Poolside Laguna S 2.1: модель с открытым исходным кодом на 118B параметров и контекстом в 1 млн токенов

Poolside выпустила Laguna S 2.1 — свою самую мощную модель кодирования из доступных публично на сегодняшний день.

发布于 2026年7月22日•general•GEO 评分: 0•8 次阅读

选择语言

العربية Deutsch English Español Français Italiano 日本語 한국어 Português Русский 中文

Poolside Laguna S 2.1: модель с открытым исходным кодом на 118B параметров и контекстом в 1 млн токенов

Введение

Poolside выпустила Laguna S 2.1 — свою самую мощную модель кодирования из доступных публично на сегодняшний день.

Эта модель разработана для агентной разработки ПО и длительных задач. Она имеет 118 миллиардов параметров, активируя примерно 8 миллиардов на каждый токен, и поддерживает контекстное окно до 1 048 576 токенов как в режиме размышления, так и без него.

Poolside опубликовала веса модели под лицензией OpenMDW-1.1. Компания также предоставила несколько официальных контрольных точек и квантованных форматов через Hugging Face, а OpenCode предлагает бесплатную хостинговую версию на ограниченный период времени.

Эти детали делают Laguna S 2.1 необычным релизом. Она создана для обеспечения мощной производительности кодирующего агента без необходимости прогонять каждый токен через полную сеть из 118 млрд параметров, и может быть развернута локально командами с достаточно мощным оборудованием.

В то же время, некоторые заявления, сопровождающие этот релиз, необходимо воспринимать в соответствующем контексте. Результаты бенчмарков в основном предоставлены Poolside, не все хостинг-провайдеры будут раскрывать полную емкость в 1 млн токенов, а утверждение «достаточно мала для работы на одном DGX Spark» не означает, что модель будет плавно работать на обычном ноутбуке разработчика.

Что такое Laguna S 2.1?

Laguna S 2.1 — это текстовая text-to-text базовая модель, специально обученная для задач программной инженерии, работы с терминалом, использования инструментов и агентных рабочих процессов кодирования.

Она занимает место между двумя другими моделями Poolside:

Модель	Всего параметров	Активных параметров на токен	Контекстное окно	Позиционирование
Laguna XS 2.1	33B	3B	256K	Более быстрая локальная разработка и короткие циклы
Laguna S 2.1	118B	~8B	1M	Более мощное агентное кодирование для длительных циклов
Laguna M.1	225B	23B	256K	Более крупная модель для сложных агентных задач

Poolside сообщает, что на создание Laguna S 2.1 от начала обучения до релиза ушло менее девяти недель. Она обучалась на той же серии предобучающих данных, что и Laguna XS 2.1, а улучшения производительности достигнуты за счет масштабирования, исправления кода обучения, изменений в рецептуре и новой пост-обучающей работы.

Компания описывает S 2.1 как свою текущую самую сильную модель для ежедневной разработки функций, изменений в нескольких файлах, терминальных задач и длительных сессий кодирования.

Основные характеристики модели

В официальной карточке модели указаны следующие характеристики:

Характеристика	Laguna S 2.1
Архитектура	Смесь экспертов (MoE)
Всего параметров	118B
Активных параметров	~8B на токен
Количество слоев	48
Слоев глобального внимания	12
Слоев со скользящим окном	36
Размер скользящего окна	512 токенов
Количество маршрутизируемых экспертов	256
Выбранных экспертов	Топ-10
Общих экспертов	1
Контекстное окно	1 048 576 токенов
Модальность	Текстовый ввод и текстовый вывод
Инференс	Перемежающееся размышление, управляемое по запросу
Размер словаря	100 352 токена

Модель использует групповое кэшированное внимание с запросами и смесь глобального и скользящего оконного внимания. Poolside также предоставляет обученную...

Спекулятивная декодированная черновая модель DFlash

Снижает задержки при обслуживании, когда стек инференса это поддерживает.

Как работает дизайн смеси экспертов (MoE)

Laguna S 2.1 содержит 118 миллиардов параметров, но не все они активируются для каждого токена.

Маршрутизатор выбирает часть экспертов для каждого токена, и в вычислениях реально участвует около 8 миллиардов параметров. Это основная причина, по которой Poolside называет эту модель более эффективной по сравнению с плотной моделью аналогичного размера.

