aiexpert
Início / Notícias / Nota
Research · 24 de jul. de 2026, 02:05 · 4 fontes

Poolside lança Laguna S 2.1, modelo open-weight de 118B parâmetros equiparando competidores fechados

Poolside lançou Laguna S 2.1, um modelo Mixture-of-Experts open-weight de 118 bilhões de parâmetros para programação agentica, em 21 de julho de 2026. O modelo ativa apenas 8 bilhões de parâmetros por token, suporta janela de contexto de 1 milhão de tokens e está disponível no Hugging Face sob licença OpenMDW-1.1. Pesos estão disponíveis em múltiplos formatos e o modelo roda em um único NVIDIA DGX Spark.

No Terminal-Bench 2.1 (tarefas agenticas de terminal), Laguna S 2.1 marcou 70,2% com modo thinking habilitado—superando DeepSeek V4 Pro Max (1.6T total, 49B ativo) em 64,0%. No DeepSWE (tarefas multi-arquivo mais difíceis), Laguna S 2.1 marcou 40,4% enquanto DeepSeek V4 Pro Max marcou apenas 9,0%—uma lacuna de 31,4 pontos sugerindo que o ênfase de Poolside em verificação e persistência supera tamanho bruto do modelo.

Laguna S 2.1 é o primeiro modelo open-weight ocidental em sua classe de tamanho lançado em 11 meses. Poolside treinou o modelo em menos de 9 semanas em 4.096 H200s. Precificação é $0,10/$0,20 por milhão de tokens de entrada/saída no OpenRouter, ou gratuito localmente se você tiver hardware.

Para desenvolvedores: Laguna S 2.1 demonstra que treinamento eficiente em parâmetros (8B ativo, treinado em <9 semanas) pode superar modelos densos e MoE maiores em benchmarks agenticos reais. O teste agora é se os scores Terminal-Bench se traduzem em desempenho de produção em bases de código não-curadas.

Fontes

Tudo que sustenta esta nota
  1. 01 Primary source latent.space
  2. 02 latent.space latent.space “Laguna S 2.1: 118B total, 8B active, 70.2% Terminal-Bench with thinking, beats DeepSeek V4 Pro Max; $0.10/$0.20 per M tokens on OpenRouter”
  3. 03 thenextweb.com thenextweb.com “Trained under 9 weeks on 4,096 H200s; first Western 118B-class model in 11 months; open weights under OpenMDW-1.1”
  4. 04 benchlm.ai benchlm.ai “Terminal-Bench: Laguna S 2.1 70.2% vs DeepSeek V4 Pro Max 64.0%; SWE-Bench Pro: 59.4% vs 55.4%; DeepSWE: 40.4% vs 9.0%”