Poolside ha rilasciato Laguna S 2.1, un modello open-weight progettato per affrontare attività di sviluppo software complesse e prolungate mantenendo requisiti computazionali sensibilmente inferiori rispetto ai sistemi con cui compete. Il modello utilizza un’architettura Mixture-of-Experts da 118 miliardi di parametri complessivi, ma ne attiva circa 8 miliardi per ogni token elaborato. Questa configurazione consente di combinare una capacità complessiva elevata con costi di inferenza più vicini a quelli di un modello di dimensioni intermedie.
Laguna S 2.1 è stato sviluppato soprattutto per il coding agentico, quindi per sistemi che non si limitano a generare singoli frammenti di codice, ma devono esplorare repository, utilizzare terminali e strumenti esterni, modificare più file, eseguire test e correggere autonomamente gli errori incontrati durante il lavoro. In questi scenari, la qualità del modello dipende dalla capacità di mantenere un obiettivo operativo attraverso numerosi passaggi, interpretare il risultato delle proprie azioni e cambiare strategia quando il primo tentativo non produce una soluzione valida.
Il modello supporta una finestra contestuale fino a un milione di token, disponibile sia nella modalità di ragionamento sia in quella senza ragionamento esplicito. Una capacità contestuale di queste dimensioni permette di elaborare repository estesi, documentazione tecnica, cronologie operative e risultati generati dagli strumenti senza dover comprimere continuamente le informazioni o suddividerle in sessioni indipendenti. Il vantaggio diventa particolarmente rilevante nelle attività che richiedono di collegare dipendenze distribuite tra numerosi file o di seguire l’evoluzione di un problema lungo sequenze operative molto estese.
L’architettura comprende 256 esperti instradati e un esperto condiviso, con un sistema di routing che seleziona soltanto una parte della rete per ciascun token. Poolside ha inoltre adottato una combinazione di attenzione completa e sliding-window attention, insieme alla grouped-query attention, per contenere il consumo di memoria associato alle sequenze molto lunghe. In questo modo il modello conserva una capacità parametrica elevata senza dover utilizzare l’intera rete durante ogni passaggio di inferenza, riducendo il divario tra la dimensione nominale del sistema e le risorse effettivamente richieste per eseguirlo.
I risultati pubblicati mostrano un punteggio del 70,2% su Terminal-Bench 2.1, benchmark dedicato ad attività realistiche svolte attraverso un ambiente terminale, del 59,4% su SWE-Bench Pro e del 40,4% su DeepSWE. In particolare, il risultato su DeepSWE colloca Laguna S 2.1 davanti a diversi modelli di coding con un numero di parametri attivi molto superiore, mentre le prestazioni nei test terminali indicano una maggiore capacità di portare a termine sequenze di lavoro che richiedono pianificazione, utilizzo degli strumenti e correzione iterativa. I confronti devono comunque essere letti considerando le diverse configurazioni di inferenza, i budget di calcolo e gli agent framework utilizzati durante le valutazioni.
La caratteristica più significativa non è quindi soltanto il rapporto tra dimensioni e punteggi, ma la persistenza operativa mostrata nelle attività di lunga durata. Molti modelli riescono a produrre una risposta convincente davanti a un problema circoscritto, ma perdono coerenza quando devono coordinare decine o centinaia di azioni, interpretare messaggi di errore e mantenere aggiornato lo stato del progetto. Laguna S 2.1 è stato addestrato per continuare a lavorare sul problema, verificare i risultati e recuperare dagli errori senza interrompere prematuramente il processo.
Poolside dichiara di aver completato il percorso dall’avvio dell’addestramento al rilascio in meno di nove settimane. Il modello è stato addestrato internamente su circa 30.000 miliardi di token utilizzando la Model Factory proprietaria dell’azienda, una piattaforma che integra gestione dei dati, addestramento, valutazione, post-training e inferenza. Questo approccio industrializzato consente di modificare rapidamente l’architettura e i dati di addestramento, confrontare nuove versioni e trasferire i risultati delle valutazioni direttamente nei cicli successivi di sviluppo.
La distribuzione open-weight permette alle organizzazioni di scaricare i pesi, eseguire il modello sulla propria infrastruttura e integrarlo in agenti di sviluppo interni senza inviare necessariamente codice sorgente e dati aziendali a un servizio esterno. Questa possibilità è particolarmente importante per imprese che gestiscono proprietà intellettuale, sistemi critici o repository soggetti a vincoli di riservatezza e conformità. Laguna S 2.1 viene pubblicato con licenza OpenMDW 1.1, che consente l’utilizzo gratuito dei pesi secondo condizioni più permissive rispetto ai modelli accessibili esclusivamente tramite API proprietarie.
L’esecuzione locale resta comunque legata alla disponibilità di hardware adeguato. Il checkpoint nella precisione BF16 occupa oltre 200 gigabyte e richiede normalmente un sistema multi-GPU, ma Poolside ha distribuito anche versioni FP8, INT4, NVFP4 e GGUF che riducono memoria e requisiti computazionali. La variante compressa è stata progettata per funzionare anche su una singola NVIDIA DGX Spark, mentre le versioni GGUF possono essere integrate con strumenti locali come llama.cpp, Ollama, LM Studio e Docker Model Runner. La possibilità di scegliere differenti livelli di quantizzazione permette di adattare il modello a server enterprise, workstation avanzate o infrastrutture dedicate all’inferenza privata.
Laguna S 2.1 si colloca tra Laguna XS 2.1, modello da 33 miliardi di parametri complessivi e 3 miliardi attivi pensato per l’esecuzione su macchine locali più accessibili, e Laguna M.1, sistema da 225 miliardi di parametri con circa 23 miliardi attivi. Poolside costruisce così una famiglia di modelli che consente di selezionare differenti compromessi tra capacità, velocità, memoria disponibile e costo operativo, mantenendo la stessa impostazione orientata agli agenti software e alle attività di lunga durata.
Il rilascio conferma una tendenza crescente nello sviluppo dei modelli per la programmazione: l’efficienza non viene più misurata soltanto attraverso il numero totale di parametri, ma considerando quanti parametri vengono effettivamente attivati, quanta memoria serve per il contesto e quanto lavoro utile il sistema riesce a completare per unità di calcolo. Un modello più piccolo sul piano operativo, ma capace di utilizzare meglio gli strumenti e sostenere processi lunghi, può risultare più conveniente di un sistema generalista molto più grande.
Per le imprese, il valore di questa impostazione riguarda soprattutto la possibilità di costruire agenti di sviluppo controllabili e distribuibili internamente. Un modello open-weight efficiente può essere specializzato sui repository aziendali, collegato agli strumenti di test e deployment e utilizzato all’interno di ambienti isolati. Laguna S 2.1 propone quindi un equilibrio tra prestazioni di fascia alta, controllo dell’infrastruttura e sostenibilità dell’inferenza, spostando la competizione nel coding AI dalla semplice generazione di codice alla capacità di completare autonomamente interi processi di ingegneria software.