Poolside Laguna S 2.1: Modelo de codificação aberto de 118B com 1M de contexto

Introdução

A Poolside lançou o Laguna S 2.1, seu modelo de codificação mais forte disponível publicamente até o momento.

O modelo é projetado para engenharia de software orientada a agentes e tarefas de longo ciclo. Ele possui 118 bilhões de parâmetros totais, com aproximadamente 8 bilhões de parâmetros ativados por token, e suporta uma janela de contexto de até 1.048.576 tokens nos modos de raciocínio e sem raciocínio.

A Poolside disponibilizou os pesos do modelo sob a licença OpenMDW-1.1. A empresa também oferece vários checkpoints oficiais e formatos de quantização via Hugging Face, enquanto a OpenCode disponibiliza uma versão hospedada gratuita por tempo limitado.

Esses detalhes fazem do Laguna S 2.1 um lançamento excepcional. Ele visa oferecer desempenho robusto para agentes de codificação sem exigir que todos os 118 bilhões de parâmetros da rede sejam processados a cada token, podendo ser implantado de forma privada por equipes com hardware suficientemente potente.

Ao mesmo tempo, várias declarações em torno deste lançamento devem ser contextualizadas. As pontuações em benchmarks são majoritariamente relatadas pela Poolside, nem todos os provedores de hospedagem exporão a capacidade total de 1 milhão de tokens, e a afirmação de que é "pequeno o suficiente para rodar em um DGX Spark" não significa que o modelo funcione suavemente em um notebook comum de desenvolvedor.

O que é o Laguna S 2.1?

O Laguna S 2.1 é um modelo base texto-para-texto, especificamente treinado para engenharia de software, tarefas de terminal, uso de ferramentas e fluxos de trabalho de agentes de codificação.

Ele se posiciona entre outros dois modelos da Poolside:

Modelo	Parâmetros Totais	Parâmetros Ativados por Token	Janela de Contexto	Posicionamento
Laguna XS 2.1	33B	3B	256K	Codificação local mais rápida e de ciclo curto
Laguna S 2.1	118B	~8B	1M	Codificação de agente de ciclo longo mais forte
Laguna M.1	225B	23B	256K	Modelo maior para tarefas complexas de agente

A Poolside afirma que o Laguna S 2.1 levou menos de nove semanas desde o início do treinamento até o lançamento. Ele é treinado na mesma série de dados de pré-treinamento do Laguna XS 2.1, alcançando melhorias de desempenho por meio de escalonamento, correções de código de treinamento, mudanças de receita e novos trabalhos de pós-treinamento.

A empresa descreve o S 2.1 como seu modelo atual mais forte para desenvolvimento de funcionalidades diárias, alterações em múltiplos arquivos, tarefas de terminal e sessões de codificação mais longas.

Especificações Principais do Modelo

A ficha técnica oficial do modelo lista a seguinte arquitetura:

Especificação	Laguna S 2.1
Arquitetura	Modelo Misto de Especialistas
Parâmetros Totais	118B
Parâmetros Ativados	~8B por token
Número de Camadas	48
Camadas de Atenção Global	12
Camadas de Janela Deslizante	36
Tamanho da Janela Deslizante	512 tokens
Número de Especialistas Roteados	256
Especialistas Selecionados	Top 10
Especialistas Compartilhados	1
Janela de Contexto	1.048.576 tokens
Modalidade	Entrada e saída de texto
Raciocínio	Raciocínio intercalado, controlável por requisição
Tamanho do Vocabulário	100.352 tokens

O modelo utiliza atenção de consulta agrupada e uma mistura de atenção global e de janela deslizante. A Poolside também fornece um modelo de rascunho DFlash treinado...

Modelo de Rascunho DFlash para Decodificação Especulativa

Quando a pilha de inferência oferece suporte, o modelo reduz a latência de serviço.

Como Funciona o Design do Misto de Especialistas (MoE)

O Laguna S 2.1 contém 118 bilhões de parâmetros, mas nem todos são ativados a cada token.

Seu roteador seleciona uma parte dos especialistas para cada token, com aproximadamente 8 bilhões de parâmetros efetivamente participando do cálculo. Esta é a principal razão pela qual a Poolside afirma que o modelo é mais eficiente em comparação a modelos densos de porte similar.

