Poolside Laguna S 2.1 to model językowy typu mixture-of-experts zaprojektowany do programowania agentowego i długofalowej pracy. Ma 118B parametrów łącznie i około 8B aktywnych na token, co umieszcza go między mniejszym Laguna XS 2.1 a większym Laguna M.1 w serii producenta. Model przetwarza tekst i generuje tekst, kod, rozumowanie oraz żądania wywołań narzędzi w aplikacji połączonej z narzędziami.
Jego architektura łączy uwagę globalną i uwagę w przesuwanym oknie w 48 warstwach: 12 globalnych i 36 przesuwanego okna. Przesuwane okno 512 tokenów opisuje lokalną uwagę w tych warstwach, natomiast udokumentowany kontekst modelu obejmuje 1 048 576 tokenów. Są to różne miary. Większy kontekst wspiera zadania, które przez wiele kroków gromadzą pliki źródłowe, obserwacje i decyzje. Zachowuj razem cel roboczy i istotny materiał dowodowy oraz rezerwuj miejsce na dalsze rozumowanie i odpowiedź końcową w stosownej konfiguracji.
Głównym przeznaczeniem modelu jest praca nad oprogramowaniem wymagająca wytrwałości, sprawdzania i korekt. Przy zadaniu dotyczącym repozytorium dostarcz oczekiwane zachowanie, odpowiednie pliki jako tekst, informacje o zależnościach i rzeczywiste wyjście nieudanego działania. Poproś o skoncentrowany wynik: „Prześledź przyczynę tej regresji, zaproponuj zmianę zachowującą udokumentowany interfejs i wskaż sprawdzenia, które odróżnią naprawę od niepowiązanej zmiany”. W procesie połączonym z narzędziami podaj modelowi wynik każdego wykonanego sprawdzenia przed wybraniem następnego kroku.
Przy optymalizacji dostarcz pomiary i jednoznaczny cel. Przykład: „Użyj tego profilu i raportu alokacji, aby wskazać wąskie gardło. Zaproponuj jedną zmianę, wyjaśnij oczekiwany efekt i porównaj ją z poziomem bazowym po powtórzeniu tego samego pomiaru”. Dzięki temu twierdzenie o wydajności da się zbadać. Wydanie Poolside omawia weryfikację i ciągły postęp jako ważne zachowania, ale samo przekonujące wyjaśnienie nie dowodzi, że modyfikacja jest szybsza, poprawna lub kompletna. Zachowaj obserwacje uzasadniające przyjęcie lub odrzucenie zmiany.
Laguna S 2.1 obsługuje przeplatany namysł przed wywołaniami narzędzi i między nimi. Producent zaleca zachowywanie treści rozumowania z wcześniejszych wiadomości asystenta w późniejszej historii; usunięcie tych bloków może spowodować zatrzymanie rozumowania w kolejnych krokach. Zachowuj razem odpowiedź asystenta, informacje o wywołaniu narzędzia i odpowiadający mu wynik narzędzia. Pomaga to dłuższemu zadaniu kontynuować od rzeczywistego stanu, zamiast wielokrotnie odtwarzać już podjęte próby.
Udokumentowane opcje namysłu to off i max, z max włączonym domyślnie w konfiguracji opisanej przez producenta. W tym trybie model sam określa budżet namysłu; wydanie nie przedstawia osobnych ustawień wysiłku low, medium i high. Do programowania agentowego Poolside zaleca włączenie namysłu i zachowywanie go między krokami. Określ jawnie końcowy rezultat i kryteria ukończenia oraz odróżniaj długą sekwencję rozumowania od ukończonego wyniku. Producent wskazuje nadmierny namysł, szczególnie w matematyce konkursowej, jako istotne ograniczenie.
