Poolside: Laguna S 2.1

Poolside: Laguna S 2.1 adalah model teks dari Poolside, terdaftar di api14 dengan model id poolside/laguna-s-2.1. Poolside mendeskripsikannya sebagai model agen coding terbaru dalam lini Laguna-nya. Ini adalah model dengan total 118B parameter dengan 8B parameter aktif, yang berarti arsitekturnya mengaktifkan subset bobot yang lebih kecil per token alih-alih jumlah parameter penuh. Tanggal rilis penyedia adalah 2026-07-21.

Model ini bekerja dengan input teks dan menghasilkan output teks, sehingga cocok untuk beban kerja generasi teks dan gaya agen, bukan gambar, audio, atau modalitas lain. Panjang konteksnya 1.048.576 token, cukup besar untuk menampung input yang sangat panjang seperti seluruh repositori, log panjang, atau riwayat percakapan yang diperpanjang dalam satu permintaan. Output maksimumnya 131.072 token, sehingga respons dapat jauh melampaui jawaban singkat ketika tugas menuntutnya. Poolside melaporkan skor 70,2% pada Terminal-Bench 2.1, sebuah benchmark yang berorientasi pada tugas terminal dan agen.

Kemampuan tersebut mengarah pada beberapa penggunaan praktis. Alur kerja agen coding adalah yang paling jelas cocok, mengingat posisi model dan hasil Terminal-Bench-nya: menjalankan tugas multi langkah, membaca dan mengedit file, serta menyelesaikan masalah bergaya baris perintah. Konteks panjangnya mendukung analisis tingkat repositori, di mana pengembang perlu model untuk bernalar atas banyak file sekaligus, dan juga cocok untuk tinjauan dokumen atau log panjang di mana detail relevan tersebar di input yang besar. Karena model ini mendukung tools dan reasoning, model ini dapat digunakan dalam pengaturan di mana model memutuskan kapan harus memanggil fungsi dan di mana jejak reasoning diekspos ke pemanggil.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id poolside/laguna-s-2.1. Parameter permintaan yang didukung adalah include_reasoning, max_tokens, reasoning, temperature, tool_choice dan tools. Dalam praktiknya, itu berarti Anda dapat membatasi panjang respons dengan max_tokens, mengontrol sampling dengan temperature, meneruskan definisi tool melalui tools dan mengarahkan pemilihan dengan tool_choice, serta mengelola output reasoning dengan parameter reasoning dan include_reasoning.

Tidak ada informasi di sini tentang harga, batas laju, atau latensi, jadi hal tersebut perlu diperiksa pada tabel harga langsung dan dalam pengujian Anda sendiri. Jika tugas Anda tidak berbasis teks, atau tidak melibatkan coding atau pekerjaan bergaya agen, model lain mungkin lebih cocok. Untuk tugas teks pendek yang sederhana, batas konteks dan output yang sangat besar mungkin lebih dari yang Anda butuhkan.