Poolside Laguna S 2.1: Ein Open-Source-Coding-Modell mit 118B Parametern und 1M Kontextlänge

Einleitung

Poolside hat Laguna S 2.1 veröffentlicht, das bisher stärkste öffentlich verfügbare Codiermodell des Unternehmens.

Das Modell wurde für intelligente Softwareentwicklung und langlaufende Aufgaben entwickelt. Es verfügt über 118 Milliarden Gesamtparameter, aktiviert etwa 8 Milliarden Parameter pro Token und unterstützt ein Kontextfenster von bis zu 1.048.576 Token sowohl im Denk- als auch im Nicht-Denkmodus.

Poolside hat die Modellgewichte unter der OpenMDW-1.1-Lizenz veröffentlicht. Das Unternehmen bietet außerdem mehrere offizielle Checkpoints und Quantisierungsformate über Hugging Face an, während OpenCode für einen begrenzten Zeitraum eine kostenlose gehostete Version bereitstellt.

Diese Details machen Laguna S 2.1 zu einer außergewöhnlichen Veröffentlichung. Das Modell zielt darauf ab, leistungsstarke Codierungsintelligenz zu bieten, ohne dass jedes Token das gesamte Netzwerk mit 118 Milliarden Parametern durchlaufen muss, und kann von Teams mit ausreichend leistungsfähiger Hardware privat bereitgestellt werden.

Gleichzeitig müssen mehrere Aussagen rund um diese Veröffentlichung im Kontext betrachtet werden. Die Benchmark-Ergebnisse werden hauptsächlich von Poolside gemeldet, nicht alle Hosting-Anbieter werden die volle Kapazität von 1 Million Token freigeben, und die Aussage "klein genug, um auf einer einzelnen DGX Spark zu laufen" bedeutet nicht, dass das Modell auf einem normalen Entwickler-Laptop flüssig läuft.

Was ist Laguna S 2.1?

Laguna S 2.1 ist ein Text-zu-Text-Basismodell, das speziell für Softwareentwicklung, Terminalarbeit, Toolnutzung und intelligente Codierungs-Workflows trainiert wurde.

Es positioniert sich zwischen zwei anderen Modellen von Poolside:

Poolside gibt an, dass Laguna S 2.1 weniger als neun Wochen vom Trainingsbeginn bis zur Veröffentlichung benötigt hat. Es basiert auf der gleichen Vortrainings-Datenserie wie Laguna XS 2.1 und erzielt Leistungssteigerungen durch Skalierung, Trainingscode-Korrekturen, Rezeptänderungen und neue Nachbearbeitungsverfahren.

Das Unternehmen beschreibt S 2.1 als derzeit stärkstes Modell für tägliche Funktionsentwicklung, dateiübergreifende Änderungen, Terminalaufgaben und längere Codierungssitzungen.

Kernmodellspezifikationen

Die offizielle Modellkarte listet die folgende Architektur:

Das Modell verwendet Grouped Query Attention und eine Mischung aus globaler und Schiebefenster-Aufmerksamkeit. Poolside bietet auch einen trainierten...

DFlash Draft-Modell für spekulative Dekodierung

Wenn der Inferenz-Stack dies unterstützt, kann das Modell die Servicelatenz reduzieren.

Wie das Mixture-of-Experts (MoE)-Design funktioniert

Laguna S 2.1 enthält 118 Milliarden Parameter, aber nicht jeder Token aktiviert alle Parameter.

Sein Router wählt für jeden Token einige Experten aus, sodass tatsächlich etwa 8 Milliarden Parameter an der Berechnung beteiligt sind. Dies ist der Hauptgrund, warum Poolside das Modell als effizienter im Vergleich zu dichten Modellen vergleichbarer Größe bezeichnet.

Vereinfachte Vergleichstabelle:

Der Effizienzvorteil sollte nicht mit geringem Speicherverbrauch verwechselt werden.

Auch wenn nur 8 Milliarden Parameter pro Token aktiviert werden, muss das System auf die vollständigen Expertengewichte zugreifen. Die offiziellen GGUF-Dateien zeigen die tatsächliche Größe:

Die 4-Bit-Quantisierungsversion ist handlicher als das volle Genauigkeitsmodell, aber 75 GB erfordern immer noch eine Workstation mit sehr hohem einheitlichem Speicher oder beschleunigtem Speicher, plus zusätzlichen Platz für Kontext-Cache und Laufzeit.

