Poolside: Laguna S 2.1 (free)

Poolside Laguna S 2.1 to model językowy typu mixture-of-experts zaprojektowany do programowania agentowego i długofalowej pracy. Ma 118B parametrów łącznie i około 8B aktywnych na token, co umieszcza go między mniejszym Laguna XS 2.1 a większym Laguna M.1 w serii producenta. Model przetwarza tekst i generuje tekst, kod, rozumowanie oraz żądania wywołań narzędzi w aplikacji połączonej z narzędziami.

Jego architektura łączy uwagę globalną i uwagę w przesuwanym oknie w 48 warstwach: 12 globalnych i 36 przesuwanego okna. Przesuwane okno 512 tokenów opisuje lokalną uwagę w tych warstwach, natomiast udokumentowany kontekst modelu obejmuje 1 048 576 tokenów. Są to różne miary. Większy kontekst wspiera zadania, które przez wiele kroków gromadzą pliki źródłowe, obserwacje i decyzje. Zachowuj razem cel roboczy i istotny materiał dowodowy oraz rezerwuj miejsce na dalsze rozumowanie i odpowiedź końcową w stosownej konfiguracji.

Głównym przeznaczeniem modelu jest praca nad oprogramowaniem wymagająca wytrwałości, sprawdzania i korekt. Przy zadaniu dotyczącym repozytorium dostarcz oczekiwane zachowanie, odpowiednie pliki jako tekst, informacje o zależnościach i rzeczywiste wyjście nieudanego działania. Poproś o skoncentrowany wynik: „Prześledź przyczynę tej regresji, zaproponuj zmianę zachowującą udokumentowany interfejs i wskaż sprawdzenia, które odróżnią naprawę od niepowiązanej zmiany”. W procesie połączonym z narzędziami podaj modelowi wynik każdego wykonanego sprawdzenia przed wybraniem następnego kroku.

Przy optymalizacji dostarcz pomiary i jednoznaczny cel. Przykład: „Użyj tego profilu i raportu alokacji, aby wskazać wąskie gardło. Zaproponuj jedną zmianę, wyjaśnij oczekiwany efekt i porównaj ją z poziomem bazowym po powtórzeniu tego samego pomiaru”. Dzięki temu twierdzenie o wydajności da się zbadać. Wydanie Poolside omawia weryfikację i ciągły postęp jako ważne zachowania, ale samo przekonujące wyjaśnienie nie dowodzi, że modyfikacja jest szybsza, poprawna lub kompletna. Zachowaj obserwacje uzasadniające przyjęcie lub odrzucenie zmiany.

Laguna S 2.1 obsługuje przeplatany namysł przed wywołaniami narzędzi i między nimi. Producent zaleca zachowywanie treści rozumowania z wcześniejszych wiadomości asystenta w późniejszej historii; usunięcie tych bloków może spowodować zatrzymanie rozumowania w kolejnych krokach. Zachowuj razem odpowiedź asystenta, informacje o wywołaniu narzędzia i odpowiadający mu wynik narzędzia. Pomaga to dłuższemu zadaniu kontynuować od rzeczywistego stanu, zamiast wielokrotnie odtwarzać już podjęte próby.

Udokumentowane opcje namysłu to off i max, z max włączonym domyślnie w konfiguracji opisanej przez producenta. W tym trybie model sam określa budżet namysłu; wydanie nie przedstawia osobnych ustawień wysiłku low, medium i high. Do programowania agentowego Poolside zaleca włączenie namysłu i zachowywanie go między krokami. Określ jawnie końcowy rezultat i kryteria ukończenia oraz odróżniaj długą sekwencję rozumowania od ukończonego wyniku. Producent wskazuje nadmierny namysł, szczególnie w matematyce konkursowej, jako istotne ograniczenie.

Definicje narzędzi wymagają szczególnej uwagi. Poolside raportuje, że S 2.1 może początkowo opierać się na znajomym interfejsie narzędzia, zamiast ściśle przestrzegać podobnego, ale odmiennego schematu. Może też tworzyć niepoprawny JSON lub nieprawidłowo zapisywać znaki ucieczki, gdy argument narzędzia zawiera zagnieżdżoną tablicę. Podaj rzeczywiste definicje argumentów, waliduj proponowane wywołania i zwracaj precyzyjny błąd, gdy wywołanie jest niezgodne. Producent opisuje korektę poprzez informację zwrotną w kontekście jako sposób rozwiązania części takich rozbieżności. Zachowaj wynikową obserwację narzędzia do następnej decyzji.

Producent publikuje osobne warianty BF16 i skwantowane oraz opcjonalny model szkicowy DFlash. Są to odrębne pliki modeli i przepisy udostępniania, więc zużycia pamięci skwantowanego punktu kontrolnego lub wydajności dekodowania spekulacyjnego nie należy zakładać na podstawie ogólnej nazwy modelu. Do zwykłej pracy tekstowej przygotuj kod źródłowy, wyjście poleceń i fragmenty dokumentów jako czytelny tekst. Informacje o wydaniu wskazują brak zdolności wizyjnych modelu; zrzut ekranu wymaga obserwacji tekstowej lub odpowiedniego zewnętrznego kroku oględzin, zanim wesprze analizę.

Poproś o końcowy rezultat wskazujący zmieniony materiał, ważne decyzje, zaobserwowane sprawdzenia i wszelkie nierozstrzygnięte kwestie. Przy przeglądzie kodu powiąż ustalenia z odpowiednim źródłem i pokaż, dlaczego każdy problem wpływa na zachowanie. Przy naprawie oddziel proponowaną poprawkę od poprawki, której zachowanie faktycznie sprawdzono. Zachowanie rozumowania i historii narzędzi pomaga modelowi przejść przez zadanie, natomiast końcowy rezultat i zapisane wyniki ustalają, co osiągnięto.