Tabela de comparação simplificada:

Modelo Denso	Modelo Misto de Especialistas
A maioria dos parâmetros participa por token	Apenas especialistas selecionados participam
Custo computacional cresce com o tamanho total	Custo computacional pode ser muito menor que o total
Comportamento de roteamento simples	Roteamento e serviço mais complexos
Memória depende dos pesos completos do modelo	Memória também depende dos pesos totais e da precisão escolhida

Não confunda a vantagem de eficiência com uso reduzido de memória.

Mesmo que apenas 8 bilhões de parâmetros sejam ativados por token, o sistema ainda precisa acessar os pesos completos dos especialistas. Os arquivos GGUF oficiais mostram o tamanho real:

Arquivo GGUF Oficial	Tamanho Aproximado
F16	235GB
Q8_0	128GB
Q4_K_M	75GB
Modelo de Rascunho DFlash BF16	2.2GB

A versão quantizada de 4 bits é mais gerenciável que o modelo de precisão total, mas 75GB ainda exigem uma estação de trabalho com memória unificada extremamente alta ou memória acelerada, além de espaço adicional para cache de contexto e tempo de execução.

Janela de Contexto de Um Milhão de Tokens

O modelo base suporta um comprimento máximo de contexto de 1.048.576 tokens.

Para agentes de codificação, uma janela de contexto grande é útil nas seguintes tarefas:

• Repositórios de código grandes
• Muitos arquivos de código-fonte relacionados
• Histórico longo de terminal
• Logs de construção e teste
• Documentação de API
• Descrições de arquitetura
• Decisões anteriores do agente
• Saídas de múltiplas ferramentas
• Trabalhos de refatoração de longo prazo

O limite de um milhão de tokens não significa que cada solicitação deve preencher a janela inteira.

Contextos longos aumentam o uso de memória, o tempo de pré-preenchimento e o custo de serviço. Eles também podem introduzir informações irrelevantes, dificultando o trabalho do modelo. Bons frameworks de agentes de codificação ainda exigem funcionalidades de seleção de arquivos, recuperação, sumarização, cache e gerenciamento de contexto.

As plataformas de hospedagem podem expor limites de contexto inferiores ao suportado pelo modelo subjacente. O anúncio de lançamento da OpenCode afirma suportar 100 mil de contexto, mas antes de projetar fluxos de trabalho em torno do valor máximo, os usuários devem verificar as entradas atuais do modelo e as políticas do fornecedor. Endpoints gratuitos ou de pré-visualização podem ajustar os limites de contexto e a disponibilidade a qualquer momento.

Modo de Raciocínio e Modo Sem Raciocínio

O Laguna S 2.1 suporta modos com raciocínio ativado e sem raciocínio.

Em APIs de inferência compatíveis, o modo de raciocínio pode ser controlado por solicitação através da opção enable_thinking.

Os dois modos são adequados para diferentes tarefas:

Modo de Raciocínio

Este modo é adequado para trabalhos que exigem planejamento e raciocínio intermediário, como:

• Depuração de falhas complexas
• Coordenação de alterações em múltiplos arquivos
• Projeto de esquemas de migração
• Pesquisa de um repositório de código desconhecido
• Execução de uma série de ferramentas de terminal
• Resolução de problemas usando múltiplas abordagens viáveis

Modo Sem Raciocínio

O modo sem raciocínio é mais adequado para cenários como:

• Modificações pequenas
• Geração direta de código
• Ajustes de formatação
• Transformações simples
• Completions de baixa latência
• Trabalhos rotineiros altamente repetitivos

O modo de raciocínio não se aplica automaticamente a todas as tarefas. Ele geralmente consome mais tokens e leva mais tempo. As equipes devem avaliar ambos os modos em seus próprios repositórios e medir a eficácia pela taxa de conclusão de tarefas, em vez de confiar apenas na qualidade subjetiva da saída.

Resultados de Benchmarks Relatados pela Poolside

A Poolside divulgou os seguintes resultados para o Laguna S 2.1:

Benchmark	Pontuação Relatada
Terminal-Bench 2.1	70,2%
SWE-Bench Multilíngue	78,5%
SWE-Bench Pro (conjunto de dados público)	59,4%
DeepSWE	40,4%
SWE Atlas (Perguntas e Respostas sobre Código)	46,2%
Toolathlon Verified	49,7%

A Poolside afirma que a maioria das pontuações é baseada na métrica pass@1 e calculada como a média de múltiplas execuções. Seu arquivo público de trajetórias mostra

Registro de execução do Terminal-Bench 2.1, permitindo que os desenvolvedores compreendam mais claramente o processo dos agentes ao lidar com tarefas específicas.

