Poolside: Laguna S 2.1

Poolside: Laguna S 2.1 è un modello testuale di Poolside, elencato su api14 con l'id modello poolside/laguna-s-2.1. Poolside lo descrive come il più recente modello agente per il coding della sua linea Laguna. È un modello con 118B parametri totali e 8B parametri attivi, il che significa che l'architettura attiva un sottoinsieme più piccolo di pesi per token invece del conteggio completo dei parametri. La data di rilascio del provider è 2026-07-21.

Il modello funziona con input testuale e produce output testuale, quindi si adatta a carichi di lavoro di generazione di testo e in stile agente, non a immagini, audio o altre modalità. Ha una lunghezza di contesto di 1.048.576 token, sufficientemente ampia da contenere input molto lunghi come interi repository, log lunghi o cronologie di conversazione estese in una singola richiesta. L'output massimo è di 131.072 token, quindi le risposte possono andare ben oltre una risposta breve quando il compito lo richiede. Poolside riporta un punteggio del 70,2% su Terminal-Bench 2.1, un benchmark orientato a compiti da terminale e da agente.

Queste capacità indicano alcuni usi pratici. I flussi di lavoro degli agenti per il coding sono il caso più chiaro, data la posizione del modello e il suo risultato su Terminal-Bench: eseguire compiti multi step, leggere e modificare file e affrontare problemi in stile riga di comando. Il contesto lungo supporta l'analisi a livello di repository, dove uno sviluppatore ha bisogno che il modello ragioni su molti file contemporaneamente, e si adatta anche alla revisione di documenti o log lunghi, dove i dettagli rilevanti sono distribuiti su un input ampio. Poiché il modello supporta strumenti e ragionamento, può essere usato in configurazioni in cui il modello decide quando chiamare una funzione e in cui la traccia di ragionamento è esposta al chiamante.

Lo si chiama tramite l'API compatibile con OpenAI di api14 usando l'id modello poolside/laguna-s-2.1. I parametri di richiesta supportati sono include_reasoning, max_tokens, reasoning, temperature, tool_choice e tools. In pratica questo significa che puoi limitare la lunghezza della risposta con max_tokens, controllare il campionamento con temperature, passare definizioni di strumenti tramite tools e guidare la selezione con tool_choice, e gestire l'output di ragionamento con i parametri reasoning e include_reasoning.

Qui non ci sono informazioni su prezzi, limiti di frequenza o latenza, quindi questi vanno verificati sulla tabella prezzi live e nei tuoi test. Se il tuo compito non è basato su testo, o non coinvolge coding o lavoro in stile agente, un altro modello potrebbe adattarsi meglio. Per compiti testuali brevi e semplici, il contesto e i limiti di output molto ampi potrebbero essere più di quanto ti serve.