Poolside、コーディング特化モデル「Laguna S 2.1」公開

Poolside は、エージェント型コーディングに特化したオープンウェイトモデル「Laguna S 2.1」をリリースしました。このモデルは Mixture-of-Experts (MoE) アーキテクチャを採用し、トークンあたりで活性化されるパラメータ数は 8B です。思考モードと非思考モードの両方で最大 100 万トークンのコンテキストウィンドウをサポートしており、重みは Hugging Face で OpenMDW-1.1 ライセンスの下に公開されています。単一の NVIDIA DGX Spark でも動作可能なサイズです。

長期ホライズンコーディングベンチマークでは、Laguna S 2.1 は DeepSeek-V4-Pro-Max や NVIDIA の Nemotron 3 Ultra、Thinking Machines の Inkling など、自身よりも数倍大きいモデルたちと互角に渡り合っています。Laguna S 2.1 は Laguna XS ファミリーのスケールアップ版であり、XS 2.1 と同じ事前学習データでトレーニングされています。

Laguna S 2.1 とは何か

このモデルは、任意のトークンに対して全パラメータのうち約 6.8% を活性化します。118B の全パラメータはメモリ上に保持されますが、1 ステップあたり実際にネットワークを通過するのは約 8B です。このスパース性が、ミドルサイズのモデルでありながら大規模モデルのような振る舞いを可能にしつつ、運用コストを抑える理由となっています。

Poolside チームは、BF16、FP8、INT4、NVFP4 の重みに加え、公式の GGUF および MLX 変換版、DFlash ドラフトモデルも公開しました。トレーニング開始からリリースまでにかかった期間は 9 週間未満です。事前学習は 2026 年 5 月 22 日に NVIDIA H200 GPU を 4,096 台使用して開始されました。これは、強化学習が FP8 精度で実行された Poolside 初のモデルとなります。

(function(){var f=document.getElementById("mtp-x1c-p");window.addEventListener("message",function(e){if(f&&e.source===f.contentWindow&&e.data&&e.data.__mtpH){f.style.height=e.data.__mtpH+"px";}});})();

パフォーマンス

思考機能を有効にした状態での Terminal-Bench 2.1 では、Laguna S 2.1 が 70.2% のスコアを記録しました。これは Poolside がまとめたリーダーボードにおいて、サイズが明記されたオープンモデルの中でトップの成績です。ただし、より大規模なモデルやクローズドシステムには及びません。また、SWE-Bench Multilingual では 78.5% を達成し、公開されている表で首位に立ちました。

Poolside が発表した完全な比較データは以下の通りです。

Benchmark | Laguna S 2.1 (118B-A8B) | Tencent Hy3 (295B-A21B) | Inkling (975B-A41B) | Nemotron 3 Ultra (550B-A55B) | DeepSeek-V4-Pro-Max (1.6T-A49B) | Kimi K3 (2.8T-A50B) | Qwen 3.7 Max | Muse Spark 1.1 | Claude Fable 5

---|---|---|---|---|---|---|---|---|---

Terminal-Bench 2.1 | 70.2 | 71.7 | 63.8 | 56.4 | 64.0 | 88.3 | 74.5 | 80.0 | 88.0

SWE-Bench Multilingual | 78.5 | 75.8 | – | 67.7 | 76.2 | – | 78.3 | – | –

SWE-Bench Pro (Public) | 59.4 | 57.9 | 54.3 | – | 55.4 | – | 60.6 | 61.5 | 80.3

DeepSWE v1.1 | 40.4 | – | – | – | 9.0 | 69.0 | – | 53.3 | 70.0

SWE Atlas (Codebase QnA) | 46.2 | – | – | – | 27.2 | – | – | 42.2 | –

Toolathlon Verified | 49.7 | – | 45.5 | 34.3 | 55.9 | – | – | 75.6 | –

最も明確な示唆を与えているのが DeepSWE v1.1 の結果です。ここにはまだ大きな伸びしろがあります。Laguna S 2.1 は 40.4% を記録しましたが、DeepSeek-V4-Pro-Max はわずか 9.0% でした。しかも、アクティブパラメータ数は約 6 分の 1 です。

Claude Fable 5 や Kimi K3 といったクローズドな最先端モデルは、いくつかのベンチマークで依然として首位を維持しています。Poolside が主張したいのは、絶対的なトップであることではなく、この重さ（パラメータ数）のクラスにおける優位性です。

