Poolside Laguna S 2.1 är en mixture-of-experts-språkmodell utformad för agentbaserad kodning och långvarigt arbete. Den har totalt 118B parametrar och cirka 8B aktiva per token, vilket placerar den mellan den mindre Laguna XS 2.1 och den större Laguna M.1 i tillverkarens serie. Modellen bearbetar text och producerar text, kod, resonemang och begäranden om verktygsanrop i en verktygskopplad applikation.
Arkitekturen kombinerar global attention och attention med glidande fönster i 48 lager: 12 globala lager och 36 lager med glidande fönster. Det glidande fönstret på 512 token beskriver lokal attention i dessa lager, medan den dokumenterade modellkontexten är 1,048,576 token. Detta är olika mått. Den större kontexten stöder uppgifter som samlar källfiler, observationer och beslut över många steg. Håll arbetsmålet och meningsfullt underlag tillsammans och reservera utrymme för efterföljande resonemang och slutsvaret inom den tillämpliga konfigurationen.
Modellens centrala syfte är programvaruarbete som kräver uthållighet, kontroll och omarbetning. För en kodarkivsuppgift tillhandahåller du förväntat beteende, relevanta filer som text, beroendeinformation och faktiska felutdata. Be om ett avgränsat resultat: ”Spåra orsaken till denna regression, föreslå en ändring som bevarar det dokumenterade gränssnittet och identifiera kontrollerna som skulle skilja en korrigering från en orelaterad ändring.” I ett verktygskopplat arbetsflöde ger du modellen resultatet av varje körd kontroll innan den väljer nästa steg.
För optimeringsarbete tillhandahåller du mätningar och ett uttryckligt mål. Ett exempel är: ”Använd denna profil och allokeringsrapport för att identifiera en flaskhals. Föreslå en ändring, förklara den förväntade effekten och jämför med baslinjen när samma mätning har upprepats.” Det gör ett prestandapåstående granskningsbart. Poolsides utgåva lyfter fram verifiering och fortsatta framsteg som viktiga beteenden, men en övertygande förklaring fastställer inte i sig att en revidering är snabbare, korrekt eller komplett. Bevara observationerna som stöder att ändringen behålls eller förkastas.
Laguna S 2.1 stöder inflätat tänkande före och mellan verktygsanrop. Tillverkaren rekommenderar att resonemangsinnehåll från tidigare assistentmeddelanden bevaras i efterföljande historik; att utelämna dessa block kan göra att resonemanget upphör i uppföljande steg. Håll assistentsvaret, informationen om verktygsanropet och motsvarande verktygsresultat tillsammans. Detta hjälper en längre uppgift att fortsätta från sitt faktiska tillstånd i stället för att gång på gång återskapa det som redan har prövats.
De dokumenterade tänkealternativen är off och max, med max aktiverat som standard i tillverkarens beskrivna upplägg. Modellen bestämmer sin tänkebudget i det läget; utgåvan presenterar inga separata reglage för insatsnivåerna low, medium och high. För agentbaserad kodning rekommenderar Poolside att tänkande aktiveras och behålls mellan steg. Ange slutresultatet och färdigkriterierna uttryckligen och skilj en lång resonemangssekvens från det slutförda resultatet. Tillverkaren identifierar övertänkande, särskilt i tävlingsmatematik, som en väsentlig begränsning.
Verktygsdefinitioner behöver särskild omsorg. Poolside rapporterar att S 2.1 inledningsvis kan förlita sig på ett välbekant verktygsgränssnitt i stället för att noggrant följa ett liknande men annorlunda schema. Den kan också producera felaktigt formaterad JSON eller JSON med felaktiga escape-sekvenser när ett verktygsargument innehåller en nästlad array. Ange de faktiska argumentdefinitionerna, validera föreslagna anrop och återför ett exakt fel när anropet inte stämmer. Tillverkaren beskriver korrigering genom återkoppling i kontexten som ett sätt att lösa vissa av dessa avvikelser. Håll den resulterande verktygsobservationen tillgänglig för nästa beslut.
Tillverkaren publicerar separata BF16- och kvantiserade varianter samt en valfri DFlash-draft-modell. Detta är separata modellfiler och driftrecept, så en kvantiserad checkpoints minnesanvändning eller prestanda vid spekulativ avkodning bör inte antas utifrån det allmänna modellnamnet. För vanligt textarbete förbereder du källkod, kommandoutdata och dokumentutdrag som läsbar text. Utgåvan anger att modellen saknar bildförmåga; en skärmbild behöver en textuell observation eller ett lämpligt externt granskningssteg innan den kan stödja analysen.