Упрощенная сравнительная таблица:

Плотная модель	Модель смеси экспертов
Большинство параметров активно для каждого токена	Активны только выбранные эксперты
Вычислительная нагрузка растет с общим размером	Вычислительная нагрузка может быть значительно меньше общего размера
Простое поведение маршрутизации	Маршрутизация и обслуживание сложнее
Память зависит от полных весов модели	Память также зависит от полных весов и выбранной точности

Не следует путать преимущество в эффективности с малым потреблением памяти.

Даже если на каждый токен активируется только 8 млрд параметров, системе все равно необходимо иметь доступ к полным весам экспертов. Официальные GGUF-файлы показывают реальные размеры:

Официальный GGUF-файл	Приблизительный размер
F16	235 ГБ
Q8_0	128 ГБ
Q4_K_M	75 ГБ
DFlash BF16 черновая модель	2,2 ГБ

Четырехбитная квантованная версия более управляема, чем модель полной точности, но 75 ГБ все равно требуют рабочей станции с чрезвычайно высокой унифицированной памятью или ускоренной памятью, плюс необходимо дополнительное пространство для кэша контекста и времени выполнения.

Контекстное окно в миллион токенов

Базовая модель поддерживает максимальную длину контекста в 1 048 576 токенов.

Для кодирующих агентов большое контекстное окно полезно для:

Больших репозиториев кода
Множества связанных исходных файлов
Длинной истории терминала
Логов сборки и тестирования
Документации API
Архитектурных описаний
Предыдущих решений агента
Вывода нескольких инструментов
Долгосрочных рефакторинговых работ

Ограничение в миллион токенов не означает, что каждый запрос должен заполнять все окно.

Длинный контекст увеличивает использование памяти, время предварительного заполнения и стоимость обслуживания. Он также может внести нерелевантную информацию, усложняя работу модели. Хорошие фреймворки для кодирующих агентов по-прежнему нуждаются в функциях выбора файлов, поиска, суммаризации, кэширования и управления контекстом.

Платформы хостинга могут предоставлять более низкие лимиты контекста, чем поддерживает базовая модель. В объявлении о запуске OpenCode заявляется о поддержке контекста в 1 млн, но прежде чем проектировать рабочие процессы вокруг максимального значения, пользователям следует проверить текущие записи модели и политики поставщика. Бесплатные или ознакомительные конечные точки могут в любой момент изменить лимиты контекста и доступность.

Режим размышления и обычный режим

Laguna S 2.1 поддерживает как режим с включенным рассуждением, так и режим без размышлений.

В поддерживаемых inference API режим рассуждения можно контролировать для каждого запроса с помощью опции enable_thinking.

Два режима подходят для разных задач:

Режим размышления

Этот режим подходит для задач, требующих планирования и промежуточных рассуждений, таких как:

Отладка сложных сбоев
Координация изменений в нескольких файлах
Проектирование миграционных решений
Изучение незнакомого репозитория кода
Запуск серии терминальных инструментов
Решение проблемы с использованием нескольких возможных подходов

Обычный режим (без размышлений)

Обычный режим больше подходит для:

Небольших изменений
Прямой генерации кода
Корректировки форматирования
Простых преобразований
Дополнений с низкой задержкой
Высокоповторяемых рутинных задач

Режим рассуждения не подходит автоматически для всех задач. Обычно он потребляет больше токенов и занимает больше времени. Командам следует оценивать оба режима на своих репозиториях и измерять эффективность по проценту завершения задач, а не только по субъективному качеству вывода.

Результаты бенчмарков, представленные Poolside

Poolside публикует следующие результаты тестирования Laguna S 2.1:

Бенчмарк	Заявленный результат
Terminal-Bench 2.1	70,2%
SWE-Bench (многоязычная версия)	78,5%
SWE-Bench Pro (публичный датасет)	59,4%
DeepSWE	40,4%
SWE Atlas (вопросы-ответы по кодовой базе)	46,2%
Toolathlon Verified	49,7%

Poolside заявляет, что большинство результатов основаны на метрике pass@1 и являются средними по нескольким запускам. Их публичный архив траекторий...

