Poolside: Laguna S 2.1

Poolside: Laguna S 2.1 is een tekstmodel van Poolside, vermeld op api14 onder het model-id poolside/laguna-s-2.1. Poolside beschrijft het als het nieuwste coding agent-model in zijn Laguna-lijn. Het is een model met 118B totale parameters en 8B actieve parameters, wat betekent dat de architectuur per token een kleinere subset van gewichten activeert in plaats van het volledige aantal parameters. De releasedatum van de provider is 2026-07-21.

Het model werkt met tekstinvoer en produceert tekstuitvoer, dus het past bij tekstgeneratie en agent-achtige workloads, niet bij beeld, audio of andere modaliteiten. Het heeft een contextlengte van 1.048.576 tokens, wat groot genoeg is om zeer lange invoer zoals volledige repositories, lange logs of uitgebreide gespreksgeschiedenissen in één verzoek te bevatten. De maximale uitvoer is 131.072 tokens, dus antwoorden kunnen veel verder gaan dan een kort antwoord wanneer de taak dat vereist. Poolside rapporteert een score van 70,2% op Terminal-Bench 2.1, een benchmark die is gericht op terminal- en agenttaken.

Die mogelijkheden wijzen op een paar praktische toepassingen. Coding agent-workflows zijn de duidelijkste match, gezien de positionering van het model en het Terminal-Bench-resultaat: het uitvoeren van meerdere stappen, het lezen en bewerken van bestanden en het doorwerken van problemen in command line-stijl. De lange context ondersteunt analyse op repositoryniveau, waarbij een ontwikkelaar wil dat het model over veel bestanden tegelijk redeneert, en het is ook geschikt voor het beoordelen van lange documenten of logs waarbij de relevante details over een grote invoer zijn verspreid. Omdat het model tools en reasoning ondersteunt, kan het worden gebruikt in opstellingen waarin het model beslist wanneer het een functie aanroept en waarin de reasoning-trace wordt blootgesteld aan de aanroeper.

Je roept het aan via de OpenAI-compatibele API van api14 met het model-id poolside/laguna-s-2.1. De ondersteunde verzoekparameters zijn include_reasoning, max_tokens, reasoning, temperature, tool_choice en tools. In de praktijk betekent dat je de antwoordlengte kunt beperken met max_tokens, de sampling kunt regelen met temperature, tooldefinities kunt doorgeven via tools en de selectie kunt sturen met tool_choice, en de reasoning-uitvoer kunt beheren met de parameters reasoning en include_reasoning.

Er is hier geen informatie over prijzen, snelheidslimieten of latentie, dus die moeten worden gecontroleerd in de live prijstabel en in je eigen tests. Als je taak niet op tekst is gebaseerd, of geen coding- of agent-achtig werk omvat, past een ander model mogelijk beter. Voor eenvoudige korte teksttaken zijn de zeer grote context- en uitvoerlimieten wellicht meer dan je nodig hebt.