Begär en slutleverans som identifierar det ändrade arbetsresultatet, viktiga beslut, observerade kontroller och eventuella olösta villkor. För en kodgranskning kopplar du fynd till relevant källkod och visar varför varje problem påverkar beteendet. För en reparation skiljer du den föreslagna patchen från en patch vars beteende faktiskt har kontrollerats. Att behålla resonemang och verktygshistorik hjälper modellen att arbeta sig igenom uppgiften, medan slutresultatet och de dokumenterade resultaten fastställer vad som åstadkommits.
", "aboutText": "Poolside Laguna S 2.1 är en mixture-of-experts-språkmodell utformad för agentbaserad kodning och långvarigt arbete. Den har totalt 118B parametrar och cirka 8B aktiva per token, vilket placerar den mellan den mindre Laguna XS 2.1 och den större Laguna M.1 i tillverkarens serie. Modellen bearbetar text och producerar text, kod, resonemang och begäranden om verktygsanrop i en verktygskopplad applikation.\n\nArkitekturen kombinerar global attention och attention med glidande fönster i 48 lager: 12 globala lager och 36 lager med glidande fönster. Det glidande fönstret på 512 token beskriver lokal attention i dessa lager, medan den dokumenterade modellkontexten är 1,048,576 token. Detta är olika mått. Den större kontexten stöder uppgifter som samlar källfiler, observationer och beslut över många steg. Håll arbetsmålet och meningsfullt underlag tillsammans och reservera utrymme för efterföljande resonemang och slutsvaret inom den tillämpliga konfigurationen.\n\nModellens centrala syfte är programvaruarbete som kräver uthållighet, kontroll och omarbetning. För en kodarkivsuppgift tillhandahåller du förväntat beteende, relevanta filer som text, beroendeinformation och faktiska felutdata. Be om ett avgränsat resultat: ”Spåra orsaken till denna regression, föreslå en ändring som bevarar det dokumenterade gränssnittet och identifiera kontrollerna som skulle skilja en korrigering från en orelaterad ändring.” I ett verktygskopplat arbetsflöde ger du modellen resultatet av varje körd kontroll innan den väljer nästa steg.\n\nFör optimeringsarbete tillhandahåller du mätningar och ett uttryckligt mål. Ett exempel är: ”Använd denna profil och allokeringsrapport för att identifiera en flaskhals. Föreslå en ändring, förklara den förväntade effekten och jämför med baslinjen när samma mätning har upprepats.” Det gör ett prestandapåstående granskningsbart. Poolsides utgåva lyfter fram verifiering och fortsatta framsteg som viktiga beteenden, men en övertygande förklaring fastställer inte i sig att en revidering är snabbare, korrekt eller komplett. Bevara observationerna som stöder att ändringen behålls eller förkastas.\n\nLaguna S 2.1 stöder inflätat tänkande före och mellan verktygsanrop. Tillverkaren rekommenderar att resonemangsinnehåll från tidigare assistentmeddelanden bevaras i efterföljande historik; att utelämna dessa block kan göra att resonemanget upphör i uppföljande steg. Håll assistentsvaret, informationen om verktygsanropet och motsvarande verktygsresultat tillsammans. Detta hjälper en längre uppgift att fortsätta från sitt faktiska tillstånd i stället för att gång på gång återskapa det som redan har prövats.\n\nDe dokumenterade tänkealternativen är off och max, med max aktiverat som standard i tillverkarens beskrivna upplägg. Modellen bestämmer sin tänkebudget i det läget; utgåvan presenterar inga separata reglage för insatsnivåerna low, medium och high. För agentbaserad kodning rekommenderar Poolside att tänkande aktiveras och behålls mellan steg. Ange slutresultatet och färdigkriterierna uttryckligen och skilj en lång resonemangssekvens från det slutförda resultatet. Tillverkaren identifierar övertänkande, särskilt i tävlingsmatematik, som en väsentlig begränsning.