in te schakelen en tussen stappen te behouden. Vermeld het eindartefact en de voltooiingscriteria expliciet en maak onderscheid tussen een lange redeneerreeks en het voltooide resultaat. De fabrikant noemt overmatig doordenken, vooral bij wedstrijdwiskunde, als een wezenlijke beperking.\n\nTooldefinities vereisen bijzondere aandacht. Poolside meldt dat S 2.1 aanvankelijk kan vertrouwen op een vertrouwde toolinterface in plaats van nauwkeurig een vergelijkbaar maar afwijkend schema te volgen. Het kan ook verkeerd gevormde of onjuist ge-escapete JSON produceren wanneer een toolargument een geneste array bevat. Geef de werkelijke argumentdefinities, valideer voorgestelde aanroepen en stuur een precieze fout terug wanneer de aanroep niet overeenkomt. De maker beschrijft correctie via feedback in de context als een manier om sommige van die afwijkingen op te lossen. Houd de resulterende toolwaarneming beschikbaar voor de volgende beslissing.\n\nDe fabrikant publiceert afzonderlijke BF16- en gekwantiseerde varianten en een optioneel DFlash-draftmodel. Dat zijn afzonderlijke artefacten en servingrecepten. Het geheugengebruik of de prestaties met speculatieve decodering van een gekwantiseerd checkpoint mogen daarom niet uit de algemene modelnaam worden afgeleid. Bereid voor gewoon tekstwerk broncode, commando-uitvoer en documentfragmenten voor als leesbare tekst. De release vermeldt dat het model geen beeldbegrip heeft; een schermafbeelding vereist een tekstuele waarneming of een geschikte externe inspectiestap voordat ze de analyse kan ondersteunen.\n\nVraag om een eindproduct dat het gewijzigde artefact, belangrijke beslissingen, waargenomen controles en eventuele onopgeloste voorwaarden benoemt. Koppel bij een codereview bevindingen aan de relevante bron en toon waarom elk probleem het gedrag beïnvloedt. Maak bij herstelwerk onderscheid tussen de voorgestelde patch en een patch waarvan het gedrag daadwerkelijk is gecontroleerd. Het bewaren van redenering en toolgeschiedenis helpt het model de taak uit te werken, terwijl het eindartefact en de vastgelegde resultaten aantonen wat er is bereikt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is een tekstmodel voor agentgestuurd programmeren en langdurig werk, met 118 miljard parameters in totaal en ongeveer 8 miljard actieve parameters. Het combineert een modelcontext van 1.048.576 tokens met native toolgebruik en afwisselende redenering; eerder denkwerk bewaren helpt om effectief door te gaan over toolaanroepen heen.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Poolside Laguna S 2.1 is een mixture-of-experts-taalmodel dat is ontworpen voor agentgestuurd programmeren en langdurig werk. Het telt 118 miljard parameters in totaal en ongeveer 8 miljard actieve parameters per token, waarmee het in de reeks van de fabrikant tussen het kleinere Laguna XS 2.1 en het grotere Laguna M.1 zit. Het model verwerkt tekst en produceert tekst, code, redeneringen en verzoeken om toolaanroepen in een toepassing met tools.
De architectuur combineert globale attention en sliding-window attention over 48 lagen: 12 globale lagen en 36 sliding-window-lagen. Het sliding window van 512 tokens beschrijft lokale attention binnen die lagen, terwijl de gedocumenteerde modelcontext 1.048.576 tokens telt. Dit zijn verschillende metingen. De grotere context ondersteunt taken waarin over veel stappen heen bronbestanden, waarnemingen en beslissingen worden verzameld. Houd het werkdoel en betekenisvol bewijsmateriaal samen en reserveer binnen de toepasselijke configuratie ruimte voor verdere redenering en het definitieve antwoord.
Het centrale doel van het model is softwarewerk dat volhouden, controleren en herzien vereist. Geef voor een repositorytaak het verwachte gedrag, relevante bestanden als tekst, informatie over afhankelijkheden en de werkelijk mislukte uitvoer. Vraag om een gericht resultaat: “Spoor de oorzaak van deze regressie op, stel een wijziging voor die de gedocumenteerde interface behoudt en benoem de controles die een oplossing van een niet-gerelateerde wijziging zouden onderscheiden.” Geef het model in een workflow met tools het resultaat van elke uitgevoerde controle voordat het de volgende stap kiest.
Geef voor optimalisatiewerk metingen en een expliciet doel. Een voorbeeld is: “Gebruik dit profiel en allocatierapport om een knelpunt te identificeren. Stel één wijziging voor, leg het verwachte effect uit en vergelijk met de uitgangsmeting nadat dezelfde meting is herhaald.” Zo wordt een prestatieclaim controleerbaar. Poolside’s release bespreekt verificatie en blijvende voortgang als belangrijk gedrag, maar een overtuigende uitleg alleen toont niet aan dat een herziening sneller, correct of volledig is. Bewaar de waarnemingen die het behouden of verwerpen van de wijziging ondersteunen.