Вот перевод на русский язык:

Журнал выполнения Terminal-Bench 2.1 позволяет разработчикам более наглядно увидеть процесс выполнения агентом конкретных задач.

Результаты показывают, что Laguna S 2.1 конкурентоспособна по сравнению с моделями с большим общим количеством параметров.

Однако к таблицам бенчмарков следует относиться с осторожностью.

Результаты бенчмарков — не универсальный рейтинг продуктов

Результаты могут различаться в зависимости от следующих факторов:

Агентный фреймворк
Системный промпт
Определения инструментов
Настройки тайм-аута
Количество попыток
Параметры семплирования
Версия теста
Конфигурация репозитория
Точность вывода
Конфигурация контекста
Источник результатов (разработчик модели vs. независимая оценка)

На странице модели Poolside указано, что в сравнительных таблицах могут использоваться максимальные показатели конкурентных моделей из отчетов поставщиков, рейтингов бенчмарков или сторонних рейтингов. Такой подход подходит для макросравнения, но отличается от тестирования всех моделей в единой конфигурации оценки.

Наиболее надежный вывод: Laguna S 2.1 демонстрирует высокую производительность в своей категории эффективных параметров. Командам, выбирающим производственную модель для кодирования, следует по-прежнему тестировать её на собственных наборах задач, репозиториях кода, инструментальных цепочках и критериях проверки.

Открытые веса на основе лицензии OpenMDW-1.1

Компания Poolside выпустила Laguna S 2.1 под лицензией OpenMDW-1.1 — лицензией на материалы модели, поддерживаемой проектом OpenMDW.

Данная лицензия предоставляет пользователям широкие права на бесплатное использование, модификацию и распространение материалов модели при условии соблюдения условий. При распространении необходимо сохранять лицензию и соответствующие уведомления об авторских правах или происхождении.

Кроме того, выходные данные, полученные с использованием модели, не подпадают под ограничения лицензии.

На практике разработчикам необходимо различать следующие термины:

Открытые веса: возможность загрузить обученные параметры модели.
Открытое программное обеспечение: исходный код, распространяемый по лицензии, соответствующей стандартам открытого ПО.
Открытая модель: общий термин, может включать веса, архитектуру, документацию, обучающие данные и обучающий код.

Laguna S 2.1 однозначно относится к публикации с открытыми весами. Poolside и OpenCode совместно стремятся к развитию и применению технологий искусственного интеллекта.

В публикации использована более сильная формулировка «открытый исходный код», однако организациям перед распространением или коммерческим развертыванием следует ознакомиться с фактическим текстом OpenMDW-1.1, руководством по ответственному использованию от Poolside, сторонними зависимостями и собственными юридическими требованиями.

Данная лицензия также предоставляет материалы модели «как есть», без каких-либо гарантий. Пользователи по-прежнему несут ответственность за самостоятельное тестирование точности, безопасности, пригодности и соответствия требованиям.

Laguna S 2.1 временно доступна бесплатно в OpenCode

OpenCode объявила, что в течение рекламного периода Laguna S 2.1 может использоваться бесплатно через OpenCode Zen без оплаты за использование модели.

Это предоставляет пользователям простой способ тестирования без необходимости загружать файлы контрольных точек размером 75–235 ГБ или запускать локальное аппаратное обеспечение для вывода.

В документации OpenCode указаны две важные детали:

Бесплатное предоставление является временным.
Входные и выходные данные от бесплатного сервиса Laguna S 2.1 могут собираться и использоваться для улучшения модели.

Таким образом, пользователям следует избегать отправки:

Проприетарного исходного кода.
Данных клиентов.
Учётных данных.
Закрытых ключей.
Конфиденциальных документов по архитектуре.
Чувствительных к безопасности журналов.
Регулируемой или личной информации.

Бесплатная предварительная версия подходит для публичных репозиториев кода, синтетических проектов и оценки с низким уровнем риска. Использовать приватный код компании для тестирования следует только после ознакомления с текущей политикой платформы в отношении данных, условиями хранения, контролем рабочего пространства, а также доступными платными вариантами или вариантами самостоятельного размещения.

