Les poids sont-ils ouverts et puis