Laguna S 2.1 ondersteunt afwisselend denken vóór en tussen toolaanroepen. De fabrikant beveelt aan om redeneerinhoud uit eerdere assistentberichten in de verdere geschiedenis te bewaren; het weglaten van die blokken kan de redenering in vervolgstappen doen stoppen. Bewaar het assistentantwoord, de informatie over toolaanroepen en het bijbehorende toolresultaat samen. Dit helpt een langere taak voort te zetten vanuit de werkelijke toestand in plaats van telkens opnieuw te reconstrueren wat al werd geprobeerd.
De gedocumenteerde denkopties zijn off en max, met max standaard ingeschakeld in de door de maker beschreven configuratie. Het model bepaalt in die modus zijn denkbudget; de release biedt geen afzonderlijke niveaus low, medium en high. Voor agentgestuurd programmeren beveelt Poolside aan het denken in te schakelen en tussen stappen te behouden. Vermeld het eindartefact en de voltooiingscriteria expliciet en maak onderscheid tussen een lange redeneerreeks en het voltooide resultaat. De fabrikant noemt overmatig doordenken, vooral bij wedstrijdwiskunde, als een wezenlijke beperking.
Tooldefinities vereisen bijzondere aandacht. Poolside meldt dat S 2.1 aanvankelijk kan vertrouwen op een vertrouwde toolinterface in plaats van nauwkeurig een vergelijkbaar maar afwijkend schema te volgen. Het kan ook verkeerd gevormde of onjuist ge-escapete JSON produceren wanneer een toolargument een geneste array bevat. Geef de werkelijke argumentdefinities, valideer voorgestelde aanroepen en stuur een precieze fout terug wanneer de aanroep niet overeenkomt. De maker beschrijft correctie via feedback in de context als een manier om sommige van die afwijkingen op te lossen. Houd de resulterende toolwaarneming beschikbaar voor de volgende beslissing.
De fabrikant publiceert afzonderlijke BF16- en gekwantiseerde varianten en een optioneel DFlash-draftmodel. Dat zijn afzonderlijke artefacten en servingrecepten. Het geheugengebruik of de prestaties met speculatieve decodering van een gekwantiseerd checkpoint mogen daarom niet uit de algemene modelnaam worden afgeleid. Bereid voor gewoon tekstwerk broncode, commando-uitvoer en documentfragmenten voor als leesbare tekst. De release vermeldt dat het model geen beeldbegrip heeft; een schermafbeelding vereist een tekstuele waarneming of een geschikte externe inspectiestap voordat ze de analyse kan ondersteunen.
Vraag om een eindproduct dat het gewijzigde artefact, belangrijke beslissingen, waargenomen controles en eventuele onopgeloste voorwaarden benoemt. Koppel bij een codereview bevindingen aan de relevante bron en toon waarom elk probleem het gedrag beïnvloedt. Maak bij herstelwerk onderscheid tussen de voorgestelde patch en een patch waarvan het gedrag daadwerkelijk is gecontroleerd. Het bewaren van redenering en toolgeschiedenis helpt het model de taak uit te werken, terwijl het eindartefact en de vastgelegde resultaten aantonen wat er is bereikt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten poolside/laguna-s-2.1 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0004 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0004 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra poolside/laguna-s-2.1
Gebruik de hierboven getoonde methodepaden.
poolside/laguna-s-2.1Poolside Laguna S 2.1 is een tekstmodel voor agentgestuurd programmeren en langdurig werk, met 118 miljard parameters in totaal en ongeveer 8 miljard actieve parameters. Het combineert een modelcontext van 1.048.576 tokens met native toolgebruik en afwisselende redenering; eerder denkwerk bewaren helpt om effectief door te gaan over toolaanroepen heen.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Poolside Laguna S 2.1 is een mixture-of-experts-taalmodel dat is ontworpen voor agentgestuurd programmeren en langdurig werk. Het telt 118 miljard parameters in totaal en ongeveer 8 miljard actieve parameters per token, waarmee het in de reeks van de fabrikant tussen het kleinere Laguna XS 2.1 en het grotere Laguna M.1 zit. Het model verwerkt tekst en produceert tekst, code, redeneringen en verzoeken om toolaanroepen in een toepassing met tools.
De architectuur combineert globale attention en sliding-window attention over 48 lagen: 12 globale lagen en 36 sliding-window-lagen. Het sliding window van 512 tokens beschrijft lokale attention binnen die lagen, terwijl de gedocumenteerde modelcontext 1.048.576 tokens telt. Dit zijn verschillende metingen. De grotere context ondersteunt taken waarin over veel stappen heen bronbestanden, waarnemingen en beslissingen worden verzameld. Houd het werkdoel en betekenisvol bewijsmateriaal samen en reserveer binnen de toepasselijke configuratie ruimte voor verdere redenering en het definitieve antwoord.
