Poolside 于 7 月 21 日开源新一代 Agentic Coding 模型 Laguna S 2.1，采用 OpenMDW-1.1 协议。模型为 118B 总参数、约 8B 激活参数的 MoE 架构，原生支持 1M token 上下文与交错思考（interleaved thinking）。

在 SWE-Bench Multilingual、SWE-Bench Pro、DeepSWE、SWE Atlas、Toolathlon Verified 等 Agent Coding 基准上，Laguna S 2.1 全面超过总参数量 2.5 倍的腾讯 Hy3 (295B-A21B) 与 13.5 倍的 DeepSeek-V4-Pro Max (1.6T-A49B)。

 

开源地址：

• 模型链接：https://modelscope.cn/models/poolside/Laguna-S-2.1
• 技术博客：https://poolside.ai/blog/introducing-laguna-s-2-1

效果案例

Poolside 在博客中公开了三段完整的 Agent 运行轨迹，每一段都在同一次会话内、无人干预完成。

从空目录构建浏览器渲染引擎　在 50 分钟、181 步的一次会话中，模型从一个空文件夹起步，用原生 JavaScript 依次实现了 HTML 解析器、CSS 级联、布局、渲染四个模块。由于自身没有视觉能力，模型主动启动 headless Chromium，把渲染结果读回 canvas，通过数值化比对截图来完成视觉验证。

自动优化 Poolside 自家 Agent Harness　在一个自动化循环中，模型对 pool 自身的 Harness 做了 20 次尝试，让 Harness 运行时间下降 5.19%、内存分配下降 71.1%。它定位到流式 Token 累积中的 O(n²) 字符串拼接、trajectory 物化时的过度分配和冗余拷贝，用 buffer、memoization、预分配 slice 解决。

 

独立重推 Erdős 问题 #397　 Laguna S 2.1独立发现了 Erdős 问题，用 68 分钟找到了一个确定性的解。沙箱中没有 Python；模型找到了 Perl，就用 Perl 做数论——暴力精确因式分解、模式分析、猜出一族解，然后给出证明：一个八指标的闭式无穷解族。虽然这一结果是重发现而非首解，但 Laguna S 2.1 推导出的这一解族与此前发表的构造在结构上不同（八个指标线性增长，而已知解族只有六个指标），这说明是一次全新的推导，而不是从记忆里背出来的。

性能表现

SWE-Bench Multilingual 78.5% 高出 Hy3 2.7 个点、高出 DeepSeek-V4-Pro Max 2.3 个点；DeepSWE 40.4% 相比 DeepSeek-V4-Pro Max 的 9.0% 差距悬殊。

 

 

Terminal-Bench 2.1 覆盖了大量高质量的长期任务，其中 Agent 模型通过终端与环境交互。在该基准上，Laguna S 2.1结果达到 70.2%， 排名第 11。

本地部署与推理

Laguna S 2.1 BF16 权重共 46 分片、约 235GB。官方 vLLM 与 SGLang 启动命令均使用 tensor parallel size = 4。此外提供 FP8、NVFP4、INT4、GGUF 四种量化格式，以及配套的 DFlash 投机解码 Draft 模型。Agentic Coding 场景开启 thinking，并在消息历史中保留完整推理过程。

模型下载

modelscope download --model poolside/Laguna-S-2.1 --local_dir ./Laguna-S-2.1

vLLM 部署

vllm serve \
  --model poolside/Laguna-S-2.1 \
  --tensor-parallel-size 4 \
  --tool-call-parser poolside_v1 \
  --reasoning-parser poolside_v1 \
  --enable-auto-tool-choice \
  --served-model-name laguna \
  --default-chat-template-kwargs '{"enable_thinking": true}'

如需启用 DFlash 投机解码，追加：

--speculative-config '{"model":"poolside/Laguna-S-2.1-DFlash","num_speculative_tokens":7,"method":"dflash"}'

SGLang 部署

python -m sglang.launch_server \
  --model-path poolside/Laguna-S-2.1 \
  --tp-size 4 \
  --reasoning-parser poolside_v1 \
  --tool-call-parser poolside_v1 \
  --trust-remote-code

TRT-LLM 部署（注意 flag 与 vLLM 不同，reasoning parser 名为 laguna）

trtllm-serve poolside/Laguna-S-2.1 --trust-remote-code \
  --tool_parser poolside_v1 --reasoning_parser laguna

llama.cpp / GGUF（GGUF 版本仓库：poolside/Laguna-S-2.1-GGUF）

git clone --branch laguna https://github.com/poolsideai/llama.cpp
cd llama.cpp && cmake -B build && cmake --build build -j

./build/bin/llama-server -m laguna-s-2.1-Q4_K_M.gguf --jinja --port 8000