Как попробовать Laguna S 2.1

Вариант 1: Использовать бесплатную модель OpenCode

OpenCode можно установить с помощью официального установщика:

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

После установки подключитесь к OpenCode Zen и выберите текущую бесплатную модель Laguna S 2.1.

В течение предварительного просмотра точное название модели, ограничения контекста, лимиты использования и доступность могут меняться. Перед началом долгосрочных задач проверьте документацию OpenCode Zen и селектор моделей.

Вариант 2: Запустить базовую модель с помощью Docker Model Runner

Официальная карточка модели Hugging Face содержит следующую команду:

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

Необходимый размер загрузки и объем памяти зависят от формата, выбранного во время выполнения. Перед загрузкой файлов модели на рабочую станцию или сервер ознакомьтесь с файлами модели.

Вариант 3: Использовать llama.cpp для официального GGUF-квантования

Poolside предоставила официальный GGUF-репозиторий и совместимую с Laguna ветку llama.cpp.

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

Размер файла Q4_K_M составляет около 75 ГБ. Системе также потребуется память для накладных расходов времени выполнения и KV-кэша, особенно при использовании длинного контекста.

Вариант 4: Добавить спекулятивное декодирование DFlash

Официальная инструкция включает опциональную черновую модель DFlash:

./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

Спекулятивное декодирование может увеличить скорость генерации, но конкретные результаты зависят от аппаратного обеспечения, формы промпта, длины контекста, конфигурации сборки и других факторов.

коэффициент принятия черновой модели.

Действительно ли она работает на одном NVIDIA DGX Spark?

Poolside утверждает, что Laguna S 2.1 достаточно мала для работы на одном NVIDIA DGX Spark.

Для подходящего квантованного checkpoint это возможно, так как DGX Spark спроектирован вокруг большой конфигурации унифицированной памяти. Однако это не означает, что каждый формат модели, размер контекста или режим обслуживания будут немедленно адаптированы.

Пользователям следует задать четыре отдельных вопроса:

Могут ли веса быть загружены?
Какую длину контекста можно поддерживать с учетом накладных расходов времени выполнения?
Какая скорость генерации токенов достижима?
Сколько сессий агентов может одновременно обслуживать система?

Модель, которую теоретически можно загрузить, может оказаться слишком медленной для интерактивного кодирования при экстремальной длине контекста. Пропускная способность, время генерации первого токена, энергопотребление и параллельные рабочие нагрузки требуют отдельных измерений.

Сообщества о локальном развертывании

Первоначальный отчет AIBase ссылался на тестирование сообществом на системе Apple M3 Max с 128 ГБ унифицированной памяти и веткой llama.cpp от Poolside.

Checkpoint Q4_K_M размером 75 ГБ делает такое развертывание технически правдоподобным, но опыт может сильно различаться в зависимости от:

Нагрузки на память.
Размера контекста.
Уровня квантования.
Длины промпта.
Выгрузки на CPU и GPU.
Тепловых ограничений.
Спекулятивного декодирования.
Других приложений, использующих унифицированную память.

Не следует рассматривать отчеты сообщества как надежные рекомендации по аппаратному обеспечению. Разработчикам следует обращаться к официальным размерам файлов и выделять достаточный запас памяти перед загрузкой модели.

Почему Laguna S 2.1 важна для агентного кодирования

Laguna S 2.1 отражает несколько более широких изменений в области моделей кодирования.

Меньший масштаб активных вычислений становится более важным

Большое общее количество параметров может обеспечить емкость, в то время как разреженная активация помогает контролировать объем вычислений на один токен.

Это

Архитектура MoE особенно привлекательна для агентов кодирования, которые могут работать минуты или часы.

Длинный контекст проникает в модели с открытыми весами

Миллионные токенные окна раньше ассоциировались в основном с проприетарными моделями. Их появление в моделях кодирования с открытыми весами даёт командам больше контроля при проведении экспериментов с длинными репозиториями и частном развёртывании.

Каркасы агентов имеют решающее значение

Poolside обучает модели Laguna в рамках собственного каркаса агентов и утверждает, что эти модели показывают наилучшие результаты в этой среде или в клиентах, совместимых с протоколом клиента агентов (Agent Client Protocol).

