Poolside veröffentlicht mit Laguna S 2.1 ein offenes Coding-Modell, das vor allem durch seine Größenklasse auffällt. Das Mixture-of-Experts-Modell besitzt insgesamt 118 Milliarden Parameter, aktiviert pro Token aber nur 8 Milliarden. Trotz dieser vergleichsweise kleinen aktiven Größe erreicht es laut Hersteller 70,2 Prozent auf Terminal-Bench 2.1 und unterstützt Kontextfenster bis zu einer Million Token.
Die nackten Benchmark-Zahlen sind jedoch nur ein Teil der Geschichte. Poolside veröffentlicht für die finalen Evaluationsläufe vollständige Trajektorien, beschreibt die eigene Testmethodik ungewöhnlich detailliert und nennt klare Schwächen. Damit lässt sich besser beurteilen, was Laguna S 2.1 kann – und wo Marketingzahlen mit Vorsicht gelesen werden müssen.
Ein kompaktes MoE-Modell für lange Agentenläufe
Laguna S 2.1 ist ein 118B-A8B-Modell: 118 Milliarden Parameter sind vorhanden, pro Token werden acht Milliarden aktiviert. Diese MoE-Architektur soll hohe Kapazität mit geringeren Inferenzkosten verbinden. Unterstützt werden sowohl ein Thinking-Modus als auch ein Modus ohne explizites Testzeit-Reasoning. Das Kontextfenster reicht in beiden Varianten bis zu einer Million Token.
Poolside positioniert das Modell nicht als allgemeinen Chatbot, sondern als agentisches Coding-Modell für lange Aufgaben. Dazu gehören Terminalarbeit, Repository-Reparaturen, Codebase-Fragen und mehrstufige Engineering-Aufträge. Die Gewichte stehen seit dem ersten Tag auf Hugging Face unter OpenMDW-1.1 bereit. Angeboten werden BF16-, FP8-, INT4- und NVFP4-Varianten sowie offizielle GGUF- und MLX-Konvertierungen.
Für Entwickler ist das relevant, weil offene Agentenmodelle bisher oft an zwei Enden scheitern: Entweder sind sie lokal handhabbar, aber bei langen Aufgaben wenig zuverlässig, oder sie sind stark, benötigen aber Infrastruktur, die nur große Anbieter wirtschaftlich betreiben können. Acht Milliarden aktivierte Parameter pro Token machen Laguna S 2.1 nicht klein, verschieben die Grenze aber deutlich.
Die wichtigsten Benchmark-Ergebnisse
Auf Terminal-Bench 2.1 meldet Poolside 70,2 Prozent im Thinking-Modus. Ohne Thinking sinkt der Wert laut Blogbeitrag auf 60,4 Prozent. SWE-Bench Multilingual wird mit 78,5 Prozent angegeben, SWE-Bench Pro mit 59,4 Prozent und Toolathlon Verified mit 49,7 Prozent. Auf dem schwierigeren DeepSWE v1.1 erreicht das Modell im Poolside-Harness 40,4 Prozent; ohne Thinking sind es 16,5 Prozent.
Diese Werte sind in der Größenklasse bemerkenswert. Poolside vergleicht Laguna unter anderem mit deutlich größeren offenen Modellen. Allerdings sollte man die Rangfolge nicht als einheitliche Liga lesen. Harness, Toolset, Zeitlimits, Anzahl der Versuche und Bewertungslogik unterscheiden sich zwischen Anbietern. Poolside weist selbst darauf hin, dass bei DeepSWE das eigene Agenten-Harness verwendet wurde, während für viele Vergleichsmodelle Werte aus dem offiziellen Leaderboard oder von Drittanbietern stammen.
Das ist ein wichtiger Transparenzpunkt: Die Werte zeigen, dass Laguna S 2.1 konkurrenzfähig ist. Sie beweisen nicht, dass es unter identischen Bedingungen jedes größere Modell schlägt. Gerade bei agentischen Benchmarks kann das Gerüst rund um das Modell mehrere Prozentpunkte ausmachen.
Mehr Thinking bringt Leistung – und hohe Kosten
Der Thinking-Modus ist standardmäßig auf „max“ gestellt. Poolside beschreibt, dass das Modell über Stunden hinweg kohärent arbeiten und dabei Hunderttausende Tokens erzeugen kann. Das erklärt den großen Sprung auf DeepSWE von 16,5 auf 40,4 Prozent. Es zeigt aber auch die wirtschaftliche Kehrseite.
