Das Pre‑Training begann am 22. Mai auf 4.096 H200s. Das Modell wurde am 21. Juli veröffentlicht. Das sind weniger als neun Wochen von Null zu einem Coding‑Modell, das Qwen 3.7 Max bei SWE‑Bench Multilingual übertrifft.
Laguna S 2.1 ist ein Open-Weight-MoE-Modell, das für langfristiges agentisches Coding gebaut wurde — 118 Mrd. Gesamt‑Parameter, 8 Mrd. aktiv pro Token, 1 M Kontext. Kein Chat‑Assistent. Es ist das, was man einem leeren Ordner und 50 Minuten übergibt, und es führt 181 Schritte aus, um eine HTML/CSS-Rendering-Engine zu bauen. Der Denk‑Modus ist standardmäßig aktiviert und amortisiert sich selbst: Terminal‑Bench 2.1 springt von 60,4 % auf 70,2 %. SWE‑Bench Multilingual erreicht 78,5 %, SWE‑Bench Pro 59,4 %.
Wie man es ausführt
Gewichte sind auf Hugging Face unter OpenMDW-1.1 in BF16, FP8, INT4 und NVFP4 verfügbar, plus offizielle GGUF‑ und MLX‑Builds. OpenRouter stellt es zu $0,10 ein‑ und $0,20 aus pro Million Tokens bereit, mit einem kostenlosen 256 K‑Endpoint und kostenpflichtigem 1 M‑Kontext. Baseten, Vercel AI‑Gateway, vLLM und Ollama hosten es alle. Cline, OpenCode und Hermes‑Agent liefern es bereits als Backend. chat.poolside.ai erfordert keinen Login.
Warum es wichtig ist
8 B aktive Parameter bedeuten, dass es auf einen einzigen DGX Spark passt — ein frontier‑ähnlicher agentischer Coder, den man über Nacht laufen lassen kann, ohne einen Zähler zu beobachten. Das ist das gesamte Argument. Poolside hat drei Jahre und etwa $600 Mio. investiert, um hierher zu kommen, und HN bewertete es mit 259 Punkte an einem Tag. Die Botschaft ist klar: die westliche Antwort auf DeepSeek und Qwen, mit offenen Gewichten und wenigen Cent pro Million Tokens.