Het centrale doel van het model is softwarewerk dat volhouden, controleren en herzien vereist. Geef voor een repositorytaak het verwachte gedrag, relevante bestanden als tekst, informatie over afhankelijkheden en de werkelijk mislukte uitvoer. Vraag om een gericht resultaat: “Spoor de oorzaak van deze regressie op, stel een wijziging voor die de gedocumenteerde interface behoudt en benoem de controles die een oplossing van een niet-gerelateerde wijziging zouden onderscheiden.” Geef het model in een workflow met tools het resultaat van elke uitgevoerde controle voordat het de volgende stap kiest.
Geef voor optimalisatiewerk metingen en een expliciet doel. Een voorbeeld is: “Gebruik dit profiel en allocatierapport om een knelpunt te identificeren. Stel één wijziging voor, leg het verwachte effect uit en vergelijk met de uitgangsmeting nadat dezelfde meting is herhaald.” Zo wordt een prestatieclaim controleerbaar. Poolside’s release bespreekt verificatie en blijvende voortgang als belangrijk gedrag, maar een overtuigende uitleg alleen toont niet aan dat een herziening sneller, correct of volledig is. Bewaar de waarnemingen die het behouden of verwerpen van de wijziging ondersteunen.
Laguna S 2.1 ondersteunt afwisselend denken vóór en tussen toolaanroepen. De fabrikant beveelt aan om redeneerinhoud uit eerdere assistentberichten in de verdere geschiedenis te bewaren; het weglaten van die blokken kan de redenering in vervolgstappen doen stoppen. Bewaar het assistentantwoord, de informatie over toolaanroepen en het bijbehorende toolresultaat samen. Dit helpt een langere taak voort te zetten vanuit de werkelijke toestand in plaats van telkens opnieuw te reconstrueren wat al werd geprobeerd.
De gedocumenteerde denkopties zijn off en max, met max standaard ingeschakeld in de door de maker beschreven configuratie. Het model bepaalt in die modus zijn denkbudget; de release biedt geen afzonderlijke niveaus low, medium en high. Voor agentgestuurd programmeren beveelt Poolside aan het denken in te schakelen en tussen stappen te behouden. Vermeld het eindartefact en de voltooiingscriteria expliciet en maak onderscheid tussen een lange redeneerreeks en het voltooide resultaat. De fabrikant noemt overmatig doordenken, vooral bij wedstrijdwiskunde, als een wezenlijke beperking.
Tooldefinities vereisen bijzondere aandacht. Poolside meldt dat S 2.1 aanvankelijk kan vertrouwen op een vertrouwde toolinterface in plaats van nauwkeurig een vergelijkbaar maar afwijkend schema te volgen. Het kan ook verkeerd gevormde of onjuist ge-escapete JSON produceren wanneer een toolargument een geneste array bevat. Geef de werkelijke argumentdefinities, valideer voorgestelde aanroepen en stuur een precieze fout terug wanneer de aanroep niet overeenkomt. De maker beschrijft correctie via feedback in de context als een manier om sommige van die afwijkingen op te lossen. Houd de resulterende toolwaarneming beschikbaar voor de volgende beslissing.
De fabrikant publiceert afzonderlijke BF16- en gekwantiseerde varianten en een optioneel DFlash-draftmodel. Dat zijn afzonderlijke artefacten en servingrecepten. Het geheugengebruik of de prestaties met speculatieve decodering van een gekwantiseerd checkpoint mogen daarom niet uit de algemene modelnaam worden afgeleid. Bereid voor gewoon tekstwerk broncode, commando-uitvoer en documentfragmenten voor als leesbare tekst. De release vermeldt dat het model geen beeldbegrip heeft; een schermafbeelding vereist een tekstuele waarneming of een geschikte externe inspectiestap voordat ze de analyse kan ondersteunen.
Vraag om een eindproduct dat het gewijzigde artefact, belangrijke beslissingen, waargenomen controles en eventuele onopgeloste voorwaarden benoemt. Koppel bij een codereview bevindingen aan de relevante bron en toon waarom elk probleem het gedrag beïnvloedt. Maak bij herstelwerk onderscheid tussen de voorgestelde patch en een patch waarvan het gedrag daadwerkelijk is gecontroleerd. Het bewaren van redenering en toolgeschiedenis helpt het model de taak uit te werken, terwijl het eindartefact en de vastgelegde resultaten aantonen wat er is bereikt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten poolside/laguna-s-2.1 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0004 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0004 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra poolside/laguna-s-2.1
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.