Poolside Laguna S 2.1 é um modelo linguístico de mistura de especialistas concebido para programação com agentes e tarefas prolongadas. Tem 118 mil milhões de parâmetros no total e cerca de 8 mil milhões ativos por token, situando-se entre o Laguna XS 2.1 mais pequeno e o Laguna M.1 maior na série do fabricante. O modelo processa texto e produz texto, código, raciocínio e pedidos de chamadas de ferramentas numa aplicação ligada a ferramentas.
A sua arquitetura combina atenção global e de janela deslizante ao longo de 48 camadas: 12 camadas globais e 36 camadas de janela deslizante. A janela deslizante de 512 tokens descreve a atenção local dentro dessas camadas, enquanto o contexto documentado do modelo é de 1 048 576 tokens. São medidas diferentes. O contexto maior suporta tarefas que acumulam ficheiros-fonte, observações e decisões ao longo de muitos passos. Mantenha juntos o objetivo de trabalho e as evidências relevantes e reserve espaço para o raciocínio subsequente e a resposta final dentro da configuração aplicável.
O objetivo central do modelo é o trabalho de software que exige persistência, verificação e revisão. Para uma tarefa de repositório, forneça o comportamento esperado, os ficheiros relevantes como texto, a informação de dependências e a saída real que falha. Peça um resultado específico: «Rastreie a causa desta regressão, proponha uma alteração que preserve a interface documentada e identifique as verificações que distinguiriam uma correção de uma alteração sem relação com o problema.» Num fluxo ligado a ferramentas, dê ao modelo o resultado de cada verificação executada antes de escolher o passo seguinte.
Para trabalho de otimização, forneça medições e um objetivo explícito. Um exemplo é: «Use este perfil e relatório de alocações para identificar um estrangulamento. Proponha uma alteração, explique o efeito esperado e compare-a com a referência depois de repetir a mesma medição.» Isto torna inspecionável uma afirmação de desempenho. O lançamento da Poolside aborda a verificação e o progresso contínuo como comportamentos importantes, mas uma explicação convincente, por si só, não demonstra que uma revisão é mais rápida, correta ou completa. Preserve as observações que sustentam manter ou rejeitar a alteração.
Laguna S 2.1 suporta reflexão intercalada antes e entre chamadas de ferramentas. O fabricante recomenda preservar o conteúdo de raciocínio das mensagens anteriores do assistente no histórico subsequente; descartar esses blocos pode fazer parar o raciocínio nos passos de seguimento. Mantenha juntas a resposta do assistente, a informação da chamada de ferramenta e o resultado correspondente. Isto ajuda uma tarefa mais longa a continuar a partir do seu estado real, em vez de reconstruir repetidamente o que já foi tentado.
As opções de reflexão documentadas são off e max, com max ativado por predefinição na configuração descrita pelo fabricante. Nesse modo, o modelo determina o seu orçamento de reflexão; o lançamento não apresenta controlos de esforço low, medium e high separados. Para programação com agentes, a Poolside recomenda ativar a reflexão e conservá-la entre passos. Indique explicitamente o artefacto final e os critérios de conclusão e distinga uma sequência longa de raciocínio do resultado concluído. O fabricante identifica a reflexão excessiva, sobretudo em matemática de competição, como uma limitação substancial.
As definições das ferramentas exigem especial cuidado. A Poolside refere que S 2.1 pode inicialmente confiar numa interface de ferramenta familiar em vez de seguir atentamente um esquema semelhante mas diferente. Também pode produzir JSON malformado ou com escapes incorretos quando um argumento de ferramenta contém um array aninhado. Forneça as definições reais dos argumentos, valide as chamadas propostas e devolva um erro preciso quando a chamada não corresponder. O fabricante descreve a correção através de retorno no contexto como uma forma de resolver algumas destas incompatibilidades. Mantenha disponível a observação resultante da ferramenta para a decisão seguinte.
O fabricante publica variantes BF16 e quantizadas separadas e um modelo de rascunho DFlash opcional. São artefactos e receitas de disponibilização distintos, pelo que o consumo de memória ou o desempenho de descodificação especulativa de um checkpoint quantizado não devem ser presumidos a partir do nome geral do modelo. Para trabalho textual comum, prepare código-fonte, saídas de comandos e excertos de documentos como texto legível. O lançamento refere a ausência de capacidade de visão do modelo; uma captura de ecrã precisa de uma observação textual ou de uma etapa externa de inspeção adequada antes de poder apoiar a análise.
