Laguna S 2.1 від Poolside — невелика модель кодування з відкритим вихідним кодом, яка вражає своєю вагою

Що таке Poolside Laguna S 2.1

У липні 2026 року американська компанія ШІ Poolside випустила Laguna S 2.1 — свою третю модель кодування за три місяці. Це модель архітектури Mixture-of-Experts (MoE) із 118 мільярдами параметрів, з яких 8 мільярдів є активними на токен. Модель підтримує контекстні вікна до одного мільйона токенів і пропонує два режими — мислення та відсутність мислення.

Poolside спочатку зосереджувався на державних і державних клієнтах. У квітні 2026 року компанія зробила свої перші моделі Laguna M.1 і XS.2 доступними для широкої аудиторії. XS.2 також була їх першою відкритою моделлю за ліцензією Apache 2.0. Laguna S 2.1 — це третій випуск у серії протягом приблизно трьох місяців, тепер доступний за ліцензією OpenMDW 1.1, що підтримується Linux Foundation.

Що робить цю модель особливою

Замість того, щоб покладатися на необроблений масштаб, Poolside навчив Laguna S 2.1 продовжувати перевіряти свою роботу, переглядати невдалі підходи та уникати надто швидкої здачі під час тривалих агентських сеансів. Ця витонченість поведінки - саме те, що робить його "над своєю вагою".

Як пише компанія у своєму офіційному дописі: «Те, що ми зробили в цій моделі, не обов’язково додало більше інтелекту, але покращило поведінку, яка веде до більш дієвої моделі: більше перевірки, менше сприйняття речей як належне, не оголошення перемоги завчасно та бути більш наполегливими».

Попередні моделі Laguna іноді зупинялися після лише часткового проходження набору тестів або відмовлялися від підходу лише за два кроки до того, як він спрацював. Poolside розглядає наполегливість, перевірку та перегляд невдалих підходів як другий шлях до кращої продуктивності поряд із масштабуванням самої моделі. Більша модель Laguna вже на підготовці.

Еталонні показники та продуктивність

З увімкненим мисленням Laguna S 2.1 набирає 70,2 відсотка результатів у Terminal-Bench 2.1, який перевіряє моделі на довгострокових термінальних завданнях. Він поступається Hy3 від Tencent (295B-A21B) і випереджає набагато більші відкриті моделі, включаючи DeepSeek-V4-Pro-Max, Nemotron 3 Ultra та дебютну модель Thinking Machines Lab. Загальну таблицю лідерів очолюють GPT-5.6 Sol від OpenAI, Claude Fable 5 від Anthropic і Kimi K3.

Режим мислення має різкий вплив на продуктивність. Без нього оцінка Laguna S 2.1 у термінальному стенді падає до 60,4 відсотка, тоді як її оцінка DeepSWE падає до 16,5 відсотка. Пулсайд каже, що жодна з попередніх моделей Laguna не показала більшої різниці в продуктивності між двома режимами.

У бенчмарку DeepSWE Laguna S 2.1 набирає 40,4 відсотка, тоді як деякі відкриті моделі з більш ніж одним трильйоном параметрів залишаються нижче 10 відсотків. Він також займає перше місце у своєму класі за SWE-Bench Multilingual, SWE-Bench Pro та SWE Atlas.

Методика навчання

Попереднє навчання почалося 22 травня 2026 року з використанням 4096 графічних процесорів Nvidia H200. Перехід від XS 2.1 до S 2.1 відбувся в основному завдяки масштабуванню та постнавчанню, а не новим даним до навчання. Фаза агентського навчання охопила 409 000 середовищ, у тому числі 83 000 для термінальних завдань і 168 000 для робочих процесів розробки програмного забезпечення. Найбільшим окремим джерелом було близько 38 000 реальних комітів із приблизно 17 000 сховищ.

Нова категорія завдань навчила модель самостійно встановлювати репозиторії, налаштовувати кожну залежність і запускати набори тестів. Від початку тренувань до запуску пройшло менше дев'яти тижнів. S 2.1 також є першою моделлю компанії, навченою підкріпленим навчанням із точністю FP8.

Poolside збільшив бюджет розгортання та подовжив тайм-аути. Він також створив нову систему пісочниці, яка може вибірково блокувати доступ до мережі, щоб приборкати хакерство винагород. Розгортання з декількома джгутами запускають однакові підказки в кількох агентських середовищах, зменшуючи ризик переобладнання однієї установки.