Os resultados indicam que o Laguna S 2.1 é competitivo em comparação com diversos modelos de parâmetros totais maiores.

No entanto, é necessário interpretar as tabelas de benchmark com cautela.

Os resultados de benchmark não são uma classificação de produtos genérica

Os resultados podem variar devido aos seguintes fatores:

• Estrutura do agente
• Prompt do sistema
• Definição de ferramentas
• Configuração de timeout
• Número de tentativas
• Parâmetros de amostragem
• Versão do teste
• Configuração do repositório de código
• Precisão de inferência
• Configuração de contexto
• Fonte da pontuação (desenvolvedor do modelo vs avaliador independente)

A página do modelo Poolside explica que suas tabelas comparativas podem utilizar os dados mais elevados de modelos concorrentes, seja em relatórios de fornecedores, rankings de benchmark ou rankings de terceiros. Esse método é adequado para comparações macro, mas difere de testar todos os modelos sob uma configuração de avaliação uniforme.

A conclusão mais segura é: o Laguna S 2.1 apresenta um desempenho robusto em sua categoria de parâmetros efetivos. Equipes que selecionam modelos de codificação de nível profissional ainda devem testar com seus próprios conjuntos de problemas, repositórios de código, cadeias de ferramentas e critérios de revisão.

Pesos abertos sob licença OpenMDW-1.1

A Poolside lançou o Laguna S 2.1 sob a licença OpenMDW-1.1, uma licença de materiais de modelo mantida pelo projeto OpenMDW.

Esta licença concede aos usuários direitos amplos para usar, modificar e redistribuir os materiais do modelo gratuitamente, desde que cumpram os termos. A redistribuição deve reter a licença e as declarações de copyright ou fonte relacionadas.

Além disso, as saídas geradas pelo uso do modelo não estão sujeitas às restrições da licença.

Na prática, os desenvolvedores precisam distinguir os seguintes termos:

• Pesos abertos: Parâmetros de modelo treinados que podem ser baixados.
• Software de código aberto: Código-fonte publicado sob uma licença de software que atende aos padrões de código aberto.
• Modelo aberto: Um termo amplo que pode envolver pesos, arquitetura, documentação, dados de treinamento e código de treinamento.

O Laguna S 2.1 se enquadra claramente como uma publicação de pesos abertos. A Poolside e a OpenCode estão comprometidas em promover o desenvolvimento e a aplicação da tecnologia de inteligência artificial.

Os materiais de lançamento utilizam uma terminologia mais forte de "código aberto", mas as organizações devem revisar o texto real da OpenMDW-1.1, as diretrizes de uso responsável da Poolside, as dependências de terceiros e seus próprios requisitos legais antes de redistribuir ou implantar comercialmente.

A licença também fornece os materiais do modelo "no estado em que se encontram", sem qualquer garantia. Os usuários continuam sendo responsáveis por testar a precisão, segurança, adequação e conformidade.

Laguna S 2.1 gratuito por tempo limitado no OpenCode

A OpenCode anunciou que, durante o período promocional, o Laguna S 2.1 pode ser usado gratuitamente através do OpenCode Zen, sem taxa de uso do modelo.

Isso oferece aos usuários uma maneira de baixo custo para testar, sem a necessidade de baixar arquivos de checkpoint de 75-235 GB ou executar hardware de inferência local.

A documentação do OpenCode destaca dois detalhes importantes:

1. A oferta gratuita é temporária.
2. As entradas e saídas do serviço gratuito do Laguna S 2.1 podem ser coletadas e usadas para melhorar o modelo.

Portanto, os usuários devem evitar enviar:

• Código-fonte proprietário.
• Dados de clientes.
• Informações de credenciais.
• Chaves privadas.
• Documentos de arquitetura confidenciais.
• Logs de segurança sensíveis.
• Dados regulamentados ou pessoais.

A prévia gratuita é adequada para repositórios de código público, projetos sintéticos e avaliação de baixo risco. O teste com código empresarial privado só deve ser feito após revisar as políticas de dados atuais, termos de retenção, controles de espaço de trabalho e opções pagas ou auto-hospedadas disponíveis na plataforma.

