Poolside: Laguna S 2.1

Poolside: Laguna S 2.1 to model tekstowy od Poolside, wymieniony na api14 pod identyfikatorem modelu poolside/laguna-s-2.1. Poolside opisuje go jako najnowszy model agenta kodującego w swojej linii Laguna. Jest to model o łącznej liczbie 118B parametrów z 8B aktywnych parametrów, co oznacza, że architektura aktywuje mniejszy podzbiór wag na token, a nie pełną liczbę parametrów. Data wydania przez dostawcę to 2026-07-21.

Model działa z wejściem tekstowym i produkuje wyjście tekstowe, więc pasuje do generowania tekstu i zadań w stylu agentowym, a nie do obrazu, dźwięku czy innych modalności. Ma długość kontekstu 1,048,576 tokenów, co jest wystarczająco duże, aby pomieścić bardzo długie dane wejściowe, takie jak całe repozytoria, długie logi lub rozszerzone historie rozmów w jednym żądaniu. Maksymalne wyjście to 131,072 tokenów, więc odpowiedzi mogą znacznie wykraczać poza krótką odpowiedź, gdy zadanie tego wymaga. Poolside podaje wynik 70.2% na Terminal-Bench 2.1, benchmarku zorientowanym na zadania terminalowe i agentowe.

Te możliwości wskazują na kilka praktycznych zastosowań. Przepływy pracy agenta kodującego są najlepszym dopasowaniem, biorąc pod uwagę pozycjonowanie modelu i jego wynik w Terminal-Bench: wykonywanie wieloetapowych zadań, czytanie i edytowanie plików oraz rozwiązywanie problemów w stylu wiersza poleceń. Długi kontekst wspiera analizę na poziomie repozytorium, gdzie programista potrzebuje, aby model rozumował nad wieloma plikami jednocześnie, i pasuje również do przeglądu długich dokumentów lub logów, gdzie istotne szczegóły są rozproszone w dużym wejściu. Ponieważ model obsługuje narzędzia i rozumowanie, można go używać w konfiguracjach, w których model decyduje, kiedy wywołać funkcję, a ślad rozumowania jest ujawniany wywołującemu.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu poolside/laguna-s-2.1. Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, temperature, tool_choice i tools. W praktyce oznacza to, że możesz ograniczyć długość odpowiedzi za pomocą max_tokens, kontrolować próbkowanie za pomocą temperature, przekazywać definicje narzędzi przez tools i sterować wyborem za pomocą tool_choice oraz zarządzać wyjściem rozumowania za pomocą parametrów reasoning i include_reasoning.

Nie ma tu informacji o cenach, limitach szybkości ani opóźnieniach, więc trzeba je sprawdzić w aktualnej tabeli cen i we własnych testach. Jeśli Twoje zadanie nie jest oparte na tekście lub nie obejmuje pracy kodującej albo w stylu agentowym, inny model może pasować lepiej. W przypadku prostych krótkich zadań tekstowych bardzo duży kontekst i limity wyjścia mogą być większe niż potrzebujesz.