Poolside這次沒有端出萬億參數的龐然大物。Laguna S 2.1是118B總參數、8B啟用參數的MoE程式模型，權重放上Hugging Face，官方還說可在單台NVIDIA DGX Spark上運行。
新聞的抓手在這裡：歐美公司終於拿出一個可自託管的開放權重程式模型，但它沒有宣稱打穿GPT或Claude。官方榜單裡，Laguna S 2.1在Terminal-Bench 2.1是70.2%，離閉源前沿還有距離；Poolside押的是企業願意為了資料留在本機器裡，接受這段差距。
先把體積壓到能部署
Poolside官方博客寫明，Laguna S 2.1支援最高1M token上下文，從開始訓練到發布不到9週。官方列出的成績包括Terminal-Bench 2.1 70.2%、SWE-Bench Multilingual 78.5%、SWE-Bench Pro公開資料集59.4%、DeepSWE 40.4%。
這組數字不能混讀。70.2%來自Poolside自家agent harness；40.4%來自DeepSWE thinking mode。官方也承認部分比較採用廠商自報、榜單或第三方最高值，因此更適合看位置，不能當成精確橫評。
直接引語說的是工作習慣
What we've done in this model is not necessarily add more intelligence, but improve the behaviors that lead to a more capable model: more verification, less taking things for granted, not declaring victory early, and being more persistent.
Pengming Wang這句話的中文意思很直白：這次強化的重點是「幹活習慣」，多驗證，少想當然，不要測試沒全過就收工。
官方案例裡，Laguna S 2.1在50分鐘、181步會話中從空資料夾做出簡單HTML/CSS渲染引擎；另一個內部harness優化任務中，速度提高5.2%，記憶體分配降低約70%。
開放權重的空檔
過去一年，開放權重程式模型的聲量更多來自中國團隊。Kimi、Qwen、DeepSeek、MiniMax都在參數規模、授權、低價API和本地部署上輪番衝榜。Laguna S 2.1選在118B-A8B體量，是比30B級模型更能撐長任務、比萬億模型更容易落地的折中點。
Hugging Face模型卡確認NVFP4版本採用OpenMDW-1.1授權，vLLM Recipes提醒BF16權重大約235GB，預設不適合單卡，量化版本才是桌面和多GPU節點更現實的選擇。
代價也寫在限制裡
Poolside沒有把短板藏起來。官方列出的限制包括：在第三方agent harness裡可能過度記住自家工具格式；嵌套工具呼叫可能生成轉義錯誤的JSON；thinking mode有時會想得過久。
OpenRouter免費端點提供256K上下文，專用付費端點提供完整1M上下文，價格為每百萬token 0.10美元輸入、0.20美元輸出、0.01美元快取讀取。這比閉源前沿模型便宜許多，但長程agent一次會話動輒十萬到幾十萬輸出token。
真正的驗證在倉庫裡
接下來要看的指標很具體：Hugging Face下載與社群復現、vLLM/Ollama/SGLang推理路徑在真實倉庫裡是否穩定、下一代Laguna能不能縮小Terminal-Bench差距、OpenMDW授權在商業合規審查中是否順手。
Laguna S 2.1的價值不在「西方版DeepSeek」這句口號。它更像一個採購部門能理解的答案：程式碼可以留在本地，模型能長時間改倉庫，帳單可以算清，能力差距已經小到可以拿真實專案試。
參考來源：Poolside官方博客、Hugging Face模型卡、vLLM Recipes、CocoLoop、The Next Web；核驗模型參數、啟用參數、上下文窗口、benchmark口徑、訓練硬體、授權、推理部署和公開限制。