Poolside: Laguna S 2.1 (free)

Poolside Laguna S 2.1 is een mixture-of-experts-taalmodel dat is ontworpen voor agentgestuurd programmeren en langdurig werk. Het telt 118 miljard parameters in totaal en ongeveer 8 miljard actieve parameters per token, waarmee het in de reeks van de fabrikant tussen het kleinere Laguna XS 2.1 en het grotere Laguna M.1 zit. Het model verwerkt tekst en produceert tekst, code, redeneringen en verzoeken om toolaanroepen in een toepassing met tools.

De architectuur combineert globale attention en sliding-window attention over 48 lagen: 12 globale lagen en 36 sliding-window-lagen. Het sliding window van 512 tokens beschrijft lokale attention binnen die lagen, terwijl de gedocumenteerde modelcontext 1.048.576 tokens telt. Dit zijn verschillende metingen. De grotere context ondersteunt taken waarin over veel stappen heen bronbestanden, waarnemingen en beslissingen worden verzameld. Houd het werkdoel en betekenisvol bewijsmateriaal samen en reserveer binnen de toepasselijke configuratie ruimte voor verdere redenering en het definitieve antwoord.

Het centrale doel van het model is softwarewerk dat volhouden, controleren en herzien vereist. Geef voor een repositorytaak het verwachte gedrag, relevante bestanden als tekst, informatie over afhankelijkheden en de werkelijk mislukte uitvoer. Vraag om een gericht resultaat: “Spoor de oorzaak van deze regressie op, stel een wijziging voor die de gedocumenteerde interface behoudt en benoem de controles die een oplossing van een niet-gerelateerde wijziging zouden onderscheiden.” Geef het model in een workflow met tools het resultaat van elke uitgevoerde controle voordat het de volgende stap kiest.

Geef voor optimalisatiewerk metingen en een expliciet doel. Een voorbeeld is: “Gebruik dit profiel en allocatierapport om een knelpunt te identificeren. Stel één wijziging voor, leg het verwachte effect uit en vergelijk met de uitgangsmeting nadat dezelfde meting is herhaald.” Zo wordt een prestatieclaim controleerbaar. Poolside’s release bespreekt verificatie en blijvende voortgang als belangrijk gedrag, maar een overtuigende uitleg alleen toont niet aan dat een herziening sneller, correct of volledig is. Bewaar de waarnemingen die het behouden of verwerpen van de wijziging ondersteunen.

Laguna S 2.1 ondersteunt afwisselend denken vóór en tussen toolaanroepen. De fabrikant beveelt aan om redeneerinhoud uit eerdere assistentberichten in de verdere geschiedenis te bewaren; het weglaten van die blokken kan de redenering in vervolgstappen doen stoppen. Bewaar het assistentantwoord, de informatie over toolaanroepen en het bijbehorende toolresultaat samen. Dit helpt een langere taak voort te zetten vanuit de werkelijke toestand in plaats van telkens opnieuw te reconstrueren wat al werd geprobeerd.

De gedocumenteerde denkopties zijn off en max, met max standaard ingeschakeld in de door de maker beschreven configuratie. Het model bepaalt in die modus zijn denkbudget; de release biedt geen afzonderlijke niveaus low, medium en high. Voor agentgestuurd programmeren beveelt Poolside aan het denken in te schakelen en tussen stappen te behouden. Vermeld het eindartefact en de voltooiingscriteria expliciet en maak onderscheid tussen een lange redeneerreeks en het voltooide resultaat. De fabrikant noemt overmatig doordenken, vooral bij wedstrijdwiskunde, als een wezenlijke beperking.

Tooldefinities vereisen bijzondere aandacht. Poolside meldt dat S 2.1 aanvankelijk kan vertrouwen op een vertrouwde toolinterface in plaats van nauwkeurig een vergelijkbaar maar afwijkend schema te volgen. Het kan ook verkeerd gevormde of onjuist ge-escapete JSON produceren wanneer een toolargument een geneste array bevat. Geef de werkelijke argumentdefinities, valideer voorgestelde aanroepen en stuur een precieze fout terug wanneer de aanroep niet overeenkomt. De maker beschrijft correctie via feedback in de context als een manier om sommige van die afwijkingen op te lossen. Houd de resulterende toolwaarneming beschikbaar voor de volgende beslissing.

De fabrikant publiceert afzonderlijke BF16- en gekwantiseerde varianten en een optioneel DFlash-draftmodel. Dat zijn afzonderlijke artefacten en servingrecepten. Het geheugengebruik of de prestaties met speculatieve decodering van een gekwantiseerd checkpoint mogen daarom niet uit de algemene modelnaam worden afgeleid. Bereid voor gewoon tekstwerk broncode, commando-uitvoer en documentfragmenten voor als leesbare tekst. De release vermeldt dat het model geen beeldbegrip heeft; een schermafbeelding vereist een tekstuele waarneming of een geschikte externe inspectiestap voordat ze de analyse kan ondersteunen.

Vraag om een eindproduct dat het gewijzigde artefact, belangrijke beslissingen, waargenomen controles en eventuele onopgeloste voorwaarden benoemt. Koppel bij een codereview bevindingen aan de relevante bron en toon waarom elk probleem het gedrag beïnvloedt. Maak bij herstelwerk onderscheid tussen de voorgestelde patch en een patch waarvan het gedrag daadwerkelijk is gecontroleerd. Het bewaren van redenering en toolgeschiedenis helpt het model de taak uit te werken, terwijl het eindartefact en de vastgelegde resultaten aantonen wat er is bereikt.