Poolside: Laguna S 2.1 (free)

Poolside Laguna S 2.1 est un modèle linguistique à mélange d’experts conçu pour la programmation agentique et le travail sur la durée. Il compte 118 milliards de paramètres au total, dont environ 8 milliards actifs par token, ce qui le situe entre le plus petit Laguna XS 2.1 et le plus grand Laguna M.1 dans la série du fabricant. Le modèle traite du texte et produit du texte, du code, du raisonnement et des demandes d’appels d’outils dans une application connectée à des outils.

Son architecture combine l’attention globale et l’attention à fenêtre glissante sur 48 couches : 12 couches globales et 36 couches à fenêtre glissante. La fenêtre glissante de 512 tokens décrit l’attention locale dans ces couches, tandis que le contexte documenté du modèle est de 1 048 576 tokens. Ce sont des mesures différentes. Le contexte plus grand prend en charge les tâches qui accumulent des fichiers sources, des observations et des décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments significatifs, et réservez de la place pour le raisonnement ultérieur et la réponse finale dans la configuration applicable.

Le modèle vise principalement le travail logiciel nécessitant persévérance, vérification et révision. Pour une tâche sur un dépôt, fournissez le comportement attendu, les fichiers pertinents sous forme de texte, les informations de dépendances et la sortie réelle en échec. Demandez un résultat ciblé : « Remonte à la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient un correctif d’un changement sans rapport. » Dans un workflow connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.

Pour un travail d’optimisation, fournissez des mesures et un objectif explicite. Par exemple : « Utilise ce profil et ce rapport d’allocation pour identifier un goulet d’étranglement. Propose une modification, explique l’effet attendu et compare-le à la référence après répétition de la même mesure. » Une affirmation de performance devient ainsi vérifiable. La publication de Poolside présente la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne suffit pas à établir qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de retenir ou de rejeter la modification.

Laguna S 2.1 prend en charge la réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de préserver le contenu de raisonnement des messages antérieurs de l’assistant dans l’historique suivant ; supprimer ces blocs peut interrompre le raisonnement lors des étapes ultérieures. Gardez ensemble la réponse de l’assistant, les informations d’appel d’outil et le résultat correspondant. Une tâche longue peut ainsi continuer depuis son état réel plutôt que de reconstituer sans cesse ce qui a déjà été tenté.

Les choix documentés de réflexion sont off et max, avec max activé par défaut dans la configuration décrite par le fabricant. Le modèle détermine son budget de réflexion dans ce mode ; la publication ne présente pas de réglages d’effort distincts low, medium et high. Pour la programmation agentique, Poolside recommande d’activer la réflexion et de la conserver entre les étapes. Précisez explicitement le livrable final et les critères d’achèvement, et distinguez une longue séquence de raisonnement d’un résultat terminé. Le fabricant identifie l’excès de réflexion, en particulier en mathématiques de compétition, comme une limite importante.

Les définitions d’outils demandent une attention particulière. Poolside rapporte que S 2.1 peut initialement s’appuyer sur une interface d’outil familière au lieu de suivre précisément un schéma similaire mais différent. Il peut aussi produire du JSON mal formé ou incorrectement échappé lorsqu’un argument d’outil contient un tableau imbriqué. Fournissez les définitions réelles des arguments, validez les appels proposés et renvoyez une erreur précise lorsqu’un appel ne correspond pas. Le fabricant décrit la correction par retour en contexte comme un moyen de résoudre certaines de ces incompatibilités. Gardez l’observation résultante de l’outil disponible pour la décision suivante.

Le fabricant publie des variantes BF16 et quantifiées séparées ainsi qu’un modèle d’ébauche DFlash facultatif. Ce sont des artefacts et des recettes de service distincts ; l’utilisation de mémoire d’un point de contrôle quantifié ou les performances du décodage spéculatif ne doivent donc pas être déduites du nom général du modèle. Pour le travail textuel ordinaire, préparez le code source, les sorties de commandes et les extraits de documents sous forme de texte lisible. La publication indique que le modèle n’a pas de capacité de vision ; une capture d’écran nécessite une observation textuelle ou une étape d’inspection externe appropriée avant de pouvoir étayer l’analyse.

Demandez un livrable final qui identifie l’artefact modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats aux sources pertinentes et montrez pourquoi chaque problème affecte le comportement. Pour une réparation, distinguez le correctif proposé d’un correctif dont le comportement a réellement été vérifié. La conservation du raisonnement et de l’historique des outils aide le modèle à mener la tâche, tandis que le livrable final et les résultats consignés établissent ce qui a été accompli.