Como experimentar o Laguna S 2.1

Opção 1: Usar o modelo gratuito OpenCode

O OpenCode pode ser instalado através de seu instalador oficial:

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

Após a instalação, conecte-se ao OpenCode Zen e selecione o modelo gratuito Laguna S 2.1 atualmente listado.

Durante a prévia, o nome exato do modelo, limite de contexto, limite de uso e disponibilidade podem mudar. Antes de iniciar tarefas de longa duração, verifique a documentação do OpenCode Zen e o seletor de modelos.

Opção 2: Executar o modelo base com o Docker Model Runner

O cartão oficial do modelo no Hugging Face fornece o seguinte comando:

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

O tamanho do download necessário e a quantidade de memória dependem do formato escolhido em tempo de execução. Revise os arquivos do modelo antes de baixá-los para sua estação de trabalho ou servidor.

Opção 3: Servir quantização GGUF oficial com llama.cpp

A Poolside fornece um repositório GGUF oficial e um fork do llama.cpp compatível com Laguna.

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

O arquivo Q4_K_M tem aproximadamente 75 GB. O sistema também precisará de memória para overhead de tempo de execução e cache KV, especialmente ao usar contextos longos.

Opção 4: Adicionar decodificação especulativa DFlash

As instruções oficiais incluem um modelo de rascunho DFlash opcional:

./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

A decodificação especulativa pode aumentar a velocidade de geração, mas os resultados específicos dependem de hardware, formato do prompt, comprimento do contexto, configuração de compilação e taxa de aceitação do modelo de rascunho.

Ele realmente roda em um único NVIDIA DGX Spark?

A Poolside afirma que o Laguna S 2.1 é pequeno o suficiente para rodar em um único NVIDIA DGX Spark.

Isso é viável para um checkpoint quantizado adequado, pois o DGX Spark é projetado em torno de uma grande configuração de memória unificada. No entanto, isso não significa que todos os formatos de modelo, tamanhos de contexto ou modos de serviço se ajustarão imediatamente.

Os usuários devem fazer quatro perguntas separadamente:

1. Os pesos podem ser carregados?
2. Qual o comprimento de contexto suportado após o overhead de tempo de execução?
3. Qual a velocidade de geração de tokens alcançável?
4. Quantas sessões de agente o sistema pode servir simultaneamente?

Um modelo teoricamente carregável pode ser muito lento para codificação interativa em comprimentos de contexto extremos. Throughput, tempo para o primeiro token, consumo de energia e carga de trabalho concorrente precisam de medições independentes.

Relatos da comunidade sobre implantação local

O relatório inicial do AIBase citou testes da comunidade usando um Apple M3 Max com 128 GB de memória unificada e o fork do llama.cpp da Poolside.

O checkpoint Q4_K_M de 75 GB torna tal implantação tecnicamente crível, mas a experiência variará muito devido a:

• Pressão de memória.
• Tamanho do contexto.
• Nível de quantização.
• Comprimento do prompt.
• Descarregamento de CPU e GPU.
• Limitações térmicas.
• Decodificação especulativa.
• Outros aplicativos usando memória unificada.

Relatos da comunidade não devem ser considerados recomendações de hardware confiáveis. Os desenvolvedores devem consultar os tamanhos oficiais de arquivo e deixar margem de memória suficiente antes de baixar o modelo.

Por que o Laguna S 2.1 é crucial para codificação de agentes

O Laguna S 2.1 reflete várias mudanças mais amplas no campo de modelos de codificação.

Menor escala de computação ativa está se tornando mais importante

Grandes parâmetros totais podem fornecer capacidade, enquanto a ativação esparsa ajuda a controlar a quantidade de computação por token.

Isto

A arquitetura MoE é mais atraente para agentes de codificação que podem executar por minutos ou horas.

Contexto longo está sendo integrado a modelos de peso aberto

Janelas de milhões de tokens já foram associadas principalmente a modelos proprietários hospedados. Seu surgimento em modelos de codificação de peso aberto dá às equipes mais controle sobre experimentos em repositórios longos e implantações privadas.

Estruturas de agentes são essenciais

A Poolside treina seus modelos Laguna dentro de sua própria estrutura de agente e afirma que eles têm melhor desempenho nesse ambiente ou em outros clientes compatíveis com o Protocolo de Cliente de Agente (Agent Client Protocol).

