Laguna S 2.1

Überblick

Laguna S 2.1 ist ein offen lizenziertes Mixture-of-Experts-Modell des US-Labors Poolside, veröffentlicht am 21. Juli 2026. Es ist auf agentisches Software-Engineering zugeschnitten — also auf Aufgaben, die über viele Schritte, Werkzeugaufrufe und Dateien hinweg laufen, statt auf einzelne Code-Schnipsel.

Von 118 Mrd. Gesamtparametern sind pro Token nur rund 8 Mrd. aktiv. Das Modell ist reines Text-zu-Text, unterstützt aber natives Reasoning mit erhaltenen Thinking-Blöcken zwischen Werkzeugaufrufen sowie Tool- und Function-Calling über einen eigenen Parser (poolside_v1).

Architektur

• 48 Layer im Verhältnis 1:3 — 12 mit globaler Attention, 36 mit Sliding-Window-Attention (Fenster 512)
• 256 geroutete Experten (Top-10 pro Token) plus 1 Shared Expert
• Grouped-Query Attention mit 8 KV-Heads, Head-Dimension 128
• Kontextfenster nativ 1.048.576 Token, Reasoning per Request zuschaltbar

Hinweis zum Kontextfenster: Die 1M Token gelten für den BF16-Checkpoint. Der kostenlose OpenRouter-Endpunkt und die Ollama-Builds sind auf 256K begrenzt — das ist keine abweichende Spezifikation, sondern eine Betriebsgrenze. Nicht mit Laguna XS 2.1 verwechseln, das tatsächlich nur 256K kann.

Use Cases

• Agentische Coding-Läufe über mehrere Dateien und Werkzeugaufrufe hinweg
• Arbeiten in großen Repositories, bei denen der Kontext die Codebasis mitträgt
• Lokaler Betrieb, wo Quelltext das Haus nicht verlassen darf — 4-Bit-Quantisierungen laufen auf Einzelgeräten
• Kostensensible Dauerläufe, bei denen ein 8B-aktives Modell gegen deutlich größere Modelle antritt

Stärken & Grenzen

Stärken

• Sehr günstiges Verhältnis von Leistung zu aktiven Parametern; Poolside stellt das Modell Konkurrenten mit dem 10- bis 14-fachen der Gesamtgröße gegenüber
• Offene Gewichte unter OpenMDW-1.1, kommerziell nutzbar, inklusive FP8-, NVFP4-, INT4-, GGUF- und MLX-Varianten
• Breite Werkzeug-Unterstützung: vLLM, SGLang, TensorRT-LLM, llama.cpp, MLX, Ollama; dazu ein DFlash-Draft-Modell für spekulatives Dekodieren

Grenzen

• Alle veröffentlichten Benchmarkwerte stammen von Poolside selbst und wurden mit der hauseigenen Agent-Harness gemessen. Es gibt bislang keine unabhängige Nachmessung (siehe unten).
• Kein Vision-Input, keine Audio- oder Videoverarbeitung — reines Textmodell
• Berichtete Probleme mit verschachtelten Tool-Calls und mit Fremd-Harnessen; außerhalb der Poolside-Umgebung weicht das Modell gelegentlich vom geforderten Format ab
• Trotz 1M-Kontext als Kernversprechen sind bisher keine Long-Context-Evaluationen publiziert

Benchmarks: Quellenlage

In der Score-Tabelle steht nur Terminal-Bench v2.1. Die übrigen von Poolside berichteten Werte sind hier im Text festgehalten (alle pass@1, Angaben von Poolside, Stand 07/2026):

Benchmark	Wert
Terminal-Bench 2.1 (Thinking)	70,2 %
Terminal-Bench 2.1 (Non-Thinking)	60,4 %
SWE-bench Multilingual	78,5 %
SWE-Bench Pro (public)	59,4 %
DeepSWE v1.1	40,4 % (Non-Thinking 16,5 %)
SWE Atlas (Codebase QnA)	46,2 %
Toolathlon Verified	49,7 %

BenchLM führt zusätzlich die Kategorie-Aggregate Agentic 51,6 und Coding 52,1, weist aber selbst darauf hin, dass die Zeilen anbieterexakt übernommen sind und unabhängige Belege fehlen.

Achtung: Artificial Analysis hat Laguna S 2.1 bis heute nicht vermessen — weder Modellseite noch Leaderboard-Eintrag. In der LMArena stehen nur die älteren Geschwister Laguna M.1 (1349) und Laguna XS.2 (1304), nicht S 2.1. Vergleiche mit Modellen, deren Werte von Artificial Analysis stammen, sind deshalb nicht belastbar.

Praxis-Erfahrung

Poolside veröffentlicht die vollständigen, ungekürzten Trajektorien der Benchmarkläufe — die Zahlen sind damit prüfbar, geprüft hat sie bislang aber niemand. Zwei Punkte aus der Berichterstattung, die man beim Lesen der Werte mitdenken sollte: Poolside gibt selbst Reward-Hacking-Raten von über 50 % während des Trainings an, und mehrere Benchmarks wurden über drei bis vier Läufe gemittelt.

Zum Betrieb: In 4-Bit-Quantisierung belegt das Modell rund 71 GB und läuft auf einem einzelnen NVIDIA DGX Spark mit etwa 50–77 Token/s. Der BF16-Checkpoint braucht mit rund 236 GB mehrere GPUs.

Gut zu wissen

• Lizenz: OpenMDW-1.1 (Linux-Foundation-nah), Nutzung, Modifikation und Weitergabe auch kommerziell erlaubt
• Preise: Poolside selbst bietet das Modell derzeit „free to use for a limited time" über eine OpenAI-kompatible API an und nennt keinen Token-Preis. Die verbreiteten 0,10 $ / 0,20 $ je 1 Mio. Token sind der OpenRouter-Listenpreis, nicht der Herstellerpreis.
• Kostenloser OpenRouter-Endpunkt: 256K Kontext, 32K Output — Ein- und Ausgaben werden dort zum Training verwendet
• Verfügbar über: Hugging Face, OpenRouter, Baseten, Vercel AI Gateway, Ollama sowie chat.poolside.ai ohne Login
• Modellfamilie: Laguna XS 2.1 (33B-A3B, 256K, Juni 2026), Laguna M.1 (225B-A23B, April 2026) und Laguna XS.2 (33B-A3B, April 2026) — jeweils eigenständige Releases, keine Größenvarianten dieses Modells.
• Widersprüchlich: Zum Trainingsaufwand kursieren „unter 4 Wochen auf 4.000 H200" (Pressemitteilung) und „unter 9 Wochen von Trainingsstart bis Launch" (Blog). Vermutlich ist das eine die reine Trainingszeit und das andere die Gesamtdauer; eine belastbare einzelne Zahl gibt es damit nicht.