Peça um resultado final a entregar que identifique o artefacto alterado, as decisões importantes, as verificações observadas e qualquer condição por resolver. Numa revisão de código, ligue as conclusões ao código-fonte relevante e mostre por que motivo cada problema afeta o comportamento. Numa reparação, separe a correção proposta de uma correção cujo comportamento foi efetivamente verificado. Conservar o raciocínio e o histórico das ferramentas ajuda o modelo a desenvolver a tarefa, enquanto o artefacto final e os resultados registados demonstram o que foi realizado.
", "aboutText": "Poolside Laguna S 2.1 é um modelo linguístico de mistura de especialistas concebido para programação com agentes e tarefas prolongadas. Tem 118 mil milhões de parâmetros no total e cerca de 8 mil milhões ativos por token, situando-se entre o Laguna XS 2.1 mais pequeno e o Laguna M.1 maior na série do fabricante. O modelo processa texto e produz texto, código, raciocínio e pedidos de chamadas de ferramentas numa aplicação ligada a ferramentas.\n\nA sua arquitetura combina atenção global e de janela deslizante ao longo de 48 camadas: 12 camadas globais e 36 camadas de janela deslizante. A janela deslizante de 512 tokens descreve a atenção local dentro dessas camadas, enquanto o contexto documentado do modelo é de 1 048 576 tokens. São medidas diferentes. O contexto maior suporta tarefas que acumulam ficheiros-fonte, observações e decisões ao longo de muitos passos. Mantenha juntos o objetivo de trabalho e as evidências relevantes e reserve espaço para o raciocínio subsequente e a resposta final dentro da configuração aplicável.\n\nO objetivo central do modelo é o trabalho de software que exige persistência, verificação e revisão. Para uma tarefa de repositório, forneça o comportamento esperado, os ficheiros relevantes como texto, a informação de dependências e a saída real que falha. Peça um resultado específico: «Rastreie a causa desta regressão, proponha uma alteração que preserve a interface documentada e identifique as verificações que distinguiriam uma correção de uma alteração sem relação com o problema.» Num fluxo ligado a ferramentas, dê ao modelo o resultado de cada verificação executada antes de escolher o passo seguinte.\n\nPara trabalho de otimização, forneça medições e um objetivo explícito. Um exemplo é: «Use este perfil e relatório de alocações para identificar um estrangulamento. Proponha uma alteração, explique o efeito esperado e compare-a com a referência depois de repetir a mesma medição.» Isto torna inspecionável uma afirmação de desempenho. O lançamento da Poolside aborda a verificação e o progresso contínuo como comportamentos importantes, mas uma explicação convincente, por si só, não demonstra que uma revisão é mais rápida, correta ou completa. Preserve as observações que sustentam manter ou rejeitar a alteração.\n\nLaguna S 2.1 suporta reflexão intercalada antes e entre chamadas de ferramentas. O fabricante recomenda preservar o conteúdo de raciocínio das mensagens anteriores do assistente no histórico subsequente; descartar esses blocos pode fazer parar o raciocínio nos passos de seguimento. Mantenha juntas a resposta do assistente, a informação da chamada de ferramenta e o resultado correspondente. Isto ajuda uma tarefa mais longa a continuar a partir do seu estado real, em vez de reconstruir repetidamente o que já foi tentado.\n\nAs opções de reflexão documentadas são off e max, com max ativado por predefinição na configuração descrita pelo fabricante. Nesse modo, o modelo determina o seu orçamento de reflexão; o lançamento não apresenta controlos de esforço low, medium e high separados. Para programação com agentes, a Poolside recomenda ativar a reflexão e conservá-la entre passos. Indique explicitamente o artefacto final e os critérios de conclusão e distinga uma sequência longa de raciocínio do resultado concluído. O fabricante identifica a reflexão excessiva, sobretudo em matemática de competição, como uma limitação substancial.