Poolside: Laguna S 2.1 (free)

Poolside Laguna S 2.1 — языковая модель с архитектурой смеси экспертов для агентного программирования и длительной работы. Она содержит 118 млрд параметров в общей сложности и примерно 8 млрд активных на токен, занимая место между меньшей Laguna XS 2.1 и большей Laguna M.1 в серии разработчика. Модель обрабатывает текст и создаёт текст, код, рассуждения и запросы вызовов инструментов в приложении с подключёнными инструментами.

Её архитектура сочетает глобальное внимание и внимание со скользящим окном в 48 слоях: 12 глобальных и 36 со скользящим окном. Скользящее окно в 512 токенов описывает локальное внимание внутри этих слоёв, а документированный контекст модели составляет 1 048 576 токенов. Это разные измерения. Больший контекст поддерживает задачи, накапливающие исходные файлы, наблюдения и решения за много шагов. Держите рабочую цель и значимые доказательства вместе, оставляя место для последующих рассуждений и окончательного ответа в пределах применяемой конфигурации.

Главное назначение модели — работа с программным обеспечением, требующая настойчивости, проверок и исправлений. Для задачи с репозиторием предоставьте ожидаемое поведение, нужные файлы как текст, сведения о зависимостях и фактический вывод сбоя. Запросите точечный результат: «Проследи причину этой регрессии, предложи изменение, сохраняющее документированный интерфейс, и укажи проверки, которые отличат исправление от несвязанного изменения». В процессе с инструментами передавайте модели результат каждой выполненной проверки до выбора следующего шага.

Для оптимизации предоставьте измерения и явную цель. Пример: «Используй этот профиль и отчёт о распределении ресурсов для поиска узкого места. Предложи одно изменение, объясни ожидаемый эффект и сравни его с базовым вариантом после повторения того же измерения». Это делает утверждение о производительности проверяемым. Выпуск Poolside рассматривает проверку и непрерывное продвижение как важное поведение, но убедительное объяснение само по себе не устанавливает, что правка быстрее, корректна или завершена. Сохраняйте наблюдения, подтверждающие решение оставить или отклонить изменение.

Laguna S 2.1 поддерживает чередующееся мышление до и между вызовами инструментов. Разработчик рекомендует сохранять содержимое рассуждений из предыдущих сообщений помощника в последующей истории; удаление этих блоков может остановить рассуждения в следующих шагах. Сохраняйте ответ помощника, сведения о вызове инструмента и соответствующий результат вместе. Это помогает долгой задаче продолжаться с фактического состояния вместо повторного восстановления уже предпринятых попыток.

Документированные варианты мышления — off и max; max включён по умолчанию в описанной разработчиком настройке. В этом режиме модель определяет собственный бюджет мышления; выпуск не представляет отдельных уровней effort low, medium и high. Для агентного программирования Poolside рекомендует включать мышление и сохранять его между шагами. Явно задавайте итоговый материал и критерии завершения, различая длинную последовательность рассуждений и законченный результат. Разработчик указывает чрезмерные рассуждения, особенно в олимпиадной математике, как существенное ограничение.

Определения инструментов требуют особого внимания. Poolside сообщает, что S 2.1 сначала может полагаться на знакомый интерфейс инструмента вместо точного следования похожей, но отличающейся схеме. Она также может создавать некорректный или неправильно экранированный JSON, когда аргумент инструмента содержит вложенный массив. Передавайте фактические определения аргументов, проверяйте предлагаемые вызовы и возвращайте точную ошибку при несоответствии. Разработчик описывает исправление через обратную связь в контексте как способ устранения части таких несоответствий. Сохраняйте полученное наблюдение инструмента для следующего решения.

Разработчик публикует отдельные варианты BF16 и квантованные варианты, а также необязательную черновую модель DFlash. Это разные материалы и рецепты обслуживания, поэтому расход памяти квантованного чекпойнта или производительность спекулятивного декодирования нельзя выводить из общего названия модели. Для обычной текстовой работы подготавливайте исходный код, вывод команд и выдержки документов как читаемый текст. Выпуск отмечает отсутствие у модели зрения; скриншоту нужны текстовое наблюдение или подходящий внешний этап изучения, прежде чем он сможет поддержать анализ.

Запросите итоговый результат, указывающий изменённый материал, важные решения, наблюдаемые проверки и нерешённые условия. Для ревью кода связывайте выводы с соответствующим исходным кодом и показывайте влияние каждой проблемы на поведение. Для исправления отделяйте предлагаемый патч от патча с фактически проверенным поведением. Сохранение рассуждений и истории инструментов помогает модели пройти задачу, а итоговый материал и записанные результаты устанавливают, что было достигнуто.