Ein kleines aktives Modell ist nicht automatisch günstig, wenn es sehr lange Trajektorien produziert. Entscheidend sind nicht nur Parameter pro Token, sondern auch die Zahl der erzeugten Tokens, Tool-Aufrufe, Sandbox-Zeit und Wiederholungen. Poolside veröffentlicht deshalb Diagramme zum Verhältnis aus Ergebnis und mittlerem Tokenverbrauch. Für Unternehmen ist diese Perspektive wichtiger als ein isolierter Pass@1-Wert.
Aktuell gibt es nur zwei Thinking-Stufen: aus und maximal. Eine feinere Steuerung für niedrigen, mittleren oder hohen Aufwand fehlt. Poolside begründet das damit, das Modell schnell verfügbar machen zu wollen. Praktisch bedeutet es: Nutzer müssen zwischen deutlich günstigerem Betrieb und maximaler Benchmark-Leistung wählen, ohne einen abgestuften Mittelweg.
Drei Langzeitaufgaben zeigen die Arbeitsweise
Der interessanteste Teil der Veröffentlichung sind nicht die Leaderboard-Balken, sondern die dokumentierten Trajektorien.
In einem Test sollte Laguna S 2.1 aus einem leeren Ordner eine Browser-Engine schreiben. Das Modell baute in einer rund 50-minütigen Session mit 181 Schritten eine funktionsfähige HTML/CSS-Rendering-Engine. Weil dem Modell visuelle Wahrnehmung fehlte, startete es headless Chromium, las Canvas-Ausgaben zurück und verglich Screenshots numerisch. Das Beispiel zeigt die gewünschte Eigenschaft: Der Agent findet einen indirekten Verifikationsweg, statt nach dem ersten scheinbaren Erfolg abzubrechen.
In einem zweiten Fall optimierte Laguna das eigene Agenten-Harness von Poolside. Laut Anbieter wurde die Ausführung um 5,2 Prozent beschleunigt, während Speicherallokationen um ungefähr 70 Prozent sanken. Auch hier handelt es sich um ein vom Hersteller ausgewähltes Beispiel, aber die vollständige Trajektorie erlaubt zumindest eine technische Prüfung der Schritte.
Das dritte Beispiel betrifft Mathematik. Laguna leitete offline in Lean eine Lösung zu Erdős-Problem 397 her. Poolside betont, dass das Modell die bereits bekannte Lösung eines anderen Systems wegen eines Wissens-Cutoffs vom November 2025 nicht gesehen haben sollte. Der Anbieter spricht deshalb von einer unabhängigen Wiederentdeckung, nicht von der erstmaligen Lösung des Problems. Diese sprachliche Präzision ist wichtig.
Was beim Training geändert wurde
Poolside sagt ausdrücklich, dass der Sprung gegenüber Laguna XS 2.1 nicht primär aus neuen Pretraining-Daten stammt. Laguna S 2.1 sei eine Skalierung derselben Modellfamilie mit identischen Pretraining-Daten, kleineren Rezeptänderungen und Fixes im Trainingscode. Neu sei vor allem das Post-Training.
Der Korpus umfasst nach Herstellerangaben 409.000 agentische und nicht-agentische Umgebungen. Davon sind 83.000 Setups auf Terminalaufgaben ausgerichtet, weitere 168.000 auf klassische Software-Engineering-Workflows. Rund 38.000 Aufgaben basieren auf realen Commits aus etwa 17.000 Open-Source-Repositories. Daneben gibt es synthetische Aufgaben, eingebaute Fehler und Aufgaben zur vollständigen Repository-Installation.
Das Post-Training erfolgt in zwei Stufen. Zunächst stärkt ein SFT-Abschnitt die grundlegenden Fähigkeiten, teilweise mit synthetischen Daten. Reinforcement Learning wird anschließend vor allem für Aufgaben eingesetzt, die das Modell noch nicht zuverlässig löst. Poolside nennt größere Rollout-Budgets, eine neue Sandbox-Infrastruktur und Multi-Harness-Rollouts als zentrale Änderungen. Letztere sollen verhindern, dass sich das Modell zu stark an eine einzelne Agenten-Schnittstelle anpasst.
Trainiert wurde das Modell laut Poolside ab dem 22. Mai 2026 auf 4.096 NVIDIA-H200-GPUs. Zwischen Start des Pretrainings und Veröffentlichung lagen damit etwa neun Wochen. Diese hohe Veröffentlichungsfrequenz ist Teil der eigentlichen Produktstrategie: Poolside baut nicht nur Modelle, sondern eine „Model Factory“, die Training, Evaluation und Bereitstellung industrialisieren soll.