\n\nAs definições das ferramentas exigem especial cuidado. A Poolside refere que S 2.1 pode inicialmente confiar numa interface de ferramenta familiar em vez de seguir atentamente um esquema semelhante mas diferente. Também pode produzir JSON malformado ou com escapes incorretos quando um argumento de ferramenta contém um array aninhado. Forneça as definições reais dos argumentos, valide as chamadas propostas e devolva um erro preciso quando a chamada não corresponder. O fabricante descreve a correção através de retorno no contexto como uma forma de resolver algumas destas incompatibilidades. Mantenha disponível a observação resultante da ferramenta para a decisão seguinte.\n\nO fabricante publica variantes BF16 e quantizadas separadas e um modelo de rascunho DFlash opcional. São artefactos e receitas de disponibilização distintos, pelo que o consumo de memória ou o desempenho de descodificação especulativa de um checkpoint quantizado não devem ser presumidos a partir do nome geral do modelo. Para trabalho textual comum, prepare código-fonte, saídas de comandos e excertos de documentos como texto legível. O lançamento refere a ausência de capacidade de visão do modelo; uma captura de ecrã precisa de uma observação textual ou de uma etapa externa de inspeção adequada antes de poder apoiar a análise.\n\nPeça um resultado final a entregar que identifique o artefacto alterado, as decisões importantes, as verificações observadas e qualquer condição por resolver. Numa revisão de código, ligue as conclusões ao código-fonte relevante e mostre por que motivo cada problema afeta o comportamento. Numa reparação, separe a correção proposta de uma correção cujo comportamento foi efetivamente verificado. Conservar o raciocínio e o histórico das ferramentas ajuda o modelo a desenvolver a tarefa, enquanto o artefacto final e os resultados registados demonstram o que foi realizado.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 é um modelo de texto para programação com agentes e tarefas prolongadas, com 118 mil milhões de parâmetros no total e cerca de 8 mil milhões ativos. Combina um contexto de modelo de 1 048 576 tokens com utilização nativa de ferramentas e raciocínio intercalado; preservar a reflexão anterior ajuda-o a continuar eficazmente entre chamadas de ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Poolside Laguna S 2.1 é um modelo linguístico de mistura de especialistas concebido para programação com agentes e tarefas prolongadas. Tem 118 mil milhões de parâmetros no total e cerca de 8 mil milhões ativos por token, situando-se entre o Laguna XS 2.1 mais pequeno e o Laguna M.1 maior na série do fabricante. O modelo processa texto e produz texto, código, raciocínio e pedidos de chamadas de ferramentas numa aplicação ligada a ferramentas.
A sua arquitetura combina atenção global e de janela deslizante ao longo de 48 camadas: 12 camadas globais e 36 camadas de janela deslizante. A janela deslizante de 512 tokens descreve a atenção local dentro dessas camadas, enquanto o contexto documentado do modelo é de 1 048 576 tokens. São medidas diferentes. O contexto maior suporta tarefas que acumulam ficheiros-fonte, observações e decisões ao longo de muitos passos. Mantenha juntos o objetivo de trabalho e as evidências relevantes e reserve espaço para o raciocínio subsequente e a resposta final dentro da configuração aplicável.
O objetivo central do modelo é o trabalho de software que exige persistência, verificação e revisão. Para uma tarefa de repositório, forneça o comportamento esperado, os ficheiros relevantes como texto, a informação de dependências e a saída real que falha. Peça um resultado específico: «Rastreie a causa desta regressão, proponha uma alteração que preserve a interface documentada e identifique as verificações que distinguiriam uma correção de uma alteração sem relação com o problema.» Num fluxo ligado a ferramentas, dê ao modelo o resultado de cada verificação executada antes de escolher o passo seguinte.
Para trabalho de otimização, forneça medições e um objetivo explícito. Um exemplo é: «Use este perfil e relatório de alocações para identificar um estrangulamento. Proponha uma alteração, explique o efeito esperado e compare-a com a referência depois de repetir a mesma medição.» Isto torna inspecionável uma afirmação de desempenho. O lançamento da Poolside aborda a verificação e o progresso contínuo como comportamentos importantes, mas uma explicação convincente, por si só, não demonstra que uma revisão é mais rápida, correta ou completa. Preserve as observações que sustentam manter ou rejeitar a alteração.