Ein-Million-Token-Kontextfenster

Das Basismodell unterstützt eine maximale Kontextlänge von 1.048.576 Token.

Für Codierungsintelligenz spielen große Kontextfenster bei folgenden Aufgaben eine Rolle:

• Große Code-Repositories
• Zahlreiche zusammenhängende Quelldateien
• Lange Terminal-Verläufe
• Build- und Testprotokolle
• API-Dokumentation
• Architekturbeschreibungen
• Vorherige intelligente Entscheidungen
• Ausgaben mehrerer Tools
• Langfristige Refactoring-Arbeiten

Die Ein-Million-Token-Grenze bedeutet nicht, dass jede Anfrage das gesamte Fenster füllen sollte.

Lange Kontexte erhöhen die Speichernutzung, Vorladezeit und Servicekosten. Sie können auch irrelevante Informationen einführen und die Arbeit des Modells erschweren. Ein gutes Framework für Codierungsintelligenz benötigt weiterhin Dateiauswahl, Retrieval, Zusammenfassung, Caching und Kontextmanagement.

Hosting-Plattformen können niedrigere Kontextbeschränkungen als das zugrunde liegende Modell unterstützen. Die OpenCode-Veröffentlichung kündigte 1 Million Kontext an, aber Benutzer sollten vor der Gestaltung von Workflows um das Maximum herum die aktuellen Modelleinträge und Anbieterrichtlinien überprüfen. Kostenlose oder Vorschau-Endpunkte können Kontextbeschränkungen und Verfügbarkeit jederzeit anpassen.

Denkmodus und Nicht-Denkmodus

Laguna S 2.1 unterstützt sowohl den Denk- als auch den Nicht-Denkmodus.

In unterstützten Inferenz-APIs kann der Denkmodus pro Anfrage über die Option enable_thinking gesteuert werden.

Beide Modi eignen sich für unterschiedliche Aufgaben:

Denkmodus

Dieser Modus eignet sich für Arbeiten, die Planung und Zwischenschlussfolgerungen erfordern, wie zum Beispiel:

• Debuggen komplexer Fehler
• Koordinieren von Änderungen in mehreren Dateien
• Entwerfen von Migrationsplänen
• Erkunden eines unbekannten Code-Repositories
• Ausführen einer Reihe von Terminal-Tools
• Lösen von Problemen mit mehreren möglichen Ansätzen

Nicht-Denkmodus

Der Nicht-Denkmodus eignet sich besser für:

• Kleine Änderungen
• Direkte Codegenerierung
• Formatierungsanpassungen
• Einfache Transformationen
• Ergänzungen mit niedriger Latenz
• Hochrepetitive Routineaufgaben

Der Denkmodus ist nicht automatisch für alle Aufgaben geeignet. Er verbraucht in der Regel mehr Token und dauert länger. Teams sollten beide Modi an ihren eigenen Code-Repositories evaluieren und die Effektivität anhand der Aufgabenerfüllungsrate messen, nicht nur anhand der subjektiven Ausgabequalität.

Von Poolside gemeldete Benchmark-Ergebnisse

Poolside hat die folgenden Testergebnisse für Laguna S 2.1 veröffentlicht:

Poolside gibt an, dass die meisten Punktzahlen auf dem pass@1-Metrik basieren und über mehrere Testläufe gemittelt wurden. Das öffentliche Trajektorien-Archiv zeigt

Aufzeichnung der Ausführung von Terminal-Bench 2.1

Die Aufzeichnung der Ausführung von Terminal-Bench 2.1 gibt Entwicklern einen klareren Einblick in die Vorgehensweise des Agenten bei der Bearbeitung spezifischer Aufgaben.

Die Ergebnisse zeigen, dass Laguna S 2.1 im Vergleich zu mehreren Modellen mit einer größeren Gesamtparameterzahl wettbewerbsfähig ist.

Benchmark-Tabellen sollten jedoch mit Vorsicht interpretiert werden.

