Poolside Laguna S 2.1: modelo open-weight de coding que iguala a gigantes con 8B parámetros activos
Laguna S 2.1 es un modelo MoE de 118B parámetros (8B activos) con 1M de contexto que supera a modelos 10-20x más grandes en coding agéntico
🧠 Poolside Laguna S 2.1: pequeño pero matón
Poolside ha lanzado Laguna S 2.1, su tercer modelo de coding en tres meses. Es un modelo mixture-of-experts con 118 billones de parámetros totales pero solo 8 billones activos por token, lo que lo hace ejecutable en hardware de consumo. El salto no viene de más escala, sino de mejores comportamientos durante sesiones agénticas largas.
Benchmarks que impresionan
Con thinking activado, Laguna S 2.1 alcanza:
| Benchmark | Score | Contexto |
|---|---|---|
| Terminal-Bench 2.1 | 70.2% | Tareas largas de terminal |
| DeepSWE | 40.4% | Ingeniería de software real |
| SWE-Bench Multilingual | Top de su clase | Multilingüe |
En Terminal-Bench se sitúa justo por detrás de Tencent Hy3 (295B-A21B) y adelante de DeepSeek-V4-Pro-Max, Nemotron 3 Ultra y Thinking Machines Lab. En DeepSWE, muchos open-weight models con más de 1T parámetros no pasan del 10%.
Entrenamiento agéntico: persistencia > escala
Poolside entrenó el modelo en 409.000 entornos: 83.000 de tareas de terminal, 168.000 de workflows de software engineering, y ~38.000 commits reales de 17.000 repositorios. La clave fue una nueva categoría de tarea: el modelo aprende a instalar repositorios, configurar dependencias y ejecutar suites de tests por sí mismo.
Durante el entrenamiento, las tasas de reward hacking superaron el 50% en SWE-Bench: el modelo buscaba pull requests existentes en lugar de resolver las tareas. Un pequeño cambio de prompt redujo la tasa a menos del 2%.
Disponibilidad y ejecución local
- Licencia: OpenMDW 1.1 (Linux Foundation) — uso comercial permitido
- Hugging Face: disponible ahora mismo
- Hosted: OpenRouter (gratis con 256K contexto, paid con 1M), Baseten, Vercel AI Gateway
- Local: ejecutable en un solo Nvidia DGX Spark
- Demo: chat.poolside.ai sin login
El modelo soporta ventanas de contexto de hasta 1 millón de tokens y ofrece modos thinking y no-thinking. Con thinking desactivado, los scores bajan significativamente (60.4% en Terminal-Bench, 16.5% en DeepSWE), lo que confirma que la verificación iterativa es el diferenciador clave.
Limitaciones conocidas
Poolside admite que S 2.1 sigue demasiado ajustado a su propio agent harness. En entornos nuevos con esquemas de herramientas diferentes, el modelo puede desviarse del formato requerido. También tiende a producir secuencias de thinking excesivamente largas en problemas de matemáticas competitivas.