Os benchmarks de codificação medem sistemas compostos por modelo mais agente, não apenas a capacidade bruta de previsão do próximo token. Uso de ferramentas, seleção de contexto, lógica de retry, acesso ao terminal e aplicação de patches impactam substancialmente o desempenho.

Pesos abertos expandem as opções de implantação

As organizações podem inspecionar os arquivos, escolher seu próprio runtime, quantizar o modelo, implantá-lo em infraestrutura privada e conectá-lo a agentes de codificação internos.

Essa flexibilidade é valiosa para ambientes que envolvem código-fonte com privacidade sensível e acesso à rede restrito.

Limitações a considerar antes do uso em produção

Modalidade de apenas texto

O cartão oficial do modelo descreve o Laguna S 2.1 como um modelo texto-para-texto. Ele não é um modelo nativo de imagem, áudio ou vídeo.

Alta demanda de memória

Seu número de parâmetros ativos é relativamente pequeno, mas o modelo completo, os pesos completos ainda são grandes. Um laptop comum não será adequado para o formato oficial de alta qualidade.

Contexto longo pode ser caro

A capacidade máxima de um milhão de tokens não equivale a um processamento eficiente de um milhão de tokens no uso diário. A latência de pré-preenchimento e a memória do cache KV podem se tornar bastante significativas.

Benchmarks precisam de validação interna

Uma pontuação pública de destaque em programação não garante um bom desempenho na combinação de linguagens, sistema de construção, padrões de codificação ou estrutura privada de uma empresa.

Acesso gratuito hospedado tem implicações de dados

A documentação do período gratuito do OpenCode indica que entradas e saídas coletadas podem ser usadas para melhoria do modelo. Código confidencial não deve ser submetido sem uma política aprovada.

Programação de agente pode modificar sistemas reais

Qualquer agente de programação, quando recebe amplas permissões, pode excluir arquivos, executar comandos, alterar dependências ou introduzir vulnerabilidades de segurança.

Uso:

• Controle de versão.
• Espaços de trabalho isolados.
• Credenciais com privilégios mínimos.
• Revisão humana.
• Ambientes de teste.
• Backups.
• Aprovação de comandos.

Quem deve avaliar o Laguna S 2.1?

O Laguna S 2.1 é mais adequado para:

• Equipes que constroem agentes de programação autônomos.
• Desenvolvedores que avaliam alternativas a APIs de programação proprietárias.
• Organizações que precisam de implantação de modelos privados.
• Pesquisadores que estudam engenharia de software de ciclo longo.
• Equipes de infraestrutura com estações de trabalho ou servidores de grande memória.
• Construtores de ferramentas que usam clientes de agente compatíveis com OpenAI ou baseados em ACP.

Pode ser menos adequado para:

• Fluxos de trabalho leves apenas em laptop.
• Autocompletar simples.
• Implantação móvel.
• Equipes sem infraestrutura para executar modelos de 75 GB ou maiores.
• Automação de produção de alto risco sem sandbox forte.
• Cargas de trabalho que exigem entrada multimodal nativa.

Perguntas Frequentes

O que é o Poolside Laguna S 2.1?

O Laguna S 2.1 é um modelo de Mistura de Especialistas (MoE) com 118 bilhões de parâmetros, projetado para programação de agentes e tarefas de engenharia de software de ciclo longo. Ativa cerca de 8 bilhões de parâmetros por token e suporta uma janela de contexto de até 1.048.576 tokens.

O Laguna S 2.1 é totalmente open source?

Seus pesos estão disponíveis publicamente sob a licença OpenMDW-1.1, portanto, "pesos abertos" é a descrição mais clara. Os usuários devem revisar o contrato de licença, a documentação do modelo, as diretrizes de uso aceitável e quaisquer componentes de terceiros antes de redistribuir ou implantar comercialmente.

O Laguna S 2.1 é gratuito no OpenCode?

O OpenCode atualmente oferece uma opção gratuita do Laguna S 2.1 por tempo limitado. Disponibilidade, limites de contexto, limites de taxa e termos de uso de dados podem mudar; portanto, verifique a documentação atual do OpenCode Zen antes de confiar nele.

A versão gratuita do OpenCode tem a janela de contexto de um milhão de tokens?