\n\nVerktygsdefinitioner behöver särskild omsorg. Poolside rapporterar att S 2.1 inledningsvis kan förlita sig på ett välbekant verktygsgränssnitt i stället för att noggrant följa ett liknande men annorlunda schema. Den kan också producera felaktigt formaterad JSON eller JSON med felaktiga escape-sekvenser när ett verktygsargument innehåller en nästlad array. Ange de faktiska argumentdefinitionerna, validera föreslagna anrop och återför ett exakt fel när anropet inte stämmer. Tillverkaren beskriver korrigering genom återkoppling i kontexten som ett sätt att lösa vissa av dessa avvikelser. Håll den resulterande verktygsobservationen tillgänglig för nästa beslut.\n\nTillverkaren publicerar separata BF16- och kvantiserade varianter samt en valfri DFlash-draft-modell. Detta är separata modellfiler och driftrecept, så en kvantiserad checkpoints minnesanvändning eller prestanda vid spekulativ avkodning bör inte antas utifrån det allmänna modellnamnet. För vanligt textarbete förbereder du källkod, kommandoutdata och dokumentutdrag som läsbar text. Utgåvan anger att modellen saknar bildförmåga; en skärmbild behöver en textuell observation eller ett lämpligt externt granskningssteg innan den kan stödja analysen.\n\nBegär en slutleverans som identifierar det ändrade arbetsresultatet, viktiga beslut, observerade kontroller och eventuella olösta villkor. För en kodgranskning kopplar du fynd till relevant källkod och visar varför varje problem påverkar beteendet. För en reparation skiljer du den föreslagna patchen från en patch vars beteende faktiskt har kontrollerats. Att behålla resonemang och verktygshistorik hjälper modellen att arbeta sig igenom uppgiften, medan slutresultatet och de dokumenterade resultaten fastställer vad som åstadkommits.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är en textmodell för agentbaserad kodning och långvarigt arbete, med totalt 118B parametrar och cirka 8B aktiva. Den kombinerar en modellkontext på 1,048,576 token med inbyggd verktygsanvändning och inflätat resonemang; att bevara tidigare tänkande hjälper den att fortsätta effektivt mellan verktygsanrop.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Poolside Laguna S 2.1 är en mixture-of-experts-språkmodell utformad för agentbaserad kodning och långvarigt arbete. Den har totalt 118B parametrar och cirka 8B aktiva per token, vilket placerar den mellan den mindre Laguna XS 2.1 och den större Laguna M.1 i tillverkarens serie. Modellen bearbetar text och producerar text, kod, resonemang och begäranden om verktygsanrop i en verktygskopplad applikation.
Arkitekturen kombinerar global attention och attention med glidande fönster i 48 lager: 12 globala lager och 36 lager med glidande fönster. Det glidande fönstret på 512 token beskriver lokal attention i dessa lager, medan den dokumenterade modellkontexten är 1,048,576 token. Detta är olika mått. Den större kontexten stöder uppgifter som samlar källfiler, observationer och beslut över många steg. Håll arbetsmålet och meningsfullt underlag tillsammans och reservera utrymme för efterföljande resonemang och slutsvaret inom den tillämpliga konfigurationen.
Modellens centrala syfte är programvaruarbete som kräver uthållighet, kontroll och omarbetning. För en kodarkivsuppgift tillhandahåller du förväntat beteende, relevanta filer som text, beroendeinformation och faktiska felutdata. Be om ett avgränsat resultat: ”Spåra orsaken till denna regression, föreslå en ändring som bevarar det dokumenterade gränssnittet och identifiera kontrollerna som skulle skilja en korrigering från en orelaterad ändring.” I ett verktygskopplat arbetsflöde ger du modellen resultatet av varje körd kontroll innan den väljer nästa steg.
För optimeringsarbete tillhandahåller du mätningar och ett uttryckligt mål. Ett exempel är: ”Använd denna profil och allokeringsrapport för att identifiera en flaskhals. Föreslå en ändring, förklara den förväntade effekten och jämför med baslinjen när samma mätning har upprepats.” Det gör ett prestandapåstående granskningsbart. Poolsides utgåva lyfter fram verifiering och fortsatta framsteg som viktiga beteenden, men en övertygande förklaring fastställer inte i sig att en revidering är snabbare, korrekt eller komplett. Bevara observationerna som stöder att ändringen behålls eller förkastas.
