Token (in)
Unbekannt
Token (out)
Unbekannt
Latenz
Unbekannt
USD / 1M Input
0,10 $
USD / 1M Output
0,20 $
Throughput
Unbekannt
Laguna S 2.1
Veröffentlichung
Juli 2026
Knowledge Cutoff
Unbekannt
Parameter
118 Mrd.
Modellfamilie
Laguna S 2.1
Open Model License
Laguna S 2.1 Modell-Übersicht
Laguna S 2.1 ist das neue Open-Weight-Modell von Poolside, das auf Agentic Coding und Aufgaben in Agentic Workflows über lange Zeithorizonte ausgelegt ist. Technisch ist es ein Mixture-of-Experts-Modell mit 118 Mrd. Parametern, von denen pro Token nur rund 8 Mrd. aktiv sind. Das hält die Inference günstig und erlaubt Self-Hosting auf einer einzelnen NVIDIA DGX Spark! Mit einem Kontextfenster von gut 1 Mio. Token und einem Preis von $0,10 / $0,20 pro 1 Mio. Input-/Output-Token liegt es preislich deutlich unter proprietären Flaggschiffen wie Claude Sonnet 5 oder GPT-5.6 Terra. In Coding-Benchmarks wie Terminal-Bench 2.1 (70,2 %) und SWE-Bench Pro (59,4 %) hält Poolside laut eigenen Angaben mit teils mehrfach größeren Modellen mit. Anders als reine Cloud-Modelle sind die Gewichte unter der OpenMDW-1.1-Lizenz frei verfügbar, sodass Teams sensiblen Code im eigenen Rechenzentrum halten können.
Features
Tools
Websuche, Bildgenerierung, Computer Use und MCP-Server.
Multimodalität
Das Modell kann Text, Bilder, Audio und PDFs als Input verarbeiten.
Finetuning
Finetuning des Modells ist aktuell nicht möglich.
Details zum Modell
Max. Input
1,05 Mio. Token
Max. Output
131,07k Token
Trainingsdaten
30.000 Mrd.
Parameter
118 Mrd.
Input Preis
0,10 $
Output Preis
0,20 $
Vokabular
100,35k
Dateigröße
219,79 GB
Laguna S 2.1 Benchmark Scores
Im KI-Kontext bezeichnet Performance die Leistungsfähigkeit eines Modells in Bereichen wie Sprachverständnis, Logik oder Programmierung – gemessen anhand standardisierter Benchmarks zur objektiven Vergleichbarkeit.
Technologie & Daten
Laguna S 2.1 ist ein Sparse-Mixture-of-Experts-Modell mit 118 Mrd. Gesamtparametern und rund 8 Mrd. pro Token aktivierten Parametern (256 geroutete Experten, Top-10, plus 1 gemeinsamer Experte). Die 48 Layer kombinieren 12 Global-Attention- mit 36 Sliding-Window-Attention-Schichten (Fenster 512) und nutzen Grouped-Query-Attention mit 8 KV-Heads (Head-Dim 128). Das Modell wurde laut Poolside in unter vier Wochen auf 4.000 H200-GPUs mit rund 30 Billionen Tokens trainiert. Es unterstützt Interleaved Thinking zwischen Tool-Calls mit Kontrolle pro Request sowie einen Thinking- und einen No-Thinking-Modus. Für den Betrieb stehen Quantisierungen (FP8, NVFP4, INT4, GGUF) und ein DFlash-Draft-Modell für Speculative Decoding bereit.
Technische Spezifikationen
| Architektur | Mixture-of-Experts Transformer |
|---|---|
| Input Kontextlänge | 1,05 Mio. |
| Output Kontextlänge | 131,07k |
| Tokenizer | Laguna-Family-Tokenizer |
Besonderheiten
| Self-Hosting auf einem DGX Spark | Kompakt genug, um quantisiert auf einem einzelnen NVIDIA DGX Spark zu laufen. |
|---|---|
| Interleaved Thinking | Reasoning-Schritte zwischen Tool-Calls, mit Kontrolle pro Request und separatem Thinking-/No-Thinking-Modus. |
| Speculative Decoding & Quantisierung | Mitgeliefertes DFlash-Draft-Modell plus FP8-, NVFP4-, INT4- und GGUF-Varianten. |
Vorteile & Nachteile
Vorteile
- Open Weights zum SelbsthostenDie Gewichte von Laguna S 2.1 sind unter der OpenMDW-1.1-Lizenz auf Hugging Face verfügbar und laufen quantisiert auf einer einzelnen NVIDIA DGX Spark. Vollständig lokale Ausführung möglich!
- Sehr günstiger API-PreisMit $0,10 / $0,20 pro 1 Mio. Input-/Output-Token liegt Laguna S 2.1 weit unter proprietären Flaggschiffen. Über OpenRouter gibt es zusätzlich ein kostenloses Tier (mit etwas kleinerem Kontextfenster).
- Starke Coding-Benchmarks trotz kompakter GrößeLaguna S 2.1 erreicht 70,2 % in Terminal-Bench 2.1, 59,4 % in SWE-Bench Pro und 78,5 % auf SWE-Bench Multilingual bei nur ~8 Mrd. aktiven Parametern. Damit liegt das Modell auf Augenhöhe mit teils mehrfach größeren und proprietären Modellen.
- Großes Token-KontextfensterDas Kontextfenster von 1 Mio. Tokens deckt große Codebases und Aufgaben über lange Zeithorizonte in einem Durchgang ab.
- Effiziente MoE-Architektur118B-A8B-MoE mit nur ~8 Mrd. aktiven Parametern pro Token senkt die Inference-Kosten stark.
Nachteile
- Nur Text – keine MultimodalitätLaguna S 2.1 ist ein reines Text-2-Text-Modell. Bild-, Audio- oder Video-Input unterstützt es nicht, für multimodale Aufgaben brauchst du ein anderes Modell.
- Hoher Speicherbedarf ohne QuantisierungDer BF16-Checkpoint umfasst rund 236 GB. Ohne Quantisierung ist der Betrieb nur über Datacenter- oder Multi-GPU-Setups praktikabel.
- Auf Coding spezialisiertDas Modell ist auf Agentic Coding und Software-Engineering zugeschnitten und kein generalisierter Allrounder. Für breite Chat-, Wissens- oder Kreativaufgaben ist es weniger geeignet.
- Kein veröffentlichter Knowledge CutoffPoolside nennt für Laguna S 2.1 kein Datum der letzten Trainingsdaten. Wie aktuell das eingebaute Wissen ist, lässt sich nicht belegen, wäre aber durchaus relevant, da sich das Modell vollständig offline ausführen lässt.
Vergleiche Laguna S 2.1 mit anderen LLMs
Vergleiche Laguna S 2.1 mit anderen Sprachmodellen anhand wichtiger Metriken wie Kontextgröße, Parameteranzahl, Preisen und Benchmark-Leistung.
Provider & APIs
Du kannst Poolside Laguna S 2.1 über die API folgender Anbieter nutzen.