Benchmark-Ergebnisse sind keine universellen Produktranglisten

Die Ergebnisse können aufgrund folgender Faktoren variieren:

• Agenten-Framework
• System-Prompt
• Tool-Definitionen
• Timeout-Einstellungen
• Anzahl der Versuche
• Sampling-Parameter
• Testversion
• Repository-Konfiguration
• Inferenzgenauigkeit
• Kontext-Konfiguration
• Bewertungsquelle (Modellentwickler vs. unabhängige Evaluatoren)

Auf der Poolside-Modellseite wird darauf hingewiesen, dass die Vergleichstabellen möglicherweise die höchsten Daten aus Anbieterberichten, Benchmark-Ranglisten oder Ranglisten Dritter für konkurrierende Modelle verwenden. Diese Methode eignet sich für makroskopische Vergleiche, unterscheidet sich jedoch von Tests aller Modelle unter einer einheitlichen Evaluierungskonfiguration.

Die sicherste Schlussfolgerung lautet: Laguna S 2.1 zeigt in seiner Kategorie effektiver Parameter eine starke Leistung. Teams, die ein produktionsreifes Codierungsmodell auswählen, sollten dennoch Tests mit eigenen Problemstellungen, Code-Repositories, Toolchains und Bewertungskriterien durchführen.

Open-Source-Gewichte unter der OpenMDW-1.1-Lizenz

Poolside hat Laguna S 2.1 unter der OpenMDW-1.1-Lizenz veröffentlicht, einer Modellmaterial-Lizenz, die vom OpenMDW-Projekt verwaltet wird.

Diese Lizenz gewährt den Nutzern weitreichende Rechte zur kostenlosen Nutzung, Modifikation und Weiterverbreitung des Modellmaterials unter Einhaltung der Lizenzbedingungen. Bei der Weiterverbreitung müssen die Lizenz sowie zugehörige Urheberrechts- oder Quellenangaben beibehalten werden.

Darüber hinaus unterliegen die mit dem Modell erzeugten Ausgaben keinen Lizenzbeschränkungen.

In der Praxis müssen Entwickler die folgenden Begriffe unterscheiden:

• Open-Source-Gewichte: Die trainierten Modellparameter können heruntergeladen werden.
• Open-Source-Software: Der Quellcode wird unter einer Softwarelizenz veröffentlicht, die den Open-Source-Standards entspricht.
• Offenes Modell: Ein allgemeiner Begriff, der sich auf Gewichte, Architektur, Dokumentation, Trainingsdaten und Trainingscode beziehen kann.

Laguna S 2.1 fällt eindeutig unter die Kategorie der Veröffentlichung von Open-Source-Gewichten. Poolside und OpenCode engagieren sich gemeinsam für die Förderung der Entwicklung und Anwendung von KI-Technologie.

Im Veröffentlichungsmaterial wird der stärkere Begriff "Open Source" verwendet, aber Organisationen sollten vor der Weiterverbreitung oder kommerziellen Bereitstellung den tatsächlichen Text von OpenMDW-1.1, die Leitlinien zur verantwortungsvollen Nutzung von Poolside, Abhängigkeiten von Drittanbietern sowie ihre eigenen rechtlichen Anforderungen prüfen.

Die Lizenz stellt das Modellmaterial ebenfalls "wie besehen" zur Verfügung, ohne jegliche Gewährleistung. Die Nutzer bleiben für die Prüfung der Genauigkeit, Sicherheit, Eignung und Konformität selbst verantwortlich.

Laguna S 2.1 zeitlich begrenzt kostenlos auf OpenCode

OpenCode hat angekündigt, dass Laguna S 2.1 während des Aktionszeitraums über OpenCode Zen kostenlos genutzt werden kann, ohne dass Modellnutzungsgebühren anfallen.

Dies bietet Nutzern eine niedrigschwellige Testmöglichkeit, ohne 75–235 GB große Checkpoint-Dateien herunterladen oder lokale Inferenzhardware betreiben zu müssen.

Die OpenCode-Dokumentation weist auf zwei wichtige Details hin:

1. Die kostenlose Bereitstellung ist vorübergehend.
2. Eingaben und Ausgaben des kostenlosen Laguna S 2.1-Dienstes können gesammelt und zur Verbesserung des Modells verwendet werden.