Definicje narzędzi wymagają szczególnej uwagi. Poolside raportuje, że S 2.1 może początkowo opierać się na znajomym interfejsie narzędzia, zamiast ściśle przestrzegać podobnego, ale odmiennego schematu. Może też tworzyć niepoprawny JSON lub nieprawidłowo zapisywać znaki ucieczki, gdy argument narzędzia zawiera zagnieżdżoną tablicę. Podaj rzeczywiste definicje argumentów, waliduj proponowane wywołania i zwracaj precyzyjny błąd, gdy wywołanie jest niezgodne. Producent opisuje korektę poprzez informację zwrotną w kontekście jako sposób rozwiązania części takich rozbieżności. Zachowaj wynikową obserwację narzędzia do następnej decyzji.
Producent publikuje osobne warianty BF16 i skwantowane oraz opcjonalny model szkicowy DFlash. Są to odrębne pliki modeli i przepisy udostępniania, więc zużycia pamięci skwantowanego punktu kontrolnego lub wydajności dekodowania spekulacyjnego nie należy zakładać na podstawie ogólnej nazwy modelu. Do zwykłej pracy tekstowej przygotuj kod źródłowy, wyjście poleceń i fragmenty dokumentów jako czytelny tekst. Informacje o wydaniu wskazują brak zdolności wizyjnych modelu; zrzut ekranu wymaga obserwacji tekstowej lub odpowiedniego zewnętrznego kroku oględzin, zanim wesprze analizę.
Poproś o końcowy rezultat wskazujący zmieniony materiał, ważne decyzje, zaobserwowane sprawdzenia i wszelkie nierozstrzygnięte kwestie. Przy przeglądzie kodu powiąż ustalenia z odpowiednim źródłem i pokaż, dlaczego każdy problem wpływa na zachowanie. Przy naprawie oddziel proponowaną poprawkę od poprawki, której zachowanie faktycznie sprawdzono. Zachowanie rozumowania i historii narzędzi pomaga modelowi przejść przez zadanie, natomiast końcowy rezultat i zapisane wyniki ustalają, co osiągnięto.
", "aboutText": "Poolside Laguna S 2.1 to model językowy typu mixture-of-experts zaprojektowany do programowania agentowego i długofalowej pracy. Ma 118B parametrów łącznie i około 8B aktywnych na token, co umieszcza go między mniejszym Laguna XS 2.1 a większym Laguna M.1 w serii producenta. Model przetwarza tekst i generuje tekst, kod, rozumowanie oraz żądania wywołań narzędzi w aplikacji połączonej z narzędziami.\n\nJego architektura łączy uwagę globalną i uwagę w przesuwanym oknie w 48 warstwach: 12 globalnych i 36 przesuwanego okna. Przesuwane okno 512 tokenów opisuje lokalną uwagę w tych warstwach, natomiast udokumentowany kontekst modelu obejmuje 1 048 576 tokenów. Są to różne miary. Większy kontekst wspiera zadania, które przez wiele kroków gromadzą pliki źródłowe, obserwacje i decyzje. Zachowuj razem cel roboczy i istotny materiał dowodowy oraz rezerwuj miejsce na dalsze rozumowanie i odpowiedź końcową w stosownej konfiguracji.\n\nGłównym przeznaczeniem modelu jest praca nad oprogramowaniem wymagająca wytrwałości, sprawdzania i korekt. Przy zadaniu dotyczącym repozytorium dostarcz oczekiwane zachowanie, odpowiednie pliki jako tekst, informacje o zależnościach i rzeczywiste wyjście nieudanego działania. Poproś o skoncentrowany wynik: „Prześledź przyczynę tej regresji, zaproponuj zmianę zachowującą udokumentowany interfejs i wskaż sprawdzenia, które odróżnią naprawę od niepowiązanej zmiany”. W procesie połączonym z narzędziami podaj modelowi wynik każdego wykonanego sprawdzenia przed wybraniem następnego kroku.\n\nPrzy optymalizacji dostarcz pomiary i jednoznaczny cel. Przykład: „Użyj tego profilu i raportu alokacji, aby wskazać wąskie gardło. Zaproponuj jedną zmianę, wyjaśnij oczekiwany efekt i porównaj ją z poziomem bazowym po powtórzeniu tego samego pomiaru”. Dzięki temu twierdzenie o wydajności da się zbadać. Wydanie Poolside omawia weryfikację i ciągły postęp jako ważne zachowania, ale samo przekonujące wyjaśnienie nie dowodzi, że modyfikacja jest szybsza, poprawna lub kompletna. Zachowaj obserwacje uzasadniające przyjęcie lub odrzucenie zmiany.