Laguna-S-2.1

Użyj na OpenRouter · Użyj na Vercel AI Gateway · Post na blogu o wydaniu Laguna S 2.1 to model Mixture-of-Experts z 118B całkowitych parametrów i 8B aktywowanych parametrów na token, zaprojektowany do agentowego kodowania i pracy na długich horyzontach. Siedzi pomiędzy Laguna XS 2.1 (33B-A3B) a Laguna M.1 (225B-A23B) w serii Laguna i dzieli rodzinny przepis: router wyboru tokenów z softplus gatingiem nad 256 kierowanymi ekspertami plus jednym wspólnym ekspertem, uwagą grupowaną oraz przeplatanym pełnym/okienkowym podejściem uwagi.

• Mieszany układ SWA i globalnej uwagi: 48 warstw w stosunku 1:3 globalnej do SWA

(12 warstw globalnej uwagi, 36 warstw okienkowej, okno 512), z softplus uwagą gating i rotacyjnymi skalami dla każdego typu warstwy

• 1M kontekstu: okno kontekstowe 1,048,576 tokenów
• Wsparcie dla rozumowania: przeplatane myślenie między wywołaniami narzędzi, z

kontrolą na żądanie za pomocą enable_thinking

• Spekulacyjne dekodowanie: wytrenowany

model DFlash draft jest dostępny dla serwowania o niższej latencji

• Zquantyzowane warianty:

FP8, NVFP4, INT4 i GGUF

• Licencja OpenMDW-1.1: Używaj i modyfikuj model oraz związane materiały swobodnie

w celach komercyjnych i niekomercyjnych (więcej informacji o OpenMDW)

• Liczba parametrów: 118B całkowitych, ~8B aktywowanych na token
• Warstwy: 48 (12 globalnej uwagi, 36 uwagi okienkowej)
• Eksperci: 256 kierowanych (top-10) plus 1 wspólny ekspert
• Uwaga: grupowana, 8 głowic KV, wymiar głowicy 128; per-head softplus output gating
• Okno przesuwne: 512 tokenów
• Okno kontekstowe: 1,048,576 tokenów
• Słownik: 100,352 tokenów (tokenizator rodziny Laguna)
• Modalność: tekst-do-tekstu
• Rozumowanie: przeplatane myślenie z zachowanym myśleniem

Model	Rozmiar	Terminal-Bench 2.1	SWE-bench Multilingual	SWE-Bench Pro (Public Dataset)	DeepSWE	SWE Atlas (Codebase QnA)	Toolathlon Verified
Laguna S 2.1	118B-A8B	70.2%	78.5%	59.4%	40.4%	46.2%	49.7%
Tencent Hy3	295B-A21B	71.7%	75.8%	57.9%	–	–	–
Inkling	975B-A41B	63.8%	–	54.3%	–	–	45.5%*
Nemotron 3 Ultra	550B-A55B	56.4%	67.7%	–	–	–	34.3%*
DeepSeek-V4-Pro Max	1.6T-A49B	64.0%*	76.2%	55.4%	9.0%*	27.2%*	55.9%*
Kimi K3	2800B-A50B	88.3%	–	–	69%	–	–
Qwen 3.7 Max	–	74.5%*	78.3%	60.6%	–	–	–
Muse Spark 1.1	–	80%	–	61.5%	53.3%	42.2%*	75.6%
Claude Fable 5	–	88%	–	80.3%	70%	–	–

Benchmarki z dnia 21 lipca 2026. Laguna S 2.1 w pogrubieniu; myślnik (-) oznacza benchmark, na którym model nie był oceniany. Wyniki oznaczone * są raportowane przez strony trzecie: Terminal-Bench 2.1 i DeepSWE za pośrednictwem Artificial Analysis, SWE Atlas za pośrednictwem oficjalnej listy liderów Scale AI oraz Toolathlon Verified za pośrednictwem swojej oficjalnej listy liderów. Pełne trajektorie ewaluacji: trajectories.poolside.ai. Laguna S 2.1 używa tej samej architektury laguna co Laguna XS 2.1, więc te same

integracje silnika mają zastosowanie (vLLM, SGLang, Transformers, TRT-LLM, llama.cpp). Przy 118B parametrach punkt kontrolny BF16 potrzebuje wielu GPU (około 236GB wag); quantyzowane warianty znacznie to redukują. > [!NOTE]

Opcjonalne: spekulacyjne dekodowanie z DFlash. Połącz z modelem DFlash Laguna S 2.1 dodając --speculative-config '{"model":"poolside/Laguna-S-2.1-DFlash","num_speculative_tokens":7,"method":"dflash"}'.