Poolside 发布 Laguna S 2.1：开源权重代理编码模型，在 SWE-Bench Multilingual 上表现超越同类

Poolside 宣布推出 Laguna S 2.1，这是一款面向代理编码的 1180 亿参数开源权重模型。它采用混合专家（MoE）架构，每个 token 仅激活约 80 亿参数（激活率约 6.8%），并支持高达 100 万 token 的上下文窗口，可在思考与非思考模式下使用。模型权重以 OpenMDW-1.1 许可证发布在 Hugging Face 上，尺寸紧凑到足以在单个 NVIDIA DGX Spark 上运行。

在长周期编码基准测试中，Laguna S 2.1 与数倍于其规模的模型（包括 DeepSeek-V4-Pro-Max、NVIDIA 的 Nemotron 3 Ultra 和 Thinking Machines 的 Inkling）不相上下。它是 Laguna XS 系列的放大版本，使用与 XS 2.1 相同的预训练数据。

模型规格

模型每 token 仅激活约 6.8% 的参数。全部 1180 亿参数驻留在内存中，但每步只有约 80 亿通过网络路由。这种稀疏性使得中等规模的模型能够表现得像大型模型，同时保持较低的推理成本。Poolside 团队提供了 BF16、FP8、INT4 和 NVFP4 格式的权重，以及官方的 GGUF 和 MLX 转换版本和 DFlash 草稿模型。从训练开始到发布仅用了不到九周时间。预训练于 2026 年 5 月 22 日在 4096 块 NVIDIA H200 GPU 上启动。这是 Poolside 首个以 FP8 精度运行强化学习的模型。

性能表现

启用思考模式后，Laguna S 2.1 在 Terminal-Bench 2.1 上取得 70.2% 的分数，在 Poolside 编制的公开模型中位列第一，仅次于更大或闭源系统。在 SWE-Bench Multilingual 上，它以 78.5% 的分数直接登顶公开排行榜。完整对比数据如下：

| 基准测试 | 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 | – |

最显著的信号来自 DeepSWE v1.1，该基准仍有提升空间。Laguna S 2.1 取得 40.4%，而 DeepSeek-V4-Pro-Max 仅为 9.0%，且前者活跃参数仅为后者的约六分之一。闭源前沿模型（如 Claude Fable 5 和 Kimi K3）在若干基准上仍保持领先。Poolside 的声明聚焦于其“重量级”表现，而非绝对领先。最终评估轨迹已发布在 trajectories.poolside.ai。

两种思考模式与性能来源

Laguna S 2.1 提供两种模式：关闭和最大（默认启用最大模式）。在最大模式下，模型自行设定测试时计算预算。目前 Poolside 未提供用户可配置的低/中/高努力控制。最大思考将 Terminal-Bench 2.1 从 60.4% 提升至 70.2%，将 DeepSWE 从 16.5% 提升至 40.4%。这些提升需要付出 token 代价：DeepSWE 轨迹在思考模式下约消耗 24.9 万 completion token，而非思考模式下仅 9.9 万。Poolside 团队报告，模型能够进行连贯且富有成效的推理，持续数小时并生成数十万 token。

三条公开轨迹

Poolside 团队分享了三条未经编辑的轨迹以展示行为而非分数。第一个案例中，模型从空文件夹构建了一个可用的 HTML/CSS 浏览器引擎，耗时 50 分钟，共 181 步，无需人工干预，并自行通过无头 Chromium 验证输出。第二个案例中，模型优化了 Poolside 自己的代理框架，使框架速度提升 5.2%，内存分配降低约 71%，将 O(n²) 字符串拼接替换为缓冲区。第三个案例中，模型在 68 分钟内用 Perl 离线重新推导了 Erdős Problem #397（因沙箱无 Python），这是一项独立的重新发现；GPT-5.2 Pro 曾于 2026 年 1 月解决同一问题，而 Laguna 的知识截止日期为 2025 年 11 月。

实际部署可行性

模型尺寸基于全部 1180 亿参数，而非 80 亿活跃参数，因为每个专家都驻留在内存中。4-bit (NVFP4 或 INT4) 量化下权重约需 59 GB，可轻松装入单块 DGX Spark 的 128 GB 统一内存。FP8 下约需 118 GB，仍可装入单块 Spark 或单块 H200。BF16 下约需 236 GB，需要两块 Spark 或一个多 GPU 数据中心节点。

Poolside 与 NVIDIA 合作优化推理，从 TRT-LLM 服务到 Blackwell 上的 NVFP4，直至单块 DGX Spark。模型在发布首日即支持 vLLM、SGLang 和 Ollama。托管访问通过 OpenRouter 提供，256K 上下文免费，完整 1M 上下文收费为每百万输入/输出/缓存读取 token 分别 $0.10 / $0.20 / $0.01。模型还可在 Baseten、Kilo、Prime Intellect Prime Lab 和 ZML 上使用。

关键要点

• Laguna S 2.1 是一款 118B 总参数/8B 活跃参数的 MoE 编码模型，支持 1M token 上下文，以 OpenMDW-1.1 许可证开源。
• 在 Terminal-Bench 2.1 和 SWE-Bench Multilingual 上分别取得 70.2% 和 78.5% 的分数，在公开模型中领先。
• 4-bit 量化后可在单块 NVIDIA DGX Spark 上运行；FP8 适合单块 Spark 或 H200，BF16 需要两块。
• 默认“最大思考”模式驱动了大部分性能提升，但 token 消耗显著（DeepSWE: 16.5% → 40.4%）。
• 在不到九周内于 4096 块 H200 GPU 上完成训练，是 Poolside 在三个月内发布的第三个模型。

来源：Poolside Technical — Introducing Laguna S 2.1，Robert McHardy 在 X 上的发言，Poolside 在 X 及 Hugging Face 模型卡。