Poolside: Laguna S 2.1 (free)

Poolside Laguna S 2.1 är en mixture-of-experts-språkmodell utformad för agentbaserad kodning och långvarigt arbete. Den har totalt 118B parametrar och cirka 8B aktiva per token, vilket placerar den mellan den mindre Laguna XS 2.1 och den större Laguna M.1 i tillverkarens serie. Modellen bearbetar text och producerar text, kod, resonemang och begäranden om verktygsanrop i en verktygskopplad applikation.

Arkitekturen kombinerar global attention och attention med glidande fönster i 48 lager: 12 globala lager och 36 lager med glidande fönster. Det glidande fönstret på 512 token beskriver lokal attention i dessa lager, medan den dokumenterade modellkontexten är 1,048,576 token. Detta är olika mått. Den större kontexten stöder uppgifter som samlar källfiler, observationer och beslut över många steg. Håll arbetsmålet och meningsfullt underlag tillsammans och reservera utrymme för efterföljande resonemang och slutsvaret inom den tillämpliga konfigurationen.

Modellens centrala syfte är programvaruarbete som kräver uthållighet, kontroll och omarbetning. För en kodarkivsuppgift tillhandahåller du förväntat beteende, relevanta filer som text, beroendeinformation och faktiska felutdata. Be om ett avgränsat resultat: ”Spåra orsaken till denna regression, föreslå en ändring som bevarar det dokumenterade gränssnittet och identifiera kontrollerna som skulle skilja en korrigering från en orelaterad ändring.” I ett verktygskopplat arbetsflöde ger du modellen resultatet av varje körd kontroll innan den väljer nästa steg.

För optimeringsarbete tillhandahåller du mätningar och ett uttryckligt mål. Ett exempel är: ”Använd denna profil och allokeringsrapport för att identifiera en flaskhals. Föreslå en ändring, förklara den förväntade effekten och jämför med baslinjen när samma mätning har upprepats.” Det gör ett prestandapåstående granskningsbart. Poolsides utgåva lyfter fram verifiering och fortsatta framsteg som viktiga beteenden, men en övertygande förklaring fastställer inte i sig att en revidering är snabbare, korrekt eller komplett. Bevara observationerna som stöder att ändringen behålls eller förkastas.

Laguna S 2.1 stöder inflätat tänkande före och mellan verktygsanrop. Tillverkaren rekommenderar att resonemangsinnehåll från tidigare assistentmeddelanden bevaras i efterföljande historik; att utelämna dessa block kan göra att resonemanget upphör i uppföljande steg. Håll assistentsvaret, informationen om verktygsanropet och motsvarande verktygsresultat tillsammans. Detta hjälper en längre uppgift att fortsätta från sitt faktiska tillstånd i stället för att gång på gång återskapa det som redan har prövats.

De dokumenterade tänkealternativen är off och max, med max aktiverat som standard i tillverkarens beskrivna upplägg. Modellen bestämmer sin tänkebudget i det läget; utgåvan presenterar inga separata reglage för insatsnivåerna low, medium och high. För agentbaserad kodning rekommenderar Poolside att tänkande aktiveras och behålls mellan steg. Ange slutresultatet och färdigkriterierna uttryckligen och skilj en lång resonemangssekvens från det slutförda resultatet. Tillverkaren identifierar övertänkande, särskilt i tävlingsmatematik, som en väsentlig begränsning.

Verktygsdefinitioner behöver särskild omsorg. Poolside rapporterar att S 2.1 inledningsvis kan förlita sig på ett välbekant verktygsgränssnitt i stället för att noggrant följa ett liknande men annorlunda schema. Den kan också producera felaktigt formaterad JSON eller JSON med felaktiga escape-sekvenser när ett verktygsargument innehåller en nästlad array. Ange de faktiska argumentdefinitionerna, validera föreslagna anrop och återför ett exakt fel när anropet inte stämmer. Tillverkaren beskriver korrigering genom återkoppling i kontexten som ett sätt att lösa vissa av dessa avvikelser. Håll den resulterande verktygsobservationen tillgänglig för nästa beslut.

Tillverkaren publicerar separata BF16- och kvantiserade varianter samt en valfri DFlash-draft-modell. Detta är separata modellfiler och driftrecept, så en kvantiserad checkpoints minnesanvändning eller prestanda vid spekulativ avkodning bör inte antas utifrån det allmänna modellnamnet. För vanligt textarbete förbereder du källkod, kommandoutdata och dokumentutdrag som läsbar text. Utgåvan anger att modellen saknar bildförmåga; en skärmbild behöver en textuell observation eller ett lämpligt externt granskningssteg innan den kan stödja analysen.

Begär en slutleverans som identifierar det ändrade arbetsresultatet, viktiga beslut, observerade kontroller och eventuella olösta villkor. För en kodgranskning kopplar du fynd till relevant källkod och visar varför varje problem påverkar beteendet. För en reparation skiljer du den föreslagna patchen från en patch vars beteende faktiskt har kontrollerats. Att behålla resonemang och verktygshistorik hjälper modellen att arbeta sig igenom uppgiften, medan slutresultatet och de dokumenterade resultaten fastställer vad som åstadkommits.