Poolside: Laguna S 2.1 (free)

Poolside Laguna S 2.1 est un modèle de langage à mélange d’experts conçu pour la programmation agentique et les tâches de longue haleine. Il compte 118 milliards de paramètres au total et environ 8 milliards actifs par token, ce qui le place 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 une attention globale et une 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 au sein de 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 source, des observations et des décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments probants significatifs, puis réservez de l’espace au raisonnement ultérieur et à la réponse finale dans la configuration applicable.

Le modèle vise principalement les travaux logiciels qui exigent de la persévérance, des vérifications et des révisions. 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 : « Retrace la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient une correction d’une modification sans rapport. » Dans un flux connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.

Pour l’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 avoir répété la même mesure. » L’affirmation de performance devient ainsi inspectable. La présentation de Poolside considère la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne prouve pas à elle seule qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de garder ou de rejeter la modification.

Laguna S 2.1 prend en charge une réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de conserver le contenu de raisonnement des messages précédents de l’assistant dans l’historique suivant ; la suppression de 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. Cela aide une tâche plus longue à se poursuivre à partir de son état réel plutôt que de reconstruire sans cesse ce qui a déjà été tenté.

Les choix de réflexion documentés 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 version ne présente pas de commandes d’effort low, medium et high séparées. 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, puis distinguez une longue séquence de raisonnement du résultat achevé. Le fabricant identifie la réflexion excessive, en particulier sur les mathématiques de compétition, comme une limite significative.

Les définitions d’outils nécessitent une attention particulière. Poolside indique que S 2.1 peut d’abord s’appuyer sur une interface d’outil familière au lieu de suivre de près un schéma similaire mais différent. Il peut aussi produire un 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 lorsque l’appel ne correspond pas. Le fabricant décrit la correction par un retour dans le contexte comme un moyen de résoudre certaines de ces divergences. Gardez l’observation de l’outil qui en résulte disponible pour la décision suivante.

Le fabricant publie des variantes BF16 et quantifiées séparées ainsi qu’un modèle brouillon DFlash facultatif. Ce sont des livrables et des recettes de mise à disposition distincts : l’utilisation mémoire ou les performances de décodage spéculatif d’un checkpoint quantifié ne doivent donc pas être supposées à partir 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 version signale l’absence de capacité visuelle du modèle ; une capture d’écran nécessite une observation textuelle ou une étape d’examen externe appropriée avant de pouvoir étayer l’analyse.

Demandez un livrable final qui identifie le livrable modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats à la source pertinente et montrez pourquoi chaque problème influe sur le comportement. Pour une réparation, séparez 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.