Zijn de gewichten open en kan ik Laguna S 2.1 lokaal draaien?

Ja, de gewichten zijn beschikbaar op Hugging Face onder de OpenMDW-1.1-licentie, die commercieel gebruik en aanpassing toestaat zonder toestemming te vragen. De BF16-checkpoint vereist ongeveer 236GB GPU-geheugen, dus je hebt meerdere GPU's nodig; GGUF-, FP8-, NVFP4- en INT4-gekwantiseerde varianten zijn ook beschikbaar om die eis te verlagen.

Wat kost Laguna S 2.1 en hoe groot is het contextvenster?

Via de API kost het $0,09 per miljoen inputtokens en $0,18 per miljoen outputtokens, met een contextvenster van 1.048.576 tokens. Als je het gratis niveau gebruikt, mag Poolside je invoer en uitvoer gebruiken om het model te verbeteren.

Hoe verhoudt Laguna S 2.1 zich tot de rest van de Laguna-serie?

Het zit tussen Laguna XS 2.1 (33 miljard totaal, 3 miljard actief) en Laguna M.1 (225 miljard totaal, 23 miljard actief), deelt dezelfde architectuurfamilie en is compatibel met dezelfde inference-engines: vLLM, SGLang, Transformers, TRT-LLM en llama.cpp.

▲

26.3%

deze week

Laguna S 2.1

9008°

#llm #poolside #redeneren #coderen #agenten #lange context

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Poolside | 1.048.576 token context | $0,09/M input, $0,18/M output. Laguna S 2.1 is het nieuwste codeeragentmodel van PoolsideOpens in new tab. Laguna S 2.1 is een model met 118B totale parameters en 8B actieve parameters, met een score van 70,2% op Terminal-Bench 2.1 en 40,4% op DeepSWE, waarmee het een van de sterkste codeermodellen in zijn categorie is. Open-weight onder de OpenMDW-1.1 licentie. Laguna S 2.1 is ontworpen voor software-engineering en agentisch codeergebruik, en u bent verantwoordelijk voor het bevestigen dat het geschikt is voor uw beoogde toepassing. Laguna S 2.1 valt…Poolside | 1.048.576 token context | $0,09/M input, $0,18/M output. Laguna S 2.1 is het nieuwste codeeragentmodel van PoolsideOpens in new tab. Laguna S 2.1 is een model met 118B totale parameters en 8B actieve parameters, met een score van 70,2% op Terminal-Bench 2.1 en 40,4% op DeepSWE, waarmee het een van de sterkste codeermodellen in zijn categorie is. Open-weight onder de OpenMDW-1.1 licentie. Laguna S 2.1 is ontworpen voor software-engineering en agentisch codeergebruik, en u bent verantwoordelijk voor het bevestigen dat het geschikt is voor uw beoogde toepassing. Laguna S 2.1 valt onder de OpenMDW-1.1 LicentieOpens in new tab en moet worden gebruikt in overeenstemming met het Acceptable Use Policy van PoolsideOpens in new tab. We raden af om de veiligheidsmaatregelen van Laguna S 2.1 te omzeilen zonder substantieel gelijkwaardige mitigaties die geschikt zijn voor uw gebruiksdoel. Meld beveiligingslekken of veiligheidsproblemen aan [email protected]. Als u Laguna S 2.1 gratis gebruikt, kunnen wij uw inputs en outputs gebruiken om onze modellen te trainen en te verbeteren.

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Hoe Ollama te installeren en een lokale AI te draaien (Windows, Mac, Linux)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Laguna S 2.1 is een Mixture-of-Experts codeermodel met 118 miljard parameters van Poolside, waarbij slechts 8 miljard parameters actief zijn per token. Het is ontworpen voor agent-georiënteerde software-engineering en taken met een lange horizon, met een contextvenster van 1 miljoen tokens en native redenering tussen tool-aanroepen. Open weights onder de permissieve OpenMDW-1.1-licentie maken het een serieuze optie voor teams die een frontier-klasse codeeragent zelf willen hosten.