\n\nLaguna S 2.1 obsługuje przeplatany namysł przed wywołaniami narzędzi i między nimi. Producent zaleca zachowywanie treści rozumowania z wcześniejszych wiadomości asystenta w późniejszej historii; usunięcie tych bloków może spowodować zatrzymanie rozumowania w kolejnych krokach. Zachowuj razem odpowiedź asystenta, informacje o wywołaniu narzędzia i odpowiadający mu wynik narzędzia. Pomaga to dłuższemu zadaniu kontynuować od rzeczywistego stanu, zamiast wielokrotnie odtwarzać już podjęte próby.\n\nUdokumentowane opcje namysłu to off i max, z max włączonym domyślnie w konfiguracji opisanej przez producenta. W tym trybie model sam określa budżet namysłu; wydanie nie przedstawia osobnych ustawień wysiłku low, medium i high. Do programowania agentowego Poolside zaleca włączenie namysłu i zachowywanie go między krokami. Określ jawnie końcowy rezultat i kryteria ukończenia oraz odróżniaj długą sekwencję rozumowania od ukończonego wyniku. Producent wskazuje nadmierny namysł, szczególnie w matematyce konkursowej, jako istotne ograniczenie.\n\nDefinicje narzędzi wymagają szczególnej uwagi. Poolside raportuje, że S 2.1 może początkowo opierać się na znajomym interfejsie narzędzia, zamiast ściśle przestrzegać podobnego, ale odmiennego schematu. Może też tworzyć niepoprawny JSON lub nieprawidłowo zapisywać znaki ucieczki, gdy argument narzędzia zawiera zagnieżdżoną tablicę. Podaj rzeczywiste definicje argumentów, waliduj proponowane wywołania i zwracaj precyzyjny błąd, gdy wywołanie jest niezgodne. Producent opisuje korektę poprzez informację zwrotną w kontekście jako sposób rozwiązania części takich rozbieżności. Zachowaj wynikową obserwację narzędzia do następnej decyzji.\n\nProducent publikuje osobne warianty BF16 i skwantowane oraz opcjonalny model szkicowy DFlash. Są to odrębne pliki modeli i przepisy udostępniania, więc zużycia pamięci skwantowanego punktu kontrolnego lub wydajności dekodowania spekulacyjnego nie należy zakładać na podstawie ogólnej nazwy modelu. Do zwykłej pracy tekstowej przygotuj kod źródłowy, wyjście poleceń i fragmenty dokumentów jako czytelny tekst. Informacje o wydaniu wskazują brak zdolności wizyjnych modelu; zrzut ekranu wymaga obserwacji tekstowej lub odpowiedniego zewnętrznego kroku oględzin, zanim wesprze analizę.\n\nPoproś o końcowy rezultat wskazujący zmieniony materiał, ważne decyzje, zaobserwowane sprawdzenia i wszelkie nierozstrzygnięte kwestie. Przy przeglądzie kodu powiąż ustalenia z odpowiednim źródłem i pokaż, dlaczego każdy problem wpływa na zachowanie. Przy naprawie oddziel proponowaną poprawkę od poprawki, której zachowanie faktycznie sprawdzono. Zachowanie rozumowania i historii narzędzi pomaga modelowi przejść przez zadanie, natomiast końcowy rezultat i zapisane wyniki ustalają, co osiągnięto.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 to model tekstowy do programowania agentowego i długofalowej pracy, ze 118B parametrów łącznie i około 8B aktywnych. Łączy kontekst modelu 1 048 576 tokenów z natywnym użyciem narzędzi i przeplatanym rozumowaniem; zachowywanie wcześniejszego namysłu pomaga skutecznie kontynuować między wywołaniami narzędzi.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Poolside Laguna S 2.1 to model językowy typu mixture-of-experts zaprojektowany do programowania agentowego i długofalowej pracy. Ma 118B parametrów łącznie i około 8B aktywnych na token, co umieszcza go między mniejszym Laguna XS 2.1 a większym Laguna M.1 w serii producenta. Model przetwarza tekst i generuje tekst, kod, rozumowanie oraz żądania wywołań narzędzi w aplikacji połączonej z narzędziami.
