Poolside: Laguna S 2.1 (free)

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

De architectuur combineert globale 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 omvat. Dit zijn verschillende maten. De grotere context ondersteunt taken waarbij bronbestanden, waarnemingen en beslissingen zich over veel stappen opstapelen. Houd het werkdoel en betekenisvol bewijsmateriaal bij elkaar en reserveer binnen de gebruikte configuratie ruimte voor verdere redenering en het eindantwoord.

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

Lever voor optimalisatiewerk metingen en een expliciet doel aan. Een voorbeeld is: “Gebruik dit profiel en geheugentoewijzingsrapport om een knelpunt te identificeren. Stel één wijziging voor, leg het verwachte effect uit en vergelijk het met de uitgangssituatie nadat dezelfde meting is herhaald.” Zo kan een prestatieclaim worden geïnspecteerd. De release van Poolside bespreekt verificatie en aanhoudende voortgang als belangrijk gedrag, maar een overtuigende uitleg alleen bewijst niet dat een herziening sneller, correct of volledig is. Bewaar de waarnemingen die het behouden of verwerpen van de wijziging onderbouwen.

Laguna S 2.1 ondersteunt afwisselend denken vóór en tussen toolaanroepen. De fabrikant beveelt aan de redeneerinhoud van eerdere assistentberichten in de verdere geschiedenis te behouden; het weglaten van die blokken kan ertoe leiden dat het redeneren in vervolgstappen stopt. Bewaar het assistentantwoord, de toolaanroepinformatie en het bijbehorende toolresultaat samen. Zo kan een langere taak vanuit de werkelijke toestand doorgaan, in plaats van herhaaldelijk te reconstrueren wat al is geprobeerd.

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

Tooldefinities vragen extra aandacht. Poolside meldt dat S 2.1 aanvankelijk kan terugvallen op een vertrouwde toolinterface, in plaats van nauwgezet een vergelijkbaar maar afwijkend schema te volgen. Het kan ook ongeldige JSON of JSON met onjuiste escapes produceren wanneer een toolargument een geneste array bevat. Geef de werkelijke argumentdefinities, valideer voorgestelde aanroepen en geef een precieze fout terug wanneer de aanroep niet overeenkomt. De maker beschrijft correctie via feedback in de context als een manier om sommige van deze 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. Dit zijn verschillende bestanden en servingrecepten; het geheugengebruik van een gekwantiseerd checkpoint of de prestaties van speculative decoding 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 screenshot heeft een tekstuele waarneming of een passende externe inspectiestap nodig voordat het de analyse kan ondersteunen.

Vraag om een eindresultaat dat het gewijzigde artefact, de belangrijke beslissingen, de waargenomen controles en eventuele onopgeloste voorwaarden benoemt. Koppel bij een codereview bevindingen aan de relevante broncode en laat zien waarom elk probleem het gedrag beïnvloedt. Maak bij een reparatie onderscheid tussen de voorgestelde patch en een patch waarvan het gedrag daadwerkelijk is gecontroleerd. Het behouden van redeneer- en toolgeschiedenis helpt het model de taak uit te werken, terwijl het eindresultaat en de vastgelegde uitkomsten aantonen wat is bereikt.