Poolside: Laguna S 2.1 (free)

Poolside Laguna S 2.1 é um modelo linguístico de mistura de especialistas concebido para programação com agentes e tarefas prolongadas. Tem 118 mil milhões de parâmetros no total e cerca de 8 mil milhões ativos por token, situando-se entre o Laguna XS 2.1 mais pequeno e o Laguna M.1 maior na série do fabricante. O modelo processa texto e produz texto, código, raciocínio e pedidos de chamadas de ferramentas numa aplicação ligada a ferramentas.

A sua arquitetura combina atenção global e de janela deslizante ao longo de 48 camadas: 12 camadas globais e 36 camadas de janela deslizante. A janela deslizante de 512 tokens descreve a atenção local dentro dessas camadas, enquanto o contexto documentado do modelo é de 1 048 576 tokens. São medidas diferentes. O contexto maior suporta tarefas que acumulam ficheiros-fonte, observações e decisões ao longo de muitos passos. Mantenha juntos o objetivo de trabalho e as evidências relevantes e reserve espaço para o raciocínio subsequente e a resposta final dentro da configuração aplicável.

O objetivo central do modelo é o trabalho de software que exige persistência, verificação e revisão. Para uma tarefa de repositório, forneça o comportamento esperado, os ficheiros relevantes como texto, a informação de dependências e a saída real que falha. Peça um resultado específico: «Rastreie a causa desta regressão, proponha uma alteração que preserve a interface documentada e identifique as verificações que distinguiriam uma correção de uma alteração sem relação com o problema.» Num fluxo ligado a ferramentas, dê ao modelo o resultado de cada verificação executada antes de escolher o passo seguinte.

Para trabalho de otimização, forneça medições e um objetivo explícito. Um exemplo é: «Use este perfil e relatório de alocações para identificar um estrangulamento. Proponha uma alteração, explique o efeito esperado e compare-a com a referência depois de repetir a mesma medição.» Isto torna inspecionável uma afirmação de desempenho. O lançamento da Poolside aborda a verificação e o progresso contínuo como comportamentos importantes, mas uma explicação convincente, por si só, não demonstra que uma revisão é mais rápida, correta ou completa. Preserve as observações que sustentam manter ou rejeitar a alteração.

Laguna S 2.1 suporta reflexão intercalada antes e entre chamadas de ferramentas. O fabricante recomenda preservar o conteúdo de raciocínio das mensagens anteriores do assistente no histórico subsequente; descartar esses blocos pode fazer parar o raciocínio nos passos de seguimento. Mantenha juntas a resposta do assistente, a informação da chamada de ferramenta e o resultado correspondente. Isto ajuda uma tarefa mais longa a continuar a partir do seu estado real, em vez de reconstruir repetidamente o que já foi tentado.

As opções de reflexão documentadas são off e max, com max ativado por predefinição na configuração descrita pelo fabricante. Nesse modo, o modelo determina o seu orçamento de reflexão; o lançamento não apresenta controlos de esforço low, medium e high separados. Para programação com agentes, a Poolside recomenda ativar a reflexão e conservá-la entre passos. Indique explicitamente o artefacto final e os critérios de conclusão e distinga uma sequência longa de raciocínio do resultado concluído. O fabricante identifica a reflexão excessiva, sobretudo em matemática de competição, como uma limitação substancial.

As definições das ferramentas exigem especial cuidado. A Poolside refere que S 2.1 pode inicialmente confiar numa interface de ferramenta familiar em vez de seguir atentamente um esquema semelhante mas diferente. Também pode produzir JSON malformado ou com escapes incorretos quando um argumento de ferramenta contém um array aninhado. Forneça as definições reais dos argumentos, valide as chamadas propostas e devolva um erro preciso quando a chamada não corresponder. O fabricante descreve a correção através de retorno no contexto como uma forma de resolver algumas destas incompatibilidades. Mantenha disponível a observação resultante da ferramenta para a decisão seguinte.

O fabricante publica variantes BF16 e quantizadas separadas e um modelo de rascunho DFlash opcional. São artefactos e receitas de disponibilização distintos, pelo que o consumo de memória ou o desempenho de descodificação especulativa de um checkpoint quantizado não devem ser presumidos a partir do nome geral do modelo. Para trabalho textual comum, prepare código-fonte, saídas de comandos e excertos de documentos como texto legível. O lançamento refere a ausência de capacidade de visão do modelo; uma captura de ecrã precisa de uma observação textual ou de uma etapa externa de inspeção adequada antes de poder apoiar a análise.

Peça um resultado final a entregar que identifique o artefacto alterado, as decisões importantes, as verificações observadas e qualquer condição por resolver. Numa revisão de código, ligue as conclusões ao código-fonte relevante e mostre por que motivo cada problema afeta o comportamento. Numa reparação, separe a correção proposta de uma correção cujo comportamento foi efetivamente verificado. Conservar o raciocínio e o histórico das ferramentas ajuda o modelo a desenvolver a tarefa, enquanto o artefacto final e os resultados registados demonstram o que foi realizado.