Jego architektura łączy uwagę globalną i uwagę w przesuwanym oknie w 48 warstwach: 12 globalnych i 36 przesuwanego okna. Przesuwane okno 512 tokenów opisuje lokalną uwagę w tych warstwach, natomiast udokumentowany kontekst modelu obejmuje 1 048 576 tokenów. Są to różne miary. Większy kontekst wspiera zadania, które przez wiele kroków gromadzą pliki źródłowe, obserwacje i decyzje. Zachowuj razem cel roboczy i istotny materiał dowodowy oraz rezerwuj miejsce na dalsze rozumowanie i odpowiedź końcową w stosownej konfiguracji.
Głównym przeznaczeniem modelu jest praca nad oprogramowaniem wymagająca wytrwałości, sprawdzania i korekt. Przy zadaniu dotyczącym repozytorium dostarcz oczekiwane zachowanie, odpowiednie pliki jako tekst, informacje o zależnościach i rzeczywiste wyjście nieudanego działania. Poproś o skoncentrowany wynik: „Prześledź przyczynę tej regresji, zaproponuj zmianę zachowującą udokumentowany interfejs i wskaż sprawdzenia, które odróżnią naprawę od niepowiązanej zmiany”. W procesie połączonym z narzędziami podaj modelowi wynik każdego wykonanego sprawdzenia przed wybraniem następnego kroku.
Przy optymalizacji dostarcz pomiary i jednoznaczny cel. Przykład: „Użyj tego profilu i raportu alokacji, aby wskazać wąskie gardło. Zaproponuj jedną zmianę, wyjaśnij oczekiwany efekt i porównaj ją z poziomem bazowym po powtórzeniu tego samego pomiaru”. Dzięki temu twierdzenie o wydajności da się zbadać. Wydanie Poolside omawia weryfikację i ciągły postęp jako ważne zachowania, ale samo przekonujące wyjaśnienie nie dowodzi, że modyfikacja jest szybsza, poprawna lub kompletna. Zachowaj obserwacje uzasadniające przyjęcie lub odrzucenie zmiany.
Laguna S 2.1 obsługuje przeplatany namysł przed wywołaniami narzędzi i między nimi. Producent zaleca zachowywanie treści rozumowania z wcześniejszych wiadomości asystenta w późniejszej historii; usunięcie tych bloków może spowodować zatrzymanie rozumowania w kolejnych krokach. Zachowuj razem odpowiedź asystenta, informacje o wywołaniu narzędzia i odpowiadający mu wynik narzędzia. Pomaga to dłuższemu zadaniu kontynuować od rzeczywistego stanu, zamiast wielokrotnie odtwarzać już podjęte próby.
Udokumentowane opcje namysłu to off i max, z max włączonym domyślnie w konfiguracji opisanej przez producenta. W tym trybie model sam określa budżet namysłu; wydanie nie przedstawia osobnych ustawień wysiłku low, medium i high. Do programowania agentowego Poolside zaleca włączenie namysłu i zachowywanie go między krokami. Określ jawnie końcowy rezultat i kryteria ukończenia oraz odróżniaj długą sekwencję rozumowania od ukończonego wyniku. Producent wskazuje nadmierny namysł, szczególnie w matematyce konkursowej, jako istotne ograniczenie.
Definicje narzędzi wymagają szczególnej uwagi. Poolside raportuje, że S 2.1 może początkowo opierać się na znajomym interfejsie narzędzia, zamiast ściśle przestrzegać podobnego, ale odmiennego schematu. Może też tworzyć niepoprawny JSON lub nieprawidłowo zapisywać znaki ucieczki, gdy argument narzędzia zawiera zagnieżdżoną tablicę. Podaj rzeczywiste definicje argumentów, waliduj proponowane wywołania i zwracaj precyzyjny błąd, gdy wywołanie jest niezgodne. Producent opisuje korektę poprzez informację zwrotną w kontekście jako sposób rozwiązania części takich rozbieżności. Zachowaj wynikową obserwację narzędzia do następnej decyzji.
