Poolside가 오픈웨이트 코딩 모델 Laguna S 2.1을 냈다. MoE로 총 1180억·활성 80억 파라미터, 100만 토큰 컨텍스트에 thinking/no-thinking 모드를 지원한다. thinking 켜면 Terminal-Bench 2.1에서 70.2%, DeepSWE에서 40.4%로 1조 파라미터 넘는 오픈웨이트 모델(10% 미만)을 크게 앞서지만, thinking을 끄면 각각 60.4%·16.5%로 급락한다. 규모 대신 자기검증·재시도·조기포기 억제를 학습시킨 것이 특징이다.
Laguna S 2.1은 Poolside가 석 달 새 낸 세 번째 코딩 모델로, MoE 구조에 토큰당 활성 80억(총 1180억) 파라미터, 최대 100만 토큰 컨텍스트를 지원한다. Terminal-Bench 2.1에서 Tencent Hy3(295B-A21B) 바로 뒤이자 DeepSeek-V4-Pro-Max·Nemotron 3 Ultra·Thinking Machines 데뷔 모델보다 앞선다.
Poolside가 더 나은 비교로 꼽는 Datacurve DeepSWE에서는 40.4%로, 1조 파라미터를 넘는 일부 오픈웨이트 모델이 10% 미만에 머무는 것과 대비된다. SWE-Bench Multilingual·Pro·SWE Atlas에서도 체급 상위권이다. 다만 thinking을 끄면 Terminal-Bench 60.4%, DeepSWE 16.5%로 떨어져, 이전 Laguna 모델 중 두 모드 격차가 가장 크다.
핵심 메시지는 규모가 아니라 행동이다. 지능을 더하기보다 검증을 늘리고, 당연시하지 않으며, 조기에 승리를 선언하지 않도록 학습시켰다는 것이다. 긴 에이전틱 세션에서의 끈질김을 원시 규모의 대안으로 본 접근이다.