Бенчмарки кодирования оценивают систему, состоящую из модели и агента, а не просто исходные способности предсказания следующего токена. Использование инструментов, выбор контекста, логика повторов, доступ к терминалу и применение патчей — всё это существенно влияет на производительность.

Открытые веса расширяют возможности развёртывания

Организации могут проверять файлы, выбирать собственную среду выполнения, квантизировать модели, развёртывать их на частной инфраструктуре и подключать к внутренним агентам кодирования.

Такая гибкость ценна для окружений, где исходный код чувствителен к конфиденциальности, а доступ к сети ограничен.

Ограничения, которые следует учитывать перед использованием в производственной среде

Текстовая модальность

Официальная карточка модели описывает Laguna S 2.1 как текстовую модель. Она не является нативной моделью для изображений, аудио или видео.

Высокие требования к памяти

Количество активных параметров относительно невелико, но полная модель, а точнее полные веса, всё ещё велики. Обычный ноутбук не подойдёт для официального высококачественного формата.

Длинный контекст может быть дорогим

Максимальная ёмкость в миллион токенов не означает эффективную обработку миллиона токенов в повседневном использовании. Задержка префилла и память KV-кеша могут стать значительными.

Бенчмарки требуют внутренней проверки

Выдающийся публичный результат по программированию не гарантирует такой же производительности на языковой комбинации компании, системе сборки, стандартах кодирования или частном каркасе.

Бесплатный хостинг имеет последствия для данных

В документации бесплатного периода OpenCode указано, что собранные входные и выходные данные могут использоваться для улучшения модели. Конфиденциальный код не следует отправлять без одобренной политики.

Агентное программирование может изменять реальные системы

Любой агент программирования, получив широкие разрешения, может удалять файлы, выполнять команды, изменять зависимости или вносить уязвимости в систему безопасности.

Используйте:

Контроль версий.
Изолированные рабочие пространства.
Учётные данные с минимальными привилегиями.
Ручную проверку.
Тестовые среды.
Резервное копирование.
Утверждение команд.

Кому стоит оценить Laguna S 2.1?

Laguna S 2.1 лучше всего подходит для:

Команд, создающих автономных агентов программирования.
Разработчиков, оценивающих альтернативы проприетарным API программирования.
Организаций, которым нужно частное развёртывание моделей.
Исследователей, изучающих долгосрочную разработку программного обеспечения (software engineering).
Команд инфраструктуры с рабочими станциями или серверами с большим объёмом памяти.
Создателей инструментов, использующих совместимые с OpenAI или ACP-клиенты агентов.

Она может не подойти для:

Легковесных рабочих процессов, ограниченных ноутбуком.
Простого автодополнения.
Развёртывания на мобильных устройствах.
Команд без инфраструктуры для запуска моделей размером 75 ГБ и более.
Высокорисковой производственной автоматизации без надёжной песочницы.
Рабочих нагрузок, требующих нативного мультимодального ввода.

Часто задаваемые вопросы

Что такое Poolside Laguna S 2.1?

Laguna S 2.1 — это модель смеси экспертов (MoE) со 118 миллиардами параметров, предназначенная для задач агентного программирования и долгосрочной разработки программного обеспечения. На каждый токен активируется около 8 миллиардов параметров, и она поддерживает контекстное окно до 1 048 576 токенов.

Является ли Laguna S 2.1 полностью открытой?

Её веса доступны публично под лицензией OpenMDW-1.1, поэтому наиболее точным описанием является «открытые веса». Перед распространением или коммерческим развёртыванием пользователям следует ознакомиться с лицензией, документацией модели, руководством по приемлемому использованию и любыми сторонними компонентами.

Бесплатна ли Laguna S 2.1 на OpenCode?

В настоящее время OpenCode предлагает бесплатный доступ к Laguna S 2.1 в течение ограниченного времени. Доступность, ограничения по контексту, лимиты скорости и условия использования данных могут измениться. Перед началом использования проверьте актуальную документацию OpenCode Zen.

Есть ли у бесплатной версии OpenCode контекстное окно в миллион токенов?