Producent publikuje osobne warianty BF16 i skwantowane oraz opcjonalny model szkicowy DFlash. Są to odrębne pliki modeli i przepisy udostępniania, więc zużycia pamięci skwantowanego punktu kontrolnego lub wydajności dekodowania spekulacyjnego nie należy zakładać na podstawie ogólnej nazwy modelu. Do zwykłej pracy tekstowej przygotuj kod źródłowy, wyjście poleceń i fragmenty dokumentów jako czytelny tekst. Informacje o wydaniu wskazują brak zdolności wizyjnych modelu; zrzut ekranu wymaga obserwacji tekstowej lub odpowiedniego zewnętrznego kroku oględzin, zanim wesprze analizę.
Poproś o końcowy rezultat wskazujący zmieniony materiał, ważne decyzje, zaobserwowane sprawdzenia i wszelkie nierozstrzygnięte kwestie. Przy przeglądzie kodu powiąż ustalenia z odpowiednim źródłem i pokaż, dlaczego każdy problem wpływa na zachowanie. Przy naprawie oddziel proponowaną poprawkę od poprawki, której zachowanie faktycznie sprawdzono. Zachowanie rozumowania i historii narzędzi pomaga modelowi przejść przez zadanie, natomiast końcowy rezultat i zapisane wyniki ustalają, co osiągnięto.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity poolside/laguna-s-2.1 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.00002 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.00002 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra poolside/laguna-s-2.1
Użyj ścieżek metod podanych powyżej.
poolside/laguna-s-2.1Poolside Laguna S 2.1 to model tekstowy do programowania agentowego i długofalowej pracy, ze 118B parametrów łącznie i około 8B aktywnych. Łączy kontekst modelu 1 048 576 tokenów z natywnym użyciem narzędzi i przeplatanym rozumowaniem; zachowywanie wcześniejszego namysłu pomaga skutecznie kontynuować między wywołaniami narzędzi.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Poolside Laguna S 2.1 to model językowy typu mixture-of-experts zaprojektowany do programowania agentowego i długofalowej pracy. Ma 118B parametrów łącznie i około 8B aktywnych na token, co umieszcza go między mniejszym Laguna XS 2.1 a większym Laguna M.1 w serii producenta. Model przetwarza tekst i generuje tekst, kod, rozumowanie oraz żądania wywołań narzędzi w aplikacji połączonej z narzędziami.
Jego architektura łączy uwagę globalną i uwagę w przesuwanym oknie w 48 warstwach: 12 globalnych i 36 przesuwanego okna. Przesuwane okno 512 tokenów opisuje lokalną uwagę w tych warstwach, natomiast udokumentowany kontekst modelu obejmuje 1 048 576 tokenów. Są to różne miary. Większy kontekst wspiera zadania, które przez wiele kroków gromadzą pliki źródłowe, obserwacje i decyzje. Zachowuj razem cel roboczy i istotny materiał dowodowy oraz rezerwuj miejsce na dalsze rozumowanie i odpowiedź końcową w stosownej konfiguracji.
Głównym przeznaczeniem modelu jest praca nad oprogramowaniem wymagająca wytrwałości, sprawdzania i korekt. Przy zadaniu dotyczącym repozytorium dostarcz oczekiwane zachowanie, odpowiednie pliki jako tekst, informacje o zależnościach i rzeczywiste wyjście nieudanego działania. Poproś o skoncentrowany wynik: „Prześledź przyczynę tej regresji, zaproponuj zmianę zachowującą udokumentowany interfejs i wskaż sprawdzenia, które odróżnią naprawę od niepowiązanej zmiany”. W procesie połączonym z narzędziami podaj modelowi wynik każdego wykonanego sprawdzenia przed wybraniem następnego kroku.