Laguna S 2.1 suporta reflexão intercalada antes e entre chamadas de ferramentas. O fabricante recomenda preservar o conteúdo de raciocínio das mensagens anteriores do assistente no histórico subsequente; descartar esses blocos pode fazer parar o raciocínio nos passos de seguimento. Mantenha juntas a resposta do assistente, a informação da chamada de ferramenta e o resultado correspondente. Isto ajuda uma tarefa mais longa a continuar a partir do seu estado real, em vez de reconstruir repetidamente o que já foi tentado.
As opções de reflexão documentadas são off e max, com max ativado por predefinição na configuração descrita pelo fabricante. Nesse modo, o modelo determina o seu orçamento de reflexão; o lançamento não apresenta controlos de esforço low, medium e high separados. Para programação com agentes, a Poolside recomenda ativar a reflexão e conservá-la entre passos. Indique explicitamente o artefacto final e os critérios de conclusão e distinga uma sequência longa de raciocínio do resultado concluído. O fabricante identifica a reflexão excessiva, sobretudo em matemática de competição, como uma limitação substancial.
As definições das ferramentas exigem especial cuidado. A Poolside refere que S 2.1 pode inicialmente confiar numa interface de ferramenta familiar em vez de seguir atentamente um esquema semelhante mas diferente. Também pode produzir JSON malformado ou com escapes incorretos quando um argumento de ferramenta contém um array aninhado. Forneça as definições reais dos argumentos, valide as chamadas propostas e devolva um erro preciso quando a chamada não corresponder. O fabricante descreve a correção através de retorno no contexto como uma forma de resolver algumas destas incompatibilidades. Mantenha disponível a observação resultante da ferramenta para a decisão seguinte.
O fabricante publica variantes BF16 e quantizadas separadas e um modelo de rascunho DFlash opcional. São artefactos e receitas de disponibilização distintos, pelo que o consumo de memória ou o desempenho de descodificação especulativa de um checkpoint quantizado não devem ser presumidos a partir do nome geral do modelo. Para trabalho textual comum, prepare código-fonte, saídas de comandos e excertos de documentos como texto legível. O lançamento refere a ausência de capacidade de visão do modelo; uma captura de ecrã precisa de uma observação textual ou de uma etapa externa de inspeção adequada antes de poder apoiar a análise.
Peça um resultado final a entregar que identifique o artefacto alterado, as decisões importantes, as verificações observadas e qualquer condição por resolver. Numa revisão de código, ligue as conclusões ao código-fonte relevante e mostre por que motivo cada problema afeta o comportamento. Numa reparação, separe a correção proposta de uma correção cujo comportamento foi efetivamente verificado. Conservar o raciocínio e o histórico das ferramentas ajuda o modelo a desenvolver a tarefa, enquanto o artefacto final e os resultados registados demonstram o que foi realizado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites poolside/laguna-s-2.1 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0004 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0004 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra poolside/laguna-s-2.1
Use os caminhos dos métodos indicados acima.
poolside/laguna-s-2.1Poolside Laguna S 2.1 é um modelo de texto para programação com agentes e tarefas prolongadas, com 118 mil milhões de parâmetros no total e cerca de 8 mil milhões ativos. Combina um contexto de modelo de 1 048 576 tokens com utilização nativa de ferramentas e raciocínio intercalado; preservar a reflexão anterior ajuda-o a continuar eficazmente entre chamadas de ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Poolside Laguna S 2.1 é um modelo linguístico de mistura de especialistas concebido para programação com agentes e tarefas prolongadas. Tem 118 mil milhões de parâmetros no total e cerca de 8 mil milhões ativos por token, situando-se entre o Laguna XS 2.1 mais pequeno e o Laguna M.1 maior na série do fabricante. O modelo processa texto e produz texto, código, raciocínio e pedidos de chamadas de ferramentas numa aplicação ligada a ferramentas.
A sua arquitetura combina atenção global e de janela deslizante ao longo de 48 camadas: 12 camadas globais e 36 camadas de janela deslizante. A janela deslizante de 512 tokens descreve a atenção local dentro dessas camadas, enquanto o contexto documentado do modelo é de 1 048 576 tokens. São medidas diferentes. O contexto maior suporta tarefas que acumulam ficheiros-fonte, observações e decisões ao longo de muitos passos. Mantenha juntos o objetivo de trabalho e as evidências relevantes e reserve espaço para o raciocínio subsequente e a resposta final dentro da configuração aplicável.
