Poolside 发布 Laguna S 2.1：118B 参数 MoE 模型，长程编码能力对标更大模型

Aioga Editorial Team

AI资讯 / 模型更新

返回 AI资讯

Poolside 发布 Laguna S 2.1：118B 参数 MoE 模型，长程编码能力对标更大模型

Hacker News 热门（buzzing.cc 中文翻译）Aioga 编辑团队2026-07-21T20:43:27.067Z热度 78

Poolside 发布 Laguna S 2.1，一个 118B 总参数、8B 激活参数的 MoE 模型，支持 1M token 上下文窗口，从训练到发布用时不到九周。在 Te...

模型更新Hacker News 热门（buzzing.cc 中文翻译）

今日 AI 情报摘要

Poolside 发布 Laguna S 2.1，一个 118B 总参数、8B 激活参数的 MoE 模型，支持 1M token 上下文窗口，从训练到发布用时不到九周。

在 Terminal-Bench 2.1 上以 70.2% 的得分超越多数同尺寸模型，在 DeepSWE 上得分 40.4%。模型权重已开源，完整评估轨迹可在 trajectories.poolside.ai 获取。

中文正文 · AI 翻译

今天我们发布了 Laguna S 2.1，这是我们在开发能够执行长远任务并有效利用推理的模型方面迈出的重要一步。

Laguna S 2.1 是一个拥有 118B 总参数的专家混合（Mixture-of-Experts, MoE）模型，每个 token 激活 8B 参数，并且在思考模式和非思考模式下支持最长 1M token 的上下文窗口。从训练开始到上线不到九周，在长远编码基准测试中，其表现可以与体积大数倍的模型相媲美。对于今天发布的每个基准分数，我们都在 trajectories.poolside.ai 发布了最终评估集每次试验的完整轨迹：http://trajectories.poolside.ai/。

截至目前可测量的结果，Laguna S 2.1 在其重量级别中是最有能力的自主编码模型，相差悬殊。

S 2.1 在我们的代理测试环境中启用思考功能时，在 Terminal-Bench 2.1 上得分为 70.2%。其紧凑的体积使其特别适合在本地机器上执行复杂工作。

Terminal-Bench 2.1 报告分数的排名比较。

Terminal-Bench 2.1 评估了一组广泛、高质量的长远任务，其中代理模型通过终端与其环境连接。Laguna S 2.1 在该基准测试的同类模型中表现出众。

在对数坐标轴上展示的已披露总参数数量与 Terminal-Bench 2.1 分数的散点图。Laguna S 2.1 以三角形突出显示。

情报判断

Aioga 编辑摘要

Poolside 发布 Laguna S 2.1。该模型采用 MoE 架构，总参数为 118B，每个 token 激活 8B 参数，支持最高 1M token 上下文窗口，模型权重已经开源。

背景分析

正文称，该模型从开始训练到发布用时不到九周，面向更长周期的工作与推理场景。其 Terminal-Bench 2.1 得分为 70.2%，DeepSWE 得分为 40.4%。

Aioga 观点

Aioga 判断，Laguna S 2.1 的主要看点是以较低激活参数量支持长上下文和代理式编码任务。不过，“同级最强”等表述来自发布方，仍需独立评测验证。

影响与后续

该发布可能提升市场对 MoE 模型在本地复杂编码任务中效率表现的关注。完整评估轨迹的公开也为外部复核提供了材料，但现有结果不能直接推及所有开发场景。值得关注独立机构能否复现其 Terminal-Bench 2.1 与 DeepSWE 成绩，并比较不同硬件上的推理成本、运行稳定性及 1M token 上下文在实际项目中的有效利用情况。