Przy optymalizacji dostarcz pomiary i jednoznaczny cel. Przykład: „Użyj tego profilu i raportu alokacji, aby wskazać wąskie gardło. Zaproponuj jedną zmianę, wyjaśnij oczekiwany efekt i porównaj ją z poziomem bazowym po powtórzeniu tego samego pomiaru”. Dzięki temu twierdzenie o wydajności da się zbadać. Wydanie Poolside omawia weryfikację i ciągły postęp jako ważne zachowania, ale samo przekonujące wyjaśnienie nie dowodzi, że modyfikacja jest szybsza, poprawna lub kompletna. Zachowaj obserwacje uzasadniające przyjęcie lub odrzucenie zmiany.
Laguna S 2.1 obsługuje przeplatany namysł przed wywołaniami narzędzi i między nimi. Producent zaleca zachowywanie treści rozumowania z wcześniejszych wiadomości asystenta w późniejszej historii; usunięcie tych bloków może spowodować zatrzymanie rozumowania w kolejnych krokach. Zachowuj razem odpowiedź asystenta, informacje o wywołaniu narzędzia i odpowiadający mu wynik narzędzia. Pomaga to dłuższemu zadaniu kontynuować od rzeczywistego stanu, zamiast wielokrotnie odtwarzać już podjęte próby.
Udokumentowane opcje namysłu to off i max, z max włączonym domyślnie w konfiguracji opisanej przez producenta. W tym trybie model sam określa budżet namysłu; wydanie nie przedstawia osobnych ustawień wysiłku low, medium i high. Do programowania agentowego Poolside zaleca włączenie namysłu i zachowywanie go między krokami. Określ jawnie końcowy rezultat i kryteria ukończenia oraz odróżniaj długą sekwencję rozumowania od ukończonego wyniku. Producent wskazuje nadmierny namysł, szczególnie w matematyce konkursowej, jako istotne ograniczenie.
Definicje narzędzi wymagają szczególnej uwagi. Poolside raportuje, że S 2.1 może początkowo opierać się na znajomym interfejsie narzędzia, zamiast ściśle przestrzegać podobnego, ale odmiennego schematu. Może też tworzyć niepoprawny JSON lub nieprawidłowo zapisywać znaki ucieczki, gdy argument narzędzia zawiera zagnieżdżoną tablicę. Podaj rzeczywiste definicje argumentów, waliduj proponowane wywołania i zwracaj precyzyjny błąd, gdy wywołanie jest niezgodne. Producent opisuje korektę poprzez informację zwrotną w kontekście jako sposób rozwiązania części takich rozbieżności. Zachowaj wynikową obserwację narzędzia do następnej decyzji.
Producent publikuje osobne warianty BF16 i skwantowane oraz opcjonalny model szkicowy DFlash. Są to odrębne pliki modeli i przepisy udostępniania, więc zużycia pamięci skwantowanego punktu kontrolnego lub wydajności dekodowania spekulacyjnego nie należy zakładać na podstawie ogólnej nazwy modelu. Do zwykłej pracy tekstowej przygotuj kod źródłowy, wyjście poleceń i fragmenty dokumentów jako czytelny tekst. Informacje o wydaniu wskazują brak zdolności wizyjnych modelu; zrzut ekranu wymaga obserwacji tekstowej lub odpowiedniego zewnętrznego kroku oględzin, zanim wesprze analizę.
Poproś o końcowy rezultat wskazujący zmieniony materiał, ważne decyzje, zaobserwowane sprawdzenia i wszelkie nierozstrzygnięte kwestie. Przy przeglądzie kodu powiąż ustalenia z odpowiednim źródłem i pokaż, dlaczego każdy problem wpływa na zachowanie. Przy naprawie oddziel proponowaną poprawkę od poprawki, której zachowanie faktycznie sprawdzono. Zachowanie rozumowania i historii narzędzi pomaga modelowi przejść przez zadanie, natomiast końcowy rezultat i zapisane wyniki ustalają, co osiągnięto.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity poolside/laguna-s-2.1 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.00002 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.00002 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra poolside/laguna-s-2.1
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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.