O objetivo central do modelo é o trabalho de software que exige persistência, verificação e revisão. Para uma tarefa de repositório, forneça o comportamento esperado, os ficheiros relevantes como texto, a informação de dependências e a saída real que falha. Peça um resultado específico: «Rastreie a causa desta regressão, proponha uma alteração que preserve a interface documentada e identifique as verificações que distinguiriam uma correção de uma alteração sem relação com o problema.» Num fluxo ligado a ferramentas, dê ao modelo o resultado de cada verificação executada antes de escolher o passo seguinte.
Para trabalho de otimização, forneça medições e um objetivo explícito. Um exemplo é: «Use este perfil e relatório de alocações para identificar um estrangulamento. Proponha uma alteração, explique o efeito esperado e compare-a com a referência depois de repetir a mesma medição.» Isto torna inspecionável uma afirmação de desempenho. O lançamento da Poolside aborda a verificação e o progresso contínuo como comportamentos importantes, mas uma explicação convincente, por si só, não demonstra que uma revisão é mais rápida, correta ou completa. Preserve as observações que sustentam manter ou rejeitar a alteração.
Laguna S 2.1 suporta reflexão intercalada antes e entre chamadas de ferramentas. O fabricante recomenda preservar o conteúdo de raciocínio das mensagens anteriores do assistente no histórico subsequente; descartar esses blocos pode fazer parar o raciocínio nos passos de seguimento. Mantenha juntas a resposta do assistente, a informação da chamada de ferramenta e o resultado correspondente. Isto ajuda uma tarefa mais longa a continuar a partir do seu estado real, em vez de reconstruir repetidamente o que já foi tentado.
As opções de reflexão documentadas são off e max, com max ativado por predefinição na configuração descrita pelo fabricante. Nesse modo, o modelo determina o seu orçamento de reflexão; o lançamento não apresenta controlos de esforço low, medium e high separados. Para programação com agentes, a Poolside recomenda ativar a reflexão e conservá-la entre passos. Indique explicitamente o artefacto final e os critérios de conclusão e distinga uma sequência longa de raciocínio do resultado concluído. O fabricante identifica a reflexão excessiva, sobretudo em matemática de competição, como uma limitação substancial.
As definições das ferramentas exigem especial cuidado. A Poolside refere que S 2.1 pode inicialmente confiar numa interface de ferramenta familiar em vez de seguir atentamente um esquema semelhante mas diferente. Também pode produzir JSON malformado ou com escapes incorretos quando um argumento de ferramenta contém um array aninhado. Forneça as definições reais dos argumentos, valide as chamadas propostas e devolva um erro preciso quando a chamada não corresponder. O fabricante descreve a correção através de retorno no contexto como uma forma de resolver algumas destas incompatibilidades. Mantenha disponível a observação resultante da ferramenta para a decisão seguinte.
O fabricante publica variantes BF16 e quantizadas separadas e um modelo de rascunho DFlash opcional. São artefactos e receitas de disponibilização distintos, pelo que o consumo de memória ou o desempenho de descodificação especulativa de um checkpoint quantizado não devem ser presumidos a partir do nome geral do modelo. Para trabalho textual comum, prepare código-fonte, saídas de comandos e excertos de documentos como texto legível. O lançamento refere a ausência de capacidade de visão do modelo; uma captura de ecrã precisa de uma observação textual ou de uma etapa externa de inspeção adequada antes de poder apoiar a análise.
Peça um resultado final a entregar que identifique o artefacto alterado, as decisões importantes, as verificações observadas e qualquer condição por resolver. Numa revisão de código, ligue as conclusões ao código-fonte relevante e mostre por que motivo cada problema afeta o comportamento. Numa reparação, separe a correção proposta de uma correção cujo comportamento foi efetivamente verificado. Conservar o raciocínio e o histórico das ferramentas ajuda o modelo a desenvolver a tarefa, enquanto o artefacto final e os resultados registados demonstram o que foi realizado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites poolside/laguna-s-2.1 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0004 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0004 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra poolside/laguna-s-2.1
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.