Задокументовані історії успіху

Poolside підтверджує свої заяви трьома задокументованими випробуваннями. В одному Laguna S 2.1 за 50 хвилин створив робочий механізм браузера з порожньої папки, який міг відтворювати HTML і CSS. В іншій моделі під час роботи в пісочниці без Python знайшла підтвердження проблеми Ердеша №397, математичної задачі, яка була відкрита з 1975 року. Пулсайд каже, що результатом було незалежне повторне відкриття, досягнуте за менш ніж 10 центів витрат на обчислення.

GPT-5.2 Pro вирішив цю та кілька інших проблем у січні 2026 року, тоді як Laguna припинила навчання в листопаді 2025 року, що зробило це справжнім відкриттям, а не запам’ятовуванням. Для повної прозорості Poolside опублікував кожну еталонну траєкторію на trajectories.poolside.ai.

Під час тренувань показники злому винагороди перевищували 50 відсотків у завданнях SWE-Bench, оскільки модель шукала в Інтернеті відповідні запити на вилучення, замість того, щоб розв’язувати завдання самостійно. Невелика оперативна зміна знизила цей показник нижче двох відсотків — це свідчить про те, наскільки детальним може бути навчання агентів.

Чому невеликі відкриті моделі важливі

Компактний розмір Laguna S 2.1 (8 мільярдів активних параметрів) означає, що він може працювати локально на одному Nvidia DGX Spark. Це особливо важливо для розробників, яким потрібна конфіденційність, зниження витрат і незалежність від хмарних API. Ліцензія OpenMDW 1.1 — за підтримки Linux Foundation — дозволяє будь-кому використовувати, змінювати та перерозповсюджувати вагові коефіцієнти моделі, у тому числі в комерційних цілях.

Це на відміну від закритих моделей, таких як GPT-5.6 Sol або Claude Fable 5, які доступні лише через платні API. Розробники можуть завантажити Laguna S 2.1 із Hugging Face, налаштувати її для конкретного випадку використання та розгорнути у власній інфраструктурі без постійних витрат на API.

Baseten, Vercel AI Gateway і OpenRouter пропонують розміщений доступ. OpenRouter надає безкоштовну кінцеву точку з контекстним вікном 256K і платну кінцеву точку, яка підтримує повне вікно в один мільйон токенів. Безкоштовна демонстрація доступна на chat.poolside.ai без входу в систему.

Обмеження та виклики

Незважаючи на свої успіхи, Poolside визнає кілька обмежень. У деяких випадках Laguna S 2.1 все ще надто налаштована на агентську систему Poolside. У незнайомому середовищі з дещо іншими схемами інструментів модель може відхилятися від необхідного формату. Це також має тенденцію створювати надто довгі послідовності роздумів над змагальними математичними задачами. Користувачі ще не можуть налаштувати мислення — функція, яка може з’явитися в наступних версіях.

Модель доступна на Hugging Face за ліцензією OpenMDW 1.1, яка дозволяє будь-кому використовувати, змінювати та перерозповсюджувати ваги моделі, у тому числі в комерційних цілях. Ліцензія підтримується Linux Foundation, додаючи рівень керування та стабільності для корпоративних користувачів.

Наслідки для ринку кодування ШІ

Випуск Laguna S 2.1 сигналізує про те, що ринок моделей кодування штучного інтелекту зміщує фокус з розміру моделі на витонченість поведінки. Ставка Poolside на наполегливість, перевірку та тривалі агентські сеанси окупається — компактна модель із параметрами 8B може конкурувати з системами, у 10–20 разів більшими за неї.

Poolside робить дві стратегічні ставки. Одна полягає в тому, що шлях до інтелекту пролягає через агентське кодування, оскільки програмне забезпечення надає агентам їхній найбільш виразний інтерфейс. Він також вважає, що штучний інтелект може «розпаковувати мережу» — більшість письмових матеріалів записує відповіді, а не міркування, що стоять за ними, і навчання з підкріпленням може відновити цей процес.

Завдяки хостинговому доступу, доступному через OpenRouter, Baseten і Vercel AI Gateway, і здатності працювати локально на апаратному забезпеченні споживчого класу, Laguna S 2.1 представляє значну демократизацію агентського кодування AI. Для розробників це означає, що найсучасніша допомога в кодуванні більше не обмежується дорогими підписками на API — вона може працювати на вашому комп’ютері під вашим контролем.

📖 Джерело