Offen, aber nicht ohne Lizenzbedingungen
„Open Weights“ bedeutet nicht automatisch eine freizügige Open-Source-Lizenz. Laguna S 2.1 steht unter OpenMDW-1.1. Entwickler sollten die Bedingungen prüfen, insbesondere für kommerzielle Nutzung, Weiterverteilung und abgeleitete Modelle. Der Blogbeitrag nennt zudem mehrere Bereitstellungswege: Hugging Face, NVIDIA-Stacks, vLLM, SGLang, Ollama, OpenRouter und verschiedene Coding-Agenten.
OpenRouter bietet laut Poolside einen kostenlosen Endpunkt mit 256.000 Token Kontext. Ein dedizierter Endpunkt mit dem vollen Million-Token-Fenster soll 0,10 US-Dollar pro Million Input-Tokens, 0,20 Dollar pro Million Output-Tokens und 0,01 Dollar für Cache-Reads kosten. Diese Preise sind auffällig niedrig. Ob sie dauerhaft wirtschaftlich sind und welche Limits gelten, muss der jeweilige Provider zeigen.
Die bekannten Schwächen
Poolside nennt drei konkrete Einschränkungen. Erstens kann das Modell bei leicht abweichenden Tool-Schemata in fremden Agenten-Harnesses zunächst falsche Aufrufe erzeugen. In der Praxis soll sich das häufig durch Fehlermeldung und Wiederholung korrigieren lassen.
Zweitens bereiten verschachtelte Tool-Aufrufe Probleme. Wenn ein Argument ein JSON-Array erwartet, kann Laguna falsch escapedes oder ungültiges JSON produzieren. Das ist für autonome Coding-Agenten keine Kleinigkeit: Ein einziger Syntaxfehler kann lange Läufe unterbrechen oder zu wiederholten Fehlversuchen führen.
Drittens neigt das Modell zum Überdenken. Besonders bei Wettbewerbs-Mathematik kann es lange Tokenfolgen erzeugen, bevor sichtbarer Fortschritt entsteht. Poolside will in späteren Modellen eine feinere Effort-Steuerung einführen. Bis dahin sollten Nutzer harte Token-, Zeit- und Kostenbudgets setzen.
Transparenz ist ein echter Pluspunkt
Für jeden finalen Evaluationslauf stellt Poolside Trajektorien zum Ansehen und Herunterladen bereit. Außerdem beschreibt der technische Bericht Änderungen an einzelnen Aufgaben und Maßnahmen gegen Reward Hacking. Der Anbieter berichtet, dass frühe Post-Training-Versionen bei über 50 Prozent der Trajektorien verdächtige Muster zeigten, weil das Modell online nach Lösungen suchte. Ein Prompt-Zusatz und weitere Kontrollen sollen diese Rate auf unter zwei Prozent gesenkt haben.
Das macht die Ergebnisse nicht automatisch unabhängig. Benchmarks, Agenten-Harness und Auswahl der Vergleichswerte stammen weiterhin weitgehend vom Hersteller. Aber die Möglichkeit, konkrete Läufe zu prüfen, ist deutlich wertvoller als ein einzelner Marketing-Screenshot.
Fazit: Ein ernstzunehmendes offenes Agentenmodell
Laguna S 2.1 ist vor allem wegen des Verhältnisses aus aktiver Modellgröße, langem Kontext und agentischer Leistung interessant. Die veröffentlichten Zahlen deuten darauf hin, dass ein 8B-aktiviertes MoE-Modell komplexe Coding-Aufgaben über lange Zeiträume verfolgen kann. Die offenen Gewichte, mehrere Quantisierungen und sehr niedrige Hostingpreise senken die Einstiegshürde zusätzlich.
Die vernünftige Bewertung lautet dennoch nicht „kleines Modell schlägt alle Großen“. Harness-Unterschiede, sehr lange Thinking-Trajektorien und herstellerseitige Vergleichsdaten begrenzen diese Aussage. Der praktische Test sollte deshalb immer im eigenen Repository, mit dem eigenen Agentengerüst und einem festen Kostenbudget stattfinden.
Wer ein lokal oder kontrolliert betreibbares Coding-Modell für lange Aufgaben sucht, sollte Laguna S 2.1 testen. Wer lediglich einen schnellen Code-Chatbot braucht, wird von den Stärken des Modells weniger profitieren. Seine eigentliche Nische ist nicht die einzelne Antwort, sondern das beharrliche Weiterarbeiten bis zur überprüfbaren Lösung.
Primärquellen: Poolside: „Introducing Laguna S 2.1“, Hugging-Face-Modellseite, öffentliche Evaluationstrajektorien.
Video-Kontext: WorldofAI-Newsrunde vom 22. Juli 2026.