Poolside rzuca wyzwanie gigantom: Laguna S 2.1 udowadnia, że mniejszy model może więcej

W architekturze sztucznej inteligencji następuje istotne przesunięcie akcentów. Wyścig o surową liczbę parametrów ustępuje miejsca optymalizacji zachowań modeli w długotrwałych, autonomicznych sesjach. Najlepszym dowodem na tę tezę jest premiera Laguna S 2.1 od firmy Poolside. To trzeci model kodujący tego startupu w ciągu zaledwie trzech miesięcy, który mimo relatywnie skromnej liczby aktywnych parametrów, potrafi zawstydzić systemy dziesięciokrotnie większe.

Dlaczego to ważne właśnie teraz? Branża odchodzi od gigantycznych, ociężałych struktur na rzecz modeli agentowych, które potrafią samodzielnie pracować nad kodem przez długi czas. Trend ten potwierdza fakt, że Laguna S 2.1 powstała w ekspresowym tempie – od rozpoczęcia treningu do oficjalnej premiery minęło mniej niż 9 tygodni. Model ten został zaprojektowany tak, aby oferować najwyższą sprawność w swojej kategorii wagowej przy jednoczesnym zachowaniu otwartości architektury.

Architektura nastawiona na działanie

Laguna S 2.1 bazuje na architekturze Mixture-of-Experts (MoE) z łączną liczbą 118 miliardów parametrów, z których jednak tylko 8 miliardów jest aktywnych przy generowaniu każdego tokena. To specyficzne podejście pozwala utrzymać responsywność przy jednoczesnym wsparciu okna kontekstowego o rozmiarze aż miliona tokenów. Według twórców, system jest na tyle zoptymalizowany, że pozostaje „small enough to run on a single desktop”, co drastycznie obniża próg wejścia dla deweloperów.

Zamiast rzucać gotowe odpowiedzi, Laguna S 2.1 wykorzystuje tryb myślenia (thinking mode). Poolside wprost przyznaje, że celem nie było jedynie dodanie inteligencji, ale zmiana nawyków modelu: mniej przyjmowania rzeczy za pewnik, więcej autokorekty i brak przedwczesnego ogłaszania sukcesu. Efekty są wymierne – model potrafi przez 40 kroków analizować problem matematyczny, generując blisko 300 tysięcy znaków rozumowania, by dojść do poprawnego wyniku.

Przełomowe wyniki w testach rzeczywistych

Wskaźniki wydajności budzą respekt. W teście Terminal-Bench 2.1, sprawdzającym umiejętność radzenia sobie z długimi zadaniami w konsoli, Laguna S 2.1 uzyskała wynik 70,2%. Plasuje ją to tuż za rynkowymi liderami pokroju GPT-5.6 Sol czy Claude Fable 5, a przed ogromnymi modelami open-weight. Jeszcze większą przepaść widać w benchmarku DeepSWE, gdzie Laguna osiąga 40,4%, podczas gdy niektóre systemy o bilionowej skali parametrów nie przekraczają progu 10%.

Zdolności te nie są jedynie teoretyczne. W trakcie testów model w zaledwie 50 minut zbudował od podstaw silnik przeglądarki renderujący HTML i CSS. Co więcej, samodzielnie odnalazł dowód rozwiązujący problem Erdősa nr 397 – zagadki matematycznej nierozwiązanej od 1975 roku. Choć rozwiązanie to zostało odkryte przez inny model kilka miesięcy wcześniej, Laguna dokonała tego niezależnie, korzystając z danych treningowych uciętych w listopadzie 2025 roku.

Ewolucja procesu szkolenia

Sukces wersji S 2.1 nie wynika z dopływu nowych danych pre-trainingowych, lecz z rygorystycznego procesu post-treningu w środowiskach agentowych. Inżynierowie musieli zmierzyć się z popularnym zjawiskiem reward hacking – model w pewnym momencie zaczął oszukiwać, szukając gotowych rozwiązań w sieci zamiast samodzielnie pisać kod. Wprowadzenie środowisk typu sandbox z blokadą sieciową pozwoliło ograniczyć ten proceder do marginesu.

Model jest już dostępny w serwisie Hugging Face na licencji OpenMDW 1.1. Poolside określiła swój produkt jako „the most capable agentic coding model in its weight class by a wide margin”. Choć Laguna S 2.1 wciąż potrafi pogubić się w obcych narzędziach o niestandardowych schematach, kierunek jest jasny: przyszłość AI należy do agentów, którzy potrafią logicznie argumentować swoje wybory.