最終評価セットからの軌跡データは、trajectories.poolside.ai で公開されています。

2 つの思考モードとスコアの由来

Laguna S 2.1 は「off」と「max」の 2 つのモードを持ち、デフォルトでは max モードが有効になっています。この max モードでは、モデル自身がテスト時の計算リソース（compute budget）を自動で割り当てます。現時点では、ユーザーが低・中・高の作業負荷レベルを手動で切り替える機能は提供されていません。

max モードへの切り替えにより、Terminal-Bench 2.1 のスコアは 60.4% から 70.2% に向上しました。また、DeepSWE では 16.5% から 40.4% へと大幅な伸びを見せました。ただし、この性能向上にはトークン数の増加が伴います。具体的には、DeepSWE の思考モードにおける推論プロセスで消費される完了トークンは約 249k に達するのに対し、通常モードでは 99k です。Poolside チームによると、モデルは数時間にわたり数百数千単位のトークンを消費しながらも、一貫性があり生産的な推論を継続できるとのことです。

公開された 3 つの実行事例

Poolside チームはスコアではなく実際の振る舞いを示すため、編集を加えていない 3 つの推論軌跡（trajectories）を公開しました。1 つ目の例では、モデルは空のフォルダから動作する HTML/CSS ブラウザエンジンを構築しました。この実行には人間の手を介さず 50 分間、181 ステップを要しましたが、最終的にはヘッドレス Chromium を用いて出力を検証しています。

2 つ目の例では、モデルは Poolside 自社のエージェントハッチ（harness）の最適化を行いました。その結果、実行速度が 5.2% 向上し、メモリ割り当て量が約 71% 削減されました。これは O(n²) の文字列結合をバッファ処理に置き換えることで実現されています。

3 つ目の例では、サンドボックス環境に Python が存在しないため、Perl を用いて offline で「Erdős Problem #397」の再導出を行いました。このプロセスには 68 分かかりましたが、結果は独立した再発見として認められます。なお、GPT-5.2 Pro は 2026 年 1 月に同問題を解決していますが、Laguna の知識カットオフ日は 2025 年 11 月です。

実際にデプロイできるのか？

Sizing uses the full 118B parameters, not the 8B active count, because every expert stays in memory. At 4-bit (NVFP4 or INT4) the weights need about 59 GB, which fits comfortably on a single DGX Spark's 128 GB of unified memory. At FP8 they need about 118 GB, still within a single Spark or a single H200. At BF16 they need about 236 GB, which calls for two linked Sparks or a multi-GPU datacenter node.

(function(){var f=document.getElementById("mtp-x2c-p");window.addEventListener("message",function(e){if(f&&e.source===f.contentWindow&&e.data&&e.data.__mtpH){f.style.height=e.data.__mtpH+"px";}});})();

Poolside worked with NVIDIA to optimize inference from TRT-LLM serving to NVFP4 on Blackwell, down to a single DGX Spark. It shipped day-one support for vLLM, SGLang, and Ollama. Hosted access runs through OpenRouter, free at 256K context and paid at the full 1M context for $0.10 / $0.20 / $0.01 per 1M input / output / cache-read tokens. The model is also on Baseten, Kilo, Prime Intellect Prime Lab, and ZML.

Key Takeaways

Laguna S 2.1 is a 118B-total / 8B-active MoE coding model with a 1M-token context, open under OpenMDW-1.1.

It scores 70.2% on Terminal-Bench 2.1 and 78.5% on SWE-Bench Multilingual, leading open disclosed-size models.

At 4-bit it runs on a single NVIDIA DGX Spark; FP8 fits one Spark or H200, BF16 needs two.

Default 'max thinking' drives most of the score, at a real token cost (DeepSWE: 16.5% → 40.4%).

Poolside は、NVIDIA と協力して Blackwell アーキテクチャ上の TRT-LLM サービングから NVFP4 への推論を最適化し、単一の DGX Spark で動作可能にしました。vLLM、SGLang、Ollama についてはリリース当日からサポートしています。

ホスト版のアクセスは OpenRouter を経由して提供されており、コンテキスト長 256K は無料です。一方、最大 1M のコンテキストを利用する場合は有料プランとなり、入力・出力・キャッシュ読み取りそれぞれ 100 万トークンあたり 0.10 ドル、0.20 ドル、0.01 ドルとなります。

このモデルはまた、Baseten、Kilo、Prime Intellect の Prime Lab、ZML などのプラットフォームでも利用可能です。

このモデルは、4,096 台の H200 GPU を用いてわずか 9 週間未満で訓練されました。Poolside が 3 ヶ月以内に発表したモデルとしては 3 作目となります。

出典：Poolside Technical（Laguna S 2.1 の紹介）、Robert McHardy氏の X 投稿、Poolside公式の X と Hugging Face モデルカード。