Daher sollten Nutzer Folgendes nicht senden:

• Proprietären Quellcode.
• Kundendaten.
• Anmeldeinformationen.
• Private Schlüssel.
• Vertrauliche Architekturdokumente.
• Sicherheitsrelevante Protokolle.
• Regulierte oder persönliche Daten.

Die kostenlose Vorschau eignet sich für öffentliche Code-Repositories, synthetische Projekte und risikoarme Evaluierungen. Private Firmen-Codes sollten nur zum Testen verwendet werden, nachdem die aktuellen Datenrichtlinien, Aufbewahrungsbestimmungen, Arbeitsbereichskontrollen sowie verfügbare kostenpflichtige oder selbst gehostete Optionen der Plattform geprüft wurden.

Wie man Laguna S 2.1 testet

Option 1: Nutzung des kostenlosen OpenCode-Modells

OpenCode kann über das offizielle Installationsprogramm installiert werden:

curl -fsSL https://opencode.ai/install | bash

Nach der Installation verbinden Sie sich mit OpenCode Zen und wählen das aktuell gelistete kostenlose Laguna S 2.1-Modell aus.

Während des Vorschauzeitraums können sich der genaue Modellname, Kontextlimits, Nutzungsobergrenzen und die Verfügbarkeit ändern. Überprüfen Sie vor dem Start längerer Aufgaben die OpenCode Zen-Dokumentation und die Modellauswahl.

Option 2: Ausführung des Basismodells mit dem Docker Model Runner

Die offizielle Hugging Face-Modellkarte bietet folgenden Befehl:

docker model run hf.co/poolside/Laguna-S-2.1

Die erforderliche Download-Größe und Arbeitsspeichermenge hängen vom zur Laufzeit gewählten Format ab. Überprüfen Sie die Modelldateien, bevor Sie sie auf Ihre Workstation oder Ihren Server übertragen.

Option 3: Bereitstellung offizieller GGUF-Quantisierungen mit llama.cpp

Poolside stellt ein offizielles GGUF-Repository sowie einen mit Laguna kompatiblen llama.cpp-Fork bereit.

git clone --branch laguna https://github.com/poolsideai/llama.cpp
cd llama.cpp
cmake -B build
cmake --build build -j

./build/bin/llama-server \
-hf poolside/Laguna-S-2.1-GGUF:Q4_K_M \
--jinja \
--port 8000

Die Q4_K_M-Datei ist etwa 75 GB groß. Das System benötigt außerdem Arbeitsspeicher für Laufzeit-Overhead und den KV-Cache, insbesondere bei langen Kontexten.

Option 4: Hinzufügen von DFlash-Spekulationsdekodierung

Die offizielle Anleitung enthält ein optionales DFlash-Entwurfsmodell:

./build/bin/llama-server \
-m laguna-s-2.1-Q4_K_M.gguf \
-md laguna-s-2.1-DFlash-BF16.gguf \
--spec-type draft-dflash \
--spec-draft-n-max 15 \
-fa on \
--jinja \
--port 8000

Spekulationsdekodierung kann die Generierungsgeschwindigkeit erhöhen, hängt jedoch von Hardware, Prompt-Form, Kontextlänge, Build-Konfiguration usw. ab.

Konfiguration und Akzeptanzrate des Entwurfsmodells.

Läuft es wirklich auf einem einzelnen NVIDIA DGX Spark?

Poolside behauptet, dass Laguna S 2.1 klein genug sei, um auf einem einzelnen NVIDIA DGX Spark zu laufen.

Für einen geeigneten quantisierten Checkpoint ist dies machbar, da der DGX Spark für eine große Unified-Memory-Konfiguration ausgelegt ist. Dies bedeutet jedoch nicht, dass jedes Modellformat, jede Kontextgröße oder jede Service-Art sofort passt.

Nutzer sollten vier separate Fragen stellen:

1. Können die Gewichte geladen werden?
2. Welche Kontextlänge ist nach dem Laufzeit-Overhead unterstützt?
3. Welche Token-Generierungsgeschwindigkeit ist erreichbar?
4. Wie viele Agentensitzungen kann das System gleichzeitig bedienen?

Ein theoretisch ladbares Modell kann bei extremen Kontextlängen immer noch zu langsam für interaktives Codieren sein. Durchsatz, Time-to-First-Token, Stromverbrauch und gleichzeitige Arbeitslasten erfordern separate Messungen.

