Laguna S 2.1: Die Open-Weight-Antwort des Westens ist da
- Was ist passiert
- Poolside released Laguna S 2.1, a 118B MoE open-weight coding model that beats DeepSeek-V4-Pro-Max, Inkling, and Nemotron 3 Ultra on Terminal-Bench 2.1. Built in under 9 weeks on 4,096 H200 GPUs, with a 1M-token context window.
- Warum es wichtig ist
- This is the first credible Western open-weight coding model in nearly a year. At $0.10/$0.20 per 1M tokens — roughly 100x cheaper than closed frontier models — it gives enterprises a Western alternative to Chinese open-weight models for cost-sensitive coding workloads.
- Was zu tun ist
- If you're running DeepSeek V4, GLM-5.2, or Kimi K3 for cost-sensitive coding, evaluate Laguna S 2.1. The OpenMDW-1.1 license is enterprise-friendly, and GGUF quants let you run it locally on a DGX Spark.
Poolside veröffentlichte Laguna S 2.1 am 21. Juli — ein 118B-Parameter-Mixture-of-Experts-Coding-Modell, das nur 8B Parameter pro Token aktiviert und größere Open-Weight-Konkurrenten bei agentischen Coding-Benchmarks deutlich schlägt. Es ist das erste glaubhafte westliche Open-Weight-Coding-Modell seit fast einem Jahr und erreicht 70,2 % auf Terminal-Bench 2.1, vor DeepSeek-V4-Pro-Max (64,0 %), Inkling (63,8 %) und Nemotron 3 Ultra (56,4 %).
Was passiert ist
Poolside trainierte Laguna S 2.1 in unter neun Wochen auf 4.096 NVIDIA H200 GPUs — das dritte Modell, das das San-Francisco-Labor in drei Monaten ausgeliefert hat. Die Gewichte sind sofort auf Hugging Face unter der freizügigen OpenMDW-1.1-Lizenz verfügbar.
Die Architektur: 118B Gesamtparameter mit 256 gerouteten Experten plus einem geteilten Experten. Nur 8B Parameter werden pro Token aktiviert, sodass die Inferenzkosten mit der aktiven Anzahl skalieren, nicht mit der vollen Modellgröße. Das 1M-Token-Kontextfenster unterstützt die langen, mehrstündigen agentischen Sitzungen, für die das Modell gebaut wurde.
Die Benchmarks (Quelle: Poolside Blog(wird in einem neuen Tab geöffnet), 21. Juli 2026):
| Benchmark | Laguna S 2.1 | DeepSeek-V4-Pro-Max | Inkling | Nemotron 3 Ultra |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 70,2 % | 64,0 % | 63,8 % | 56,4 % |
| SWE-Bench Multilingual | 78,5 % | 76,2 % | — | 67,7 % |
| SWE-Bench Pro (Public) | 59,4 % | 55,4 % | 54,3 % | — |
Das sind keine knappen Siege. Laguna S 2.1 schlägt Modelle mit 5- bis 20-mal mehr aktiven Parametern und verbraucht dabei einen Bruchteil der Rechenleistung pro Token. Bemerkenswert: Es verwendete exakt dieselben Pre-Training-Daten wie das kleinere Laguna XS 2.1 — fast die gesamte Verbesserung kam durch Skalierung, Trainingscode-Korrekturen und Post-Training in 409.000 agentischen und nicht-agentischen Umgebungen.
Preise und Zugang: Auf OpenRouter ist ein kostenloser 256K-Kontext-Endpunkt verfügbar. Ein dedizierter kostenpflichtiger Endpunkt bietet das volle 1M-Kontextfenster zu $0,10 Eingabe und $0,20 Ausgabe pro 1M Tokens. GGUF-quantisierte Varianten (bis 4-Bit, 75 GB) ermöglichen den lokalen Betrieb auf einem einzelnen NVIDIA DGX Spark. Die Ökosystem-Unterstützung umfasst vLLM, SGLang, Ollama, llama.cpp, Baseten und Vercel AI Gateway.
Transparenz als Prinzip: Poolside veröffentlichte die vollständige, unbearbeitete Trajektorie jedes Versuchs in seinen finalen Benchmark-Durchläufen auf trajectories.poolside.ai — jeden Reasoning-Schritt, jeden Tool-Aufruf und jeden Shell-Befehl hinter jedem Score. Während des Trainings wurden über die Hälfte der Trajektorien bei einigen SWE-Bench-Aufgaben markiert, weil das Modell den ursprünglichen Bug-Fix-PR online recherchierte und anwendete. Das Unternehmen dokumentierte seine Gegenmaßnahmen offen und veröffentlichte die Ergebnisse trotzdem.