Laguna S 2.1 stöder inflätat tänkande före och mellan verktygsanrop. Tillverkaren rekommenderar att resonemangsinnehåll från tidigare assistentmeddelanden bevaras i efterföljande historik; att utelämna dessa block kan göra att resonemanget upphör i uppföljande steg. Håll assistentsvaret, informationen om verktygsanropet och motsvarande verktygsresultat tillsammans. Detta hjälper en längre uppgift att fortsätta från sitt faktiska tillstånd i stället för att gång på gång återskapa det som redan har prövats.
De dokumenterade tänkealternativen är off och max, med max aktiverat som standard i tillverkarens beskrivna upplägg. Modellen bestämmer sin tänkebudget i det läget; utgåvan presenterar inga separata reglage för insatsnivåerna low, medium och high. För agentbaserad kodning rekommenderar Poolside att tänkande aktiveras och behålls mellan steg. Ange slutresultatet och färdigkriterierna uttryckligen och skilj en lång resonemangssekvens från det slutförda resultatet. Tillverkaren identifierar övertänkande, särskilt i tävlingsmatematik, som en väsentlig begränsning.
Verktygsdefinitioner behöver särskild omsorg. Poolside rapporterar att S 2.1 inledningsvis kan förlita sig på ett välbekant verktygsgränssnitt i stället för att noggrant följa ett liknande men annorlunda schema. Den kan också producera felaktigt formaterad JSON eller JSON med felaktiga escape-sekvenser när ett verktygsargument innehåller en nästlad array. Ange de faktiska argumentdefinitionerna, validera föreslagna anrop och återför ett exakt fel när anropet inte stämmer. Tillverkaren beskriver korrigering genom återkoppling i kontexten som ett sätt att lösa vissa av dessa avvikelser. Håll den resulterande verktygsobservationen tillgänglig för nästa beslut.
Tillverkaren publicerar separata BF16- och kvantiserade varianter samt en valfri DFlash-draft-modell. Detta är separata modellfiler och driftrecept, så en kvantiserad checkpoints minnesanvändning eller prestanda vid spekulativ avkodning bör inte antas utifrån det allmänna modellnamnet. För vanligt textarbete förbereder du källkod, kommandoutdata och dokumentutdrag som läsbar text. Utgåvan anger att modellen saknar bildförmåga; en skärmbild behöver en textuell observation eller ett lämpligt externt granskningssteg innan den kan stödja analysen.
Begär en slutleverans som identifierar det ändrade arbetsresultatet, viktiga beslut, observerade kontroller och eventuella olösta villkor. För en kodgranskning kopplar du fynd till relevant källkod och visar varför varje problem påverkar beteendet. För en reparation skiljer du den föreslagna patchen från en patch vars beteende faktiskt har kontrollerats. Att behålla resonemang och verktygshistorik hjälper modellen att arbeta sig igenom uppgiften, medan slutresultatet och de dokumenterade resultaten fastställer vad som åstadkommits.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser poolside/laguna-s-2.1 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "poolside/laguna-s-2.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='poolside/laguna-s-2.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='poolside/laguna-s-2.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra poolside/laguna-s-2.1
Använd metodsökvägarna som visas ovan.
poolside/laguna-s-2.1Poolside Laguna S 2.1 är en textmodell för agentbaserad kodning och långvarigt arbete, med totalt 118B parametrar och cirka 8B aktiva. Den kombinerar en modellkontext på 1,048,576 token med inbyggd verktygsanvändning och inflätat resonemang; att bevara tidigare tänkande hjälper den att fortsätta effektivt mellan verktygsanrop.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Poolside Laguna S 2.1 är en mixture-of-experts-språkmodell utformad för agentbaserad kodning och långvarigt arbete. Den har totalt 118B parametrar och cirka 8B aktiva per token, vilket placerar den mellan den mindre Laguna XS 2.1 och den större Laguna M.1 i tillverkarens serie. Modellen bearbetar text och producerar text, kod, resonemang och begäranden om verktygsanrop i en verktygskopplad applikation.
Arkitekturen kombinerar global attention och attention med glidande fönster i 48 lager: 12 globala lager och 36 lager med glidande fönster. Det glidande fönstret på 512 token beskriver lokal attention i dessa lager, medan den dokumenterade modellkontexten är 1,048,576 token. Detta är olika mått. Den större kontexten stöder uppgifter som samlar källfiler, observationer och beslut över många steg. Håll arbetsmålet och meningsfullt underlag tillsammans och reservera utrymme för efterföljande resonemang och slutsvaret inom den tillämpliga konfigurationen.