Community-Berichte zur lokalen Bereitstellung

Der ursprüngliche AIBase-Bericht bezog sich auf Community-Tests mit einem Apple M3 Max-System mit 128 GB Unified Memory und dem llama.cpp-Fork von Poolside.

Der 75 GB große Q4_K_M-Checkpoint macht solche Bereitstellungen technisch glaubwürdig, aber die Erfahrung kann stark variieren aufgrund von:

• Speicherdruck.
• Kontextgröße.
• Quantisierungsstufe.
• Prompt-Länge.
• CPU- und GPU-Entlastung.
• Thermischen Einschränkungen.
• Spekulationsdekodierung.
• Anderen Anwendungen, die Unified Memory nutzen.

Community-Berichte sollten nicht als verlässliche Hardware-Empfehlungen angesehen werden. Entwickler sollten die offiziellen Dateigrößen konsultieren und vor dem Herunterladen des Modells ausreichende Speicherreserven einplanen.

Warum Laguna S 2.1 für agentisches Codieren entscheidend ist

Laguna S 2.1 spiegelt mehrere breitere Veränderungen im Bereich der Codierungsmodelle wider.

Kleinere aktive Rechenleistung wird wichtiger

Eine große Gesamtparameterzahl kann Kapazität bieten, während sparse Aktivierung dazu beiträgt, den Rechenaufwand pro Token zu kontrollieren. Dies ermöglicht

MoE-Architekturen sind attraktiver für Codier-Agenten, die möglicherweise Minuten oder Stunden lang laufen.

Lange Kontexte halten Einzug in Open-Weight-Modelle

Millionen-Token-Fenster waren bisher hauptsächlich mit gehosteten proprietären Modellen verbunden. Ihr Aufkommen in Open-Weight-Codierungsmodellen gibt Teams mehr Kontrolle über Experimente mit langen Repositories und private Bereitstellungen.

Agenten-Frameworks sind entscheidend

Poolside trainiert seine Laguna-Modelle innerhalb seines eigenen Agenten-Frameworks und gibt an, dass diese Modelle in dieser Umgebung oder anderen Clients, die das Agent Client Protocol (ACP) unterstützen, am besten abschneiden.

Codierungs-Benchmarks messen das System aus Modell plus Agenten, nicht nur die rohe Fähigkeit zur Vorhersage des nächsten Tokens. Werkzeugnutzung, Kontextauswahl, Wiederholungslogik, Terminalzugriff und Patch-Anwendung beeinflussen die Leistung erheblich.

Offene Gewichte erweitern die Bereitstellungsoptionen

Organisationen können die Dateien einsehen, ihre eigene Laufzeitumgebung wählen, Modelle quantisieren, auf privater Infrastruktur bereitstellen und mit internen Codierungs-Agenten verbinden.

Diese Flexibilität ist wertvoll für Umgebungen mit sensiblen Quellcode und eingeschränktem Netzwerkzugriff.

Einschränkungen vor dem Einsatz in der Produktion

Reine Textmodalität

Die offizielle Modelkarte beschreibt Laguna S 2.1 als Text-zu-Text-Modell. Es ist kein natives Bild-, Audio- oder Videomodell.

Hoher Speicherbedarf

Die Anzahl der aktiven Parameter ist relativ gering, aber das vollständige Modellgewicht ist immer noch groß. Normale Laptops sind für das offizielle hochwertige Format nicht geeignet.

Lange Kontexte können kostspielig sein

Die maximale Kapazität von Millionen von Token bedeutet nicht eine effiziente Verarbeitung von Millionen von Token im täglichen Gebrauch. Die Vorlade-Latenz und der Arbeitsspeicher des KV-Cache können beträchtlich werden.

Benchmarks erfordern interne Validierung

Eine herausragende öffentliche Programmierbewertung garantiert keine gute Leistung mit der Sprachkombination, dem Build-System, den Codierungsstandards oder dem privaten Framework eines Unternehmens.

Kostenloser gehosteter Zugriff hat Auswirkungen auf die Daten

Die Dokumentation der kostenlosen Testphase von OpenCode weist darauf hin, dass gesammelte Eingaben und Ausgaben zur Modellverbesserung verwendet werden können. Ohne genehmigte Richtlinien sollte kein vertraulicher Code übermittelt werden.