O anúncio do OpenCode promoveu o contexto de um milhão, alinhado com a capacidade máxima do modelo base. Os endpoints hospedados podem impor limites diferentes, portanto, verifique a configuração do modelo ativada no OpenCode antes de enviar contextos muito longos.

O Laguna S 2.1 pode ser executado em um Mac?

Relatos da comunidade indicam que versões quantizadas podem ser executadas em sistemas Apple Silicon com alta memória, incluindo configurações M3 Max de 128 GB. O desempenho e o contexto disponível dependem do método de quantização, ambiente de runtime, memória disponível e carga do sistema.

O Laguna S 2.1 pode ser executado em um único DGX Spark?

A Poolside afirma que uma versão adequada pode ser executada em um único NVIDIA DGX Spark. O comprimento de contexto alcançável, a velocidade de tokens e a concorrência dependem do formato do checkpoint e da configuração de serviço.

Quais são as pontuações de benchmark do Laguna S 2.1?

A Poolside relata 70,2% no Terminal-Bench 2.1, 78,5% no SWE-Bench Multilíngue, 59,4% no conjunto de dados público SWE-Bench Pro e 40,4% no DeepSWE. Esses números devem ser avaliados juntamente com os métodos de teste da empresa e testes independentes.

O Laguna S 2.1 suporta controle de raciocínio?

Sim. O cartão oficial do modelo mostra que ele suporta raciocínio intercalado e permite que o raciocínio seja ativado ou desativado por solicitação em sistemas de serviço compatíveis.

Ferramentas Relacionadas

• Poolside: Empresa que desenvolve modelos de base da série Laguna para codificação inteligente.
• OpenCode: Um agente de codificação de código aberto que atualmente oferece acesso gratuito por tempo limitado ao Laguna S 2.1.
• Hugging Face: Repositório oficial para pesos, documentação, formatos e guias de uso do Laguna S 2.1.
• llama.cpp: Um runtime de inferência local com suporte contínuo para modelos Laguna da série GGUF.
• Docker Model Runner: Ferramenta Docker para baixar e servir modelos locais suportados.
• OpenRouter: Opção de API hospedada para acessar modelos Poolside por meio de uma interface compatível com OpenAI.

Links Relacionados

• Anúncio oficial de lançamento do Laguna S 2.1: Artigo publicado pela Poolside cobrindo arquitetura, treinamento e posicionamento de benchmark.
• Cartão do modelo Laguna S 2.1: Especificações oficiais, tabelas de benchmark, guias de serviço, controle de raciocínio e informações de licença.
• Repositório oficial GGUF do Laguna S 2.1: Tamanhos de arquivos quantizados e instruções de serviço do llama.cpp.
• Arquivo de trajetórias do Laguna S 2.1: Trajetórias de agente públicas da avaliação Terminal-Bench 2.1 da Poolside.
• Documentação OpenCode Zen: Informações sobre disponibilidade atual do modelo gratuito, políticas de uso, termos de privacidade e conta.
• Licença OpenMDW-1.1: Licença que rege os materiais do modelo lançado.

Catálogo de modelos Poolside: Comparação oficial entre Laguna S 2.1, XS 2.1 e toda a família de modelos Laguna.

Resumo

O Poolside Laguna S 2.1 possui 118B de parâmetros totais, aproximadamente 8B de parâmetros ativos por token, uma janela de contexto de um milhão de tokens, raciocínio controlável e pesos abertos oficialmente disponíveis em múltiplos formatos.

A Poolside reportou desempenho robusto em benchmarks de terminal e engenharia de software, incluindo 70,2% no Terminal-Bench 2.1 e 40,4% no DeepSWE. Esses resultados destacam o modelo em sua categoria de tamanho, embora as equipes devam replicar o desempenho em seus próprios repositórios e frameworks de agentes.

O acesso gratuito limitado do OpenCode facilita o teste do modelo, enquanto os pesos para download permitem implantação privada, porém com o custo de enormes requisitos de memória, mudanças nas políticas de serviços gerenciados e riscos operacionais para agentes de codificação autônomos.

O Laguna S 2.1 é um lançamento significativo de pesos abertos para tarefas de codificação de longa duração, mas seu verdadeiro valor dependerá da integração com agentes, eficiência de implantação e desempenho em trabalhos reais de desenvolvimento — e não apenas do rótulo de 1 milhão de tokens de contexto.