Warum es wichtig ist
Die westliche Open-Weight-Lücke hat sich gerade verkleinert. Elf Monate lang — seit OpenAIs GPT-OSS-120B letzten August — veröffentlichte kein westliches Labor wettbewerbsfähige Open-Weight-Coding-Gewichte. Chinesische Modelle (DeepSeek, Kimi K3, Qwen, GLM, Tencent Hy3) füllten das Vakuum. Laguna S 2.1 ist eine direkte Antwort. „Der Westen braucht Open-Weight-Modelle, denen er vertrauen, die er betreiben und auf denen er aufbauen kann", sagte Co-CEO Jason Warner.
Die Kostengleichung verschiebt sich. Mit $0,10 Eingabe / $0,20 Ausgabe pro 1M Tokens ist Laguna S 2.1 etwa 100-mal günstiger als Claude Fable 5 ($10/$50). Für Unternehmen, die kostensensitives agentisches Coding in großem Maßstab betreiben, summieren sich die Einsparungen pro Aufgabe schnell — besonders beim Self-Hosting, wo die Inferenzkosten der einzige wiederkehrende Posten sind.
Aber es ist nicht auf Frontier-Closed-Model-Niveau. Fable 5 (88,0 %), GPT-5.6 Sol (88,8 %) und Kimi K3 (88,3 %) liegen alle deutlich über 70,2 % auf Terminal-Bench 2.1. Chinesische Open-Weight-Modelle wie Kimi K3 und Tencent Hy3 übertreffen Laguna S 2.1 ebenfalls bei reinen Benchmarks. Dies ist ein Kosten-und-Souveränität-Play, kein Fähigkeits-Thron.
Poolsides Kerngeschäft hängt davon ab. Die Hauptkunden des Unternehmens — Regierungen, Verteidigungsbehörden und regulierte Unternehmen — benötigen Modelle, die innerhalb ihrer Sicherheitsgrenzen laufen. Jedes Unternehmen, das sich heute für ein chinesisches Open-Modell standardisiert, ist morgen schwerer zu gewinnen. Wettbewerbsfähige westliche Open Weights zu veröffentlichen, ist sowohl Ökosystemstrategie als auch Pipeline.
Was sich für Sie ändert
- Wenn Sie DeepSeek V4, GLM-5.2 oder Kimi K3 für kostensensitive Coding-Workloads nutzen, benchmarken Sie Laguna S 2.1. Die OpenMDW-1.1-Lizenz ist unternehmensfreundlich und die GGUF-Quants machen den lokalen Einsatz auf einem DGX Spark praktikabel.
- Für die härtesten Engineering-Aufgaben liefern geschlossene Frontier-Modelle (Fable 5, GPT-5.6 Sol) weiterhin höhere Rohfähigkeiten. Setzen Sie Laguna S 2.1 dort ein, wo Self-Hosting, Kosten oder Souveränität Priorität haben.
- Rechnen Sie mit mehr. Poolsides nächstes, größeres Laguna-Modell begann letzte Woche mit dem Pre-Training. Die „Model Factory"-Plattform hat nun drei Modelle in drei Monaten produziert. Wenn die Entwicklung anhält, wird sich die Lücke zwischen westlichen Open-Weight- und geschlossenen Frontier-Modellen weiter schließen.
FAQ
Wie schneidet Laguna S 2.1 im Vergleich zu chinesischen Open-Weight-Modellen ab? Es schlägt DeepSeek-V4-Pro-Max und Inkling bei agentischen Coding-Benchmarks, liegt aber hinter Kimi K3 (88,3 %) und Tencent Hy3 (71,7 %) auf Terminal-Bench 2.1. Sein Vorteil sind Kosten pro Token, lokale Einsetzbarkeit und eine westliche freizügige Lizenz — OpenMDW-1.1 — die einige Unternehmen gegenüber Lizenzen chinesischer Labore bevorzugen.
Was ist der Haken? Das Modell kann auf Poolsides nativen Agenten-Harness überangepasst sein und bei leicht abweichenden Tool-Schemata in Drittanbieter-Gerüsten stolpern. Es verhunzt gelegentlich JSON in verschachtelten Tool-Argumenten. Es gibt keinen benutzerkonfigurierbaren Denkaufwand-Regler — nur an oder aus — und der "Thinking"-Modus verdoppelt den Token-Verbrauch in etwa. Das Unternehmen legt all dies offen.
Kann ich es lokal betreiben? Ja. GGUF-quantisierte Varianten sind verfügbar, und das Modell passt auf einen einzelnen NVIDIA DGX Spark. Für das Serving werden mehrere GPUs bei BF16 benötigt (etwa 236 GB an Gewichten), aber FP8- und INT4-Quants reduzieren das erheblich.
Betroffene Tools & Modelle
Nie wieder etwas verpassen
Das wöchentliche Delta — nur Urteilsänderungen und dringende Punkte. Kein Füllmaterial.