Poolside、SWE-Bench Multilingualで軽量級ながら高性能なオープンウェイトエージェントコーディングモデル「Laguna S 2.1」を公開

Poolside は、エージェントコーディング向けのオープンウェイトモデル Laguna S 2.1 を発表しました。これは 1180 億パラメータの Mixture-of-Experts（MoE）モデルで、トークンあたり約 80 億パラメータ（6.8%）のみをアクティブ化し、最大 100 万トークンのコンテキストウィンドウをサポートします（思考モード・非思考モード両方）。ウェイトは OpenMDW-1.1 ライセンスで Hugging Face に公開され、単一の NVIDIA DGX Spark で動作可能なサイズです。

長期間のコーディングベンチマークでは、Laguna S 2.1 は数倍の規模のモデル（DeepSeek-V4-Pro-Max、NVIDIA の Nemotron 3 Ultra、Thinking Machines の Inkling など）に対抗します。Laguna XS ファミリーのスケールアップ版であり、XS 2.1 と同じ事前学習データを使用しています。

モデル詳細

モデルはトークンごとにパラメータの約 6.8% のみをアクティブ化します。全 1180 億パラメータはメモリに常駐しますが、各ステップで約 80 億がネットワークを通過します。この疎結合性により、中規模モデルが大規模モデルと同等の動作を低コストで実現します。Poolside チームは BF16、FP8、INT4、NVFP4 形式のウェイトに加え、公式の GGUF および MLX 変換、DFlash ドラフトモデルを提供しています。トレーニング開始からリリースまで 9 週間未満でした。事前学習は 2026 年 5 月 22 日に 4096 台の NVIDIA H200 GPU で開始され、FP8 精度で強化学習を実行した初の Poolside モデルです。

性能

思考モード有効時の Terminal-Bench 2.1 スコアは 70.2% で、Poolside の公開モデルリーダーボードで首位（より大規模またはクローズドシステムを除く）。SWE-Bench Multilingual では 78.5% で公開テーブルでトップとなりました。完全な比較データは以下の通りです。

| ベンチマーク | Laguna S 2.1 (118B-A8B) | Tencent Hy3 (295B-A21B) | Inkling (975B-A41B) | Nemotron 3 Ultra (550B-A55B) | DeepSeek-V4-Pro-Max (1.6T-A49B) | Kimi K3 (2.8T-A50B) | Qwen 3.7 Max | Muse Spark 1.1 | Claude Fable 5 | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | Terminal-Bench 2.1 | 70.2 | 71.7 | 63.8 | 56.4 | 64.0 | 88.3 | 74.5 | 80.0 | 88.0 | | SWE-Bench Multilingual | 78.5 | 75.8 | – | 67.7 | 76.2 | – | 78.3 | – | – | | SWE-Bench Pro (Public) | 59.4 | 57.9 | 54.3 | – | 55.4 | – | 60.6 | 61.5 | 80.3 | | DeepSWE v1.1 | 40.4 | – | – | – | 9.0 | 69.0 | – | 53.3 | 70.0 | | SWE Atlas (Codebase QnA) | 46.2 | – | – | – | 27.2 | – | – | 42.2 | – | | Toolathlon Verified | 49.7 | – | 45.5 | 34.3 | 55.9 | – | – | 75.6 | – |

DeepSWE v1.1 では、Laguna S 2.1 が 40.4% に対し DeepSeek-V4-Pro-Max は 9.0% で、アクティブパラメータは約 6 分の 1 です。クローズドフロンティアモデル（Claude Fable 5 や Kimi K3）は依然としていくつかのベンチマークでリードしています。Poolside の主張は重量級での優位性であり、絶対的なトップではありません。最終評価軌跡は trajectories.poolside.ai で公開されています。

2つの思考モードとスコアの源泉

Laguna S 2.1 には「オフ」と「最大」（デフォルト）の 2 つのモードがあります。最大モードではモデルがテスト時計算予算を自己決定します。現在、ユーザーが低/中/高の努力を設定することはできません。最大思考により Terminal-Bench 2.1 は 60.4% から 70.2% に、DeepSWE は 16.5% から 40.4% に向上します。これらの向上にはトークンコストがかかります：DeepSWE の軌跡は思考モードで約 249k completion トークン、非思考モードで 99k です。Poolside チームは、モデルが数時間、数十万トークンにわたって首尾一貫した生産的な推論を行うことを報告しています。

3つの公開軌跡

Poolside チームは、スコアではなく動作を示すために 3 つの未編集軌跡を公開しました。1 つは、モデルが空フォルダから動作する HTML/CSS ブラウザエンジンを構築した例で、50 分間、181 ステップ、人間の介入なしで、ヘッドレス Chromium で出力を自己検証しました。2 つ目は、Poolside 自身のエージェントハーネスを最適化し、速度を 5.2% 向上、メモリ割り当てを約 71% 削減（O(n²) の文字列連結をバッファに置き換え）。3 つ目は、Erdős Problem #397 を Perl で 68 分かけて再導出（サンドボックスに Python がなかったため）。これは独立した再発見であり、GPT-5.2 Pro は 2026 年 1 月に同じ問題を解決、Laguna の知識カットオフは 2025 年 11 月です。

実際のデプロイ可能性

サイズは全 1180 億パラメータ（アクティブ 80 億ではない）を基準とし、すべてのエキスパートがメモリに常駐します。4 ビット（NVFP4 または INT4）ではウェイトに約 59 GB 必要で、単一 DGX Spark の 128 GB ユニファイドメモリに余裕で収まります。FP8 では約 118 GB で、単一 Spark または単一 H200 で動作可能。BF16 では約 236 GB で、2 台の Spark またはマルチ GPU データセンターノードが必要です。

Poolside は NVIDIA と協力し、TRT-LLM サービングから Blackwell 上の NVFP4、単一 DGX Spark までの推論を最適化しました。リリース初日から vLLM、SGLang、Ollama をサポート。ホステッドアクセスは OpenRouter 経由で、256K コンテキストは無料、完全な 1M コンテキストは入力/出力/キャッシュ読み取り 1M トークンあたり $0.10 / $0.20 / $0.01。Baseten、Kilo、Prime Intellect Prime Lab、ZML でも利用可能です。

主要なポイント

• Laguna S 2.1 は 118B 総パラメータ/8B アクティブの MoE コーディングモデルで、1M トークンコンテキスト、OpenMDW-1.1 ライセンス。
• Terminal-Bench 2.1 で 70.2%、SWE-Bench Multilingual で 78.5% を達成し、公開モデル中トップ。
• 4ビット量子化で単一の NVIDIA DGX Spark 上で実行可能。FP8 は Spark または H200 1台、BF16 は 2台必要。
• デフォルトの「最大思考」モードが性能向上（DeepSWE: 16.5% → 40.4%）の主因だが、トークン消費が増加。
• 4096 台の H200 GPU で 9 週間未満のトレーニング。3ヶ月以内にリリースされた Poolside の 3 番目のモデル。

出典: Poolside Technical — Introducing Laguna S 2.1、Robert McHardy の X、Poolside の X および Hugging Face モデルカード。