Agentenprogrammierung kann reale Systeme verändern

Jeder Programmieragent kann bei umfangreichen Berechtigungen Dateien löschen, Befehle ausführen, Abhängigkeiten ändern oder Sicherheitslücken einführen.

Verwendung:

• Versionskontrolle.
• Isolierte Arbeitsbereiche.
• Berechtigungen mit geringstmöglichen Rechten.
• Manuelle Überprüfung.
• Testumgebungen.
• Backups.
• Befehlsgenehmigung.

Wer sollte Laguna S 2.1 evaluieren?

Laguna S 2.1 eignet sich am besten für:

• Teams, die autonome Programmieragenten entwickeln.
• Entwickler, die Alternativen zu proprietären Programmier-APIs evaluieren.
• Organisationen, die private Modellbereitstellungen benötigen.
• Forscher, die langfristige Softwareentwicklungsprozesse untersuchen.
• Infrastrukturteams mit Workstations oder Servern mit großem Arbeitsspeicher.
• Tool-Entwickler, die OpenAI-kompatible oder ACP-basierte Agentenclients verwenden.

Es ist möglicherweise weniger geeignet für:

• Leichte Workflows, die nur auf Laptops laufen.
• Einfache Autovervollständigung.
• Mobile Bereitstellung.
• Teams ohne Infrastruktur zum Ausführen von Modellen mit 75 GB oder mehr.
• Hochriskante Produktionsautomatisierung ohne starke Sandboxing.
• Workloads, die native multimodale Eingaben erfordern.

Häufig gestellte Fragen

Was ist Poolside Laguna S 2.1?

Laguna S 2.1 ist ein Mixture-of-Experts-Modell mit 118 Milliarden Parametern, das für Agentenprogrammierung und langfristige Softwareentwicklungsaufgaben entwickelt wurde. Es aktiviert etwa 8 Milliarden Parameter pro Token und unterstützt einen Kontextfenster von bis zu 1.048.576 Token.

Ist Laguna S 2.1 vollständig Open Source?

Seine Gewichte sind unter der OpenMDW-1.1-Lizenz öffentlich verfügbar, daher ist „offene Gewichte“ die klarste Beschreibung. Benutzer sollten vor der Weiterverteilung oder kommerziellen Bereitstellung die Lizenzbedingungen, Modelldokumentation, Nutzungsrichtlinien und etwaige Drittanbieterkomponenten prüfen.

Ist Laguna S 2.1 auf OpenCode kostenlos?

OpenCode bietet derzeit zeitlich begrenzt eine kostenlose Option für Laguna S 2.1 an. Verfügbarkeit, Kontextbeschränkungen, Ratenlimits und Datennutzungsbedingungen können sich ändern. Überprüfen Sie daher vor der Nutzung die aktuellen OpenCode Zen-Dokumente.

Hat die kostenlose Version von OpenCode ein Millionen-Token-Kontextfenster?

Die Ankündigung von OpenCode bewirbt den Millionen-Kontext, der mit der maximalen Kapazität des zugrunde liegenden Modells übereinstimmt. Gehostete Endpunkte können jedoch andere Limits implementieren. Überprüfen Sie daher die aktivierte Modellkonfiguration in OpenCode, bevor Sie extrem lange Kontexte senden.

Kann Laguna S 2.1 auf einem Mac ausgeführt werden?

Community-Berichte zeigen, dass quantisierte Versionen auf Apple Silicon-Systemen mit viel Arbeitsspeicher laufen, einschließlich der M3 Max-Konfiguration mit 128 GB. Leistung und verfügbarer Kontext hängen von der Quantisierungsmethode, der Laufzeitumgebung, dem verfügbaren Arbeitsspeicher und der Systemauslastung ab.

Kann Laguna S 2.1 auf einem einzelnen DGX Spark laufen?

Poolside gibt an, dass eine geeignete Version auf einem einzelnen NVIDIA DGX Spark ausgeführt werden kann. Die erreichbare Kontextlänge, Tokengeschwindigkeit und Parallelität hängen vom Checkpoint-Format und der Servierkonfiguration ab.