Bekend om

Sterke agent-georiënteerde codeerresultaten: 70,2% op Terminal-Bench 2.1, 40,4% op DeepSWE
Contextvenster van 1.048.576 tokens voor grote codebases en taken met lange horizon
Native afgewisselde redenering tussen tool-aanroepen, per verzoek bestuurbaar
Volledig permissieve OpenMDW-1.1-licentie: commercieel gebruik, aanpassing, geen toestemming nodig
Beschikbare gekwantiseerde varianten: FP8, NVFP4, INT4 en GGUF voor flexibele inzet

Let op

BF16-gewichten vereisen ongeveer 236GB over meerdere GPU's; gekwantiseerde varianten verlichten dit, maar brengen compromissen mee.
Gratis gebruiksniveau staat Poolside toe je invoer en uitvoer te gebruiken voor modeltraining.
Benchmarkscores zijn zelfgerapporteerd door Poolside; scores van derden zijn als zodanig gemarkeerd en vergelijkingen verschillen per evaluator.

Het beste voor

Coderen

Agenten en toolgebruik

Redeneren

Lange context

Draait lokaal

Prompts om te proberen

Debug een falende test suite

Ik heb een Python FastAPI-service. De integratietests slagen lokaal, maar falen in CI met een 422 Unprocessable Entity op POST /orders. De request body is identiek in beide omgevingen. Loop door de meest waarschijnlijke oorzaken, schrijf een diagnostisch script dat ik in CI kan draaien om de ruwe request en validatiefouten te loggen, en stel oplossingen voor.

Plan een refactor over meerdere bestanden

Ik moet een Node.js Express-app migreren van CommonJS require() naar ES module import/export-syntaxis. Het project heeft ongeveer 40 bestanden, gebruikt Jest voor tests en heeft een paar dynamische require()-aanroepen. Geef me een stapsgewijs migratieplan, markeer de randgevallen die automatisch breken, en schrijf een shell-script om de mechanische hernoemingen af te handelen.

Agent-georiënteerde repo-audit

Gedraag je als een senior engineer die een pull request reviewt. Hier is een diff van wijzigingen aan een authenticatiemodule die bcrypt vervangt door Argon2. Controleer op beveiligingsregressies, onjuiste parameterkeuzes, ontbrekende foutafhandeling en eventuele testlacunes. Noem elk probleem met bestand- en regelreferentie, ernst en een concrete oplossing.

Vergelijk met

Laguna XS 2.1
Model met open gewichten
262,144 token context · $0.06/M invoer, $0.12/M uitvoer
GPT-6 Luna
Alleen API-model
1,050,000 token context · $0.10/M invoer, $0.50/M uitvoer
Claude Opus 5.5
Alleen API-model
1,000,000 token context · $4.00/M invoer, $20.00/M uitvoer
Muse Spark 1.3 Contributor
Alleen API-model
1,048,576 token context · $0.10/M invoer, $0.20/M uitvoer

Meer tekstmodellen van poolside

Veelgestelde vragen

Zijn de gewichten open en kan ik Laguna S 2.1 lokaal draaien?: Ja, de gewichten zijn beschikbaar op Hugging Face onder de OpenMDW-1.1-licentie, die commercieel gebruik en aanpassing toestaat zonder toestemming te vragen. De BF16-checkpoint vereist ongeveer 236GB GPU-geheugen, dus je hebt meerdere GPU's nodig; GGUF-, FP8-, NVFP4- en INT4-gekwantiseerde varianten zijn ook beschikbaar om die eis te verlagen.
Wat kost Laguna S 2.1 en hoe groot is het contextvenster?: Via de API kost het $0,09 per miljoen inputtokens en $0,18 per miljoen outputtokens, met een contextvenster van 1.048.576 tokens. Als je het gratis niveau gebruikt, mag Poolside je invoer en uitvoer gebruiken om het model te verbeteren.
Hoe verhoudt Laguna S 2.1 zich tot de rest van de Laguna-serie?: Het zit tussen Laguna XS 2.1 (33 miljard totaal, 3 miljard actief) en Laguna M.1 (225 miljard totaal, 23 miljard actief), deelt dezelfde architectuurfamilie en is compatibel met dezelfde inference-engines: vLLM, SGLang, Transformers, TRT-LLM en llama.cpp.