В анонсах OpenCode упоминался контекст в миллион токенов, что соответствует максимальной ёмкости базовой модели. Развёрнутые конечные точки (endpoints) могут иметь другие ограничения, поэтому перед отправкой очень длинного контекста проверьте активную конфигурацию модели в OpenCode.

Может ли Laguna S 2.1 работать на Mac?

Сообщения сообщества указывают на то, что квантизированные версии работают на системах Apple Silicon с большим объёмом памяти, включая M3 Max с 128 ГБ. Производительность и доступный контекст зависят от метода квантизации, среды выполнения, объёма памяти и загрузки системы.

Может ли Laguna S 2.1 работать на одном DGX Spark?

Poolside утверждает, что подходящая версия может работать на одном NVIDIA DGX Spark. Достижимая длина контекста, скорость генерации токенов и параллелизм зависят от формата контрольной точки и конфигурации сервиса.

Каковы результаты бенчмарков Laguna S 2.1?

Poolside сообщает о 70,2% на Terminal-Bench 2.1, 78,5% на SWE-Bench Multilingual, 59,4% на публичном датасете SWE-Bench Pro и 40,4% на DeepSWE. Эти данные следует оценивать вместе с методологией тестирования компании и независимыми тестами.

Поддерживает ли Laguna S 2.1 контроль над процессом рассуждения (inference control)?

Да. Официальная карточка модели показывает, что она поддерживает перемежающееся рассуждение (interleaved thinking) и позволяет включать или отключать рассуждение для каждого запроса в совместимых сервисных системах.

Связанные инструменты

Poolside: Компания, разрабатывающая фундаментальные модели серии Laguna для интеллектуального кодирования.
OpenCode: Агент кодирования с открытым исходным кодом, в настоящее время предоставляющий бесплатный доступ к Laguna S 2.1 на ограниченное время.
Hugging Face: Официальный репозиторий весов, документации, форматов и руководств по использованию Laguna S 2.1.
llama.cpp: Среда выполнения для локального инференса, поддерживающая модели серии Laguna в формате GGUF.
Docker Model Runner: Инструмент Docker для загрузки и запуска поддерживаемых локальных моделей.
OpenRouter: Хостинг API для доступа к моделям Poolside через интерфейс, совместимый с OpenAI.

Связанные ссылки

Официальный анонс выпуска Laguna S 2.1: Статья Poolside, охватывающая архитектуру, обучение и позиционирование бенчмарков.
Карточка модели Laguna S 2.1: Официальные спецификации, таблицы бенчмарков, руководства по сервису, контроль рассуждения и информация о лицензии.
Официальный репозиторий GGUF Laguna S 2.1: Размеры квантизированных файлов и инструкции по обслуживанию через llama.cpp.
Архив траекторий Laguna S 2.1: Публичные траектории работы агентов из оценки Terminal-Bench 2.1 от Poolside.
Документация OpenCode Zen: Информация о доступности, политиках использования, условиях конфиденциальности и учётных записях для текущей бесплатной модели.
Лицензия OpenMDW-1.1: Лицензия, регулирующая использование опубликованных материалов модели.

Poolside модель каталог: Официальное сравнение Laguna S 2.1, XS 2.1 и всего семейства моделей Laguna.

Итоги

Poolside Laguna S 2.1 имеет общее количество параметров 118B, около 8B активных параметров на токен, контекстное окно в миллион токенов, управляемое рассуждение и официально открытые веса в нескольких форматах.

Poolside сообщает о высоких показателях в терминальных и программных инженерных бенчмарках, включая 70.2% в Terminal-Bench 2.1 и 40.4% в DeepSWE. Эти результаты делают модель выдающейся в своём размерном классе, однако командам следует воспроизвести производительность в собственных репозиториях и агентных фреймворках.

Временный бесплатный доступ к OpenCode упрощает тестирование модели, а загружаемые веса позволяют развернуть её в частном порядке, но ценой огромных требований к памяти, изменений в политике хостинга и рисков нормальной работы автономных агентов кодирования.

Laguna S 2.1 является значимым релизом открытых весов для долгосрочных задач кодирования, но её реальная ценность будет зависеть от агентной интеграции, эффективности развертывания и работы в реальных задачах разработки, а не просто от ярлыка «1 миллион контекстных токенов».