Was sind die Benchmark-Ergebnisse für Laguna S 2.1?

Poolside berichtet 70,2 % auf Terminal-Bench 2.1, 78,5 % auf SWE-Bench Multilingual, 59,4 % auf dem öffentlichen SWE-Bench Pro-Datensatz und 40,4 % auf DeepSWE. Diese Zahlen sollten zusammen mit der Testmethodik des Unternehmens und unabhängigen Tests bewertet werden.

Unterstützt Laguna S 2.1 Inferenzsteuerung?

Ja. Die offizielle Modelkarte zeigt, dass es verschränktes Denken unterstützt und ermöglicht, das Denken pro Anfrage in kompatiblen Serviersystemen ein- oder auszuschalten.

Verwandte Werkzeuge

• Poolside: Das Unternehmen, das die Laguna-Reihe von Basismodellen für intelligentes Codieren entwickelt.
• OpenCode: Ein Open-Source-Codieragent, der derzeit zeitlich begrenzten kostenlosen Zugriff auf Laguna S 2.1 bietet.
• Hugging Face: Offizielles Repository für Laguna S 2.1-Gewichte, Dokumentation, Formate und Nutzungsrichtlinien.
• llama.cpp: Eine lokale Inferenzlaufzeit, die kontinuierlich Laguna-Reihen-GGUF-Modelle unterstützt.
• Docker Model Runner: Ein Docker-Tool zum Herunterladen und Servieren unterstützter lokaler Modelle.
• OpenRouter: Eine gehostete API-Option für den Zugriff auf Poolside-Modelle über eine OpenAI-kompatible Schnittstelle.

Verwandte Links

• Offizielle Ankündigung der Veröffentlichung von Laguna S 2.1: Von Poolside veröffentlichter Artikel, der Architektur, Training und Benchmark-Positionierung abdeckt.
• Laguna S 2.1 Modelkarte: Offizielle Spezifikationen, Benchmark-Tabellen, Servierrichtlinien, Inferenzsteuerung und Lizenzinformationen.
• Offizielles Laguna S 2.1 GGUF-Repository: Quantisierungsdateigrößen und llama.cpp-Servieranweisungen.
• Laguna S 2.1 Trajektorien-Archiv: Öffentliche Agenten-Trajektorien aus der Terminal-Bench 2.1-Evaluierung von Poolside.
• OpenCode Zen-Dokumentation: Aktuelle Informationen zur Verfügbarkeit kostenloser Modelle, Nutzungsrichtlinien, Datenschutzbestimmungen und Kontoinformationen.
• OpenMDW-1.1-Lizenz: Die Lizenz, die die Veröffentlichung von Modellmaterialien regelt.

Poolside Modelle Verzeichnis: Offizieller Vergleich von Laguna S 2.1, XS 2.1 und der gesamten Laguna-Modellfamilie.

Zusammenfassung

Poolside Laguna S 2.1 verfügt über insgesamt 118B Parameter, etwa 8B aktive Parameter pro Token, ein Kontextfenster von einer Million Token, kontrollierte Inferenz und wird in mehreren Formaten mit offiziell freigegebenen Gewichten angeboten.

Poolside berichtet von starken Leistungen bei Terminal- und Softwareentwicklungs-Benchmarks, darunter 70,2% bei Terminal-Bench 2.1 und 40,4% bei DeepSWE. Diese Ergebnisse heben das Modell in seiner Größenklasse hervor, allerdings sollten Teams die Leistung in ihren eigenen Repositories und Agent-Frameworks reproduzieren.

Der zeitlich begrenzte kostenlose Zugang zu OpenCode macht das Modell leicht testbar, während die herunterladbaren Gewichte eine private Bereitstellung ermöglichen – jedoch mit dem Preis hoher Speicheranforderungen, geänderter Richtlinien für Hosting-Dienste und Betriebsrisiken für autonome Codierungsagenten.

Laguna S 2.1 ist eine sinnvolle Open-Weight-Veröffentlichung für langlaufende Codierungsaufgaben, aber sein wirklicher Wert wird von der Agentenintegration, der Bereitstellungseffizienz und der Leistung in der tatsächlichen Entwicklungsarbeit abhängen – und nicht nur von dem Etikett "1 Million Kontext-Token".