Oordeel van de kapitein
Een echt permissieve open-weights codeeragent die veel beter presteert dan zijn actieve parameteraantal doet vermoeden, mits je de hardware hebt om hem te draaien.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #26 Hottest Text / LLM model · #26 Hottest Text / LLM text model

Not this creator?

Get your own badge

Populariteitstrend van Laguna S 2.1

Heat score sinds 21 Jul 2026

Heat score

9,008°

Deze week

▲

26.3%

8,977° toen, 9,008° nu

Deze maand

▲

222%

8,853° toen, 9,008° nu

Afgelopen jaar

n.v.t.

Nog niet uitgebracht/getrackt

7,000°

Basis

De schaal loopt van 0° tot 9.999°. Alles onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven. 7,000° is waar gemeten data begint: een model met echte data maar bijna geen downloads zit op de basis, en de metingen vullen de graden erboven. De basis zegt niets over het model; alleen de graden erboven doen dat, en die maken het verschil tussen modellen.

+1,695°

OpenRouter tokens

4,469,209,626,464 tokens heeft dit model in de afgelopen 30 dagen verwerkt via OpenRouter, prompts en antwoorden samen. Elke 10,000,000 tokens telt als één download in de downloadterm, in totaal 446,920; de tokens van de laatste dag tellen mee voor het adoptiecijfer. Bron: OpenRouter (openrouter.ai/rankings).

+313°

Adoptiesnelheid

Ongeveer 14,717 downloads per dag, gemeten tussen twee metingen van de bronnen, nooit geschat op een levenslange gemiddelde. Snelheid weegt een kwart van de downloadterm, zodat een verse piek zichtbaar is zonder dat een dagpiek jaren gebruik overstemt.

Toon gedetailleerde uitsplitsing

Elk getal op deze site is te controleren. De heat-score van dit model is 9,008°, en hier wordt die stap voor stap opgebouwd, met de tussentijdse totalen na elke stap: de basis, de graden die elke bron toevoegt, de bonus voor het type model en wat de leeftijd van de gewichten eraf haalt. De kleuren zijn de banden van de grafiek hierboven. De woordenlijst achteraan legt elke term uit.

1
Begin bij de basis.
Waarom 7,000° en niet nul: de schaal loopt van 0° tot 9.999°, en het deel onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven en nooit hoger staan dan een model met data. 7,000° is waar gemeten data begint. Een model met echte data maar bijna geen downloads zit hier; alles wat volgt is meting, en de ruimte boven de basis bevat tien stappen van tien keer zoveel downloads, elk 300° waard. De basis is voor elk model hetzelfde, dus die zegt niets; de graden erboven wel.
7,000°
lopende totaal
2
Voeg de downloads toe.
446,920 download-equivalenten in totaal, van OpenRouter tokens. Tien keer de downloads voegt dezelfde 300° toe, dus grootte telt mee maar bepaalt niet alles.
+1,695°
8,695°
lopende totaal
3
Voeg de adoptiesnelheid toe.
Ongeveer 14,717 downloads per dag op dit moment, gemeten tussen twee metingen, met een kwart van het gewicht.
+313°
9,008°
lopende totaal
=
De heat-score.
Waar dit model staat op elke lijst van deze site. Niets anders beïnvloedt dit.
9,008°

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Hoe de populariteit van dit model zich verhoudt tot de rest van de catalogus: de groei in downloads, likes en gebruik per periode, gemeten ten opzichte van de typische groei van modellen in dezelfde periode, met de heat score op dat moment. Boven de typische groei betekent stijging, eronder daling. Het verleden wordt herbouwd vanuit de huidige totalen, de eerste dag van het model en de gemeten downloadsnelheid als er twee metingen zijn; een model dat er aan het begin van een periode nog niet was, toont n.v.t.

Vergelijkbare modellen

Llama 3.2 3B Instruct

TEXT / LLM

AI-modellen voor het genereren van afbeeldingen, video en tekst

Laguna S 2.1 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm poolside redeneren coderen agenten lange context lokaal

Bladeren op modelfamilie