Modellens centrala syfte är programvaruarbete som kräver uthållighet, kontroll och omarbetning. För en kodarkivsuppgift tillhandahåller du förväntat beteende, relevanta filer som text, beroendeinformation och faktiska felutdata. Be om ett avgränsat resultat: ”Spåra orsaken till denna regression, föreslå en ändring som bevarar det dokumenterade gränssnittet och identifiera kontrollerna som skulle skilja en korrigering från en orelaterad ändring.” I ett verktygskopplat arbetsflöde ger du modellen resultatet av varje körd kontroll innan den väljer nästa steg.
För optimeringsarbete tillhandahåller du mätningar och ett uttryckligt mål. Ett exempel är: ”Använd denna profil och allokeringsrapport för att identifiera en flaskhals. Föreslå en ändring, förklara den förväntade effekten och jämför med baslinjen när samma mätning har upprepats.” Det gör ett prestandapåstående granskningsbart. Poolsides utgåva lyfter fram verifiering och fortsatta framsteg som viktiga beteenden, men en övertygande förklaring fastställer inte i sig att en revidering är snabbare, korrekt eller komplett. Bevara observationerna som stöder att ändringen behålls eller förkastas.
Laguna S 2.1 stöder inflätat tänkande före och mellan verktygsanrop. Tillverkaren rekommenderar att resonemangsinnehåll från tidigare assistentmeddelanden bevaras i efterföljande historik; att utelämna dessa block kan göra att resonemanget upphör i uppföljande steg. Håll assistentsvaret, informationen om verktygsanropet och motsvarande verktygsresultat tillsammans. Detta hjälper en längre uppgift att fortsätta från sitt faktiska tillstånd i stället för att gång på gång återskapa det som redan har prövats.
De dokumenterade tänkealternativen är off och max, med max aktiverat som standard i tillverkarens beskrivna upplägg. Modellen bestämmer sin tänkebudget i det läget; utgåvan presenterar inga separata reglage för insatsnivåerna low, medium och high. För agentbaserad kodning rekommenderar Poolside att tänkande aktiveras och behålls mellan steg. Ange slutresultatet och färdigkriterierna uttryckligen och skilj en lång resonemangssekvens från det slutförda resultatet. Tillverkaren identifierar övertänkande, särskilt i tävlingsmatematik, som en väsentlig begränsning.
Verktygsdefinitioner behöver särskild omsorg. Poolside rapporterar att S 2.1 inledningsvis kan förlita sig på ett välbekant verktygsgränssnitt i stället för att noggrant följa ett liknande men annorlunda schema. Den kan också producera felaktigt formaterad JSON eller JSON med felaktiga escape-sekvenser när ett verktygsargument innehåller en nästlad array. Ange de faktiska argumentdefinitionerna, validera föreslagna anrop och återför ett exakt fel när anropet inte stämmer. Tillverkaren beskriver korrigering genom återkoppling i kontexten som ett sätt att lösa vissa av dessa avvikelser. Håll den resulterande verktygsobservationen tillgänglig för nästa beslut.
Tillverkaren publicerar separata BF16- och kvantiserade varianter samt en valfri DFlash-draft-modell. Detta är separata modellfiler och driftrecept, så en kvantiserad checkpoints minnesanvändning eller prestanda vid spekulativ avkodning bör inte antas utifrån det allmänna modellnamnet. För vanligt textarbete förbereder du källkod, kommandoutdata och dokumentutdrag som läsbar text. Utgåvan anger att modellen saknar bildförmåga; en skärmbild behöver en textuell observation eller ett lämpligt externt granskningssteg innan den kan stödja analysen.
Begär en slutleverans som identifierar det ändrade arbetsresultatet, viktiga beslut, observerade kontroller och eventuella olösta villkor. För en kodgranskning kopplar du fynd till relevant källkod och visar varför varje problem påverkar beteendet. För en reparation skiljer du den föreslagna patchen från en patch vars beteende faktiskt har kontrollerats. Att behålla resonemang och verktygshistorik hjälper modellen att arbeta sig igenom uppgiften, medan slutresultatet och de dokumenterade resultaten fastställer vad som åstadkommits.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser poolside/laguna-s-2.1 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "poolside/laguna-s-2.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'poolside/laguna-s-2.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'poolside/laguna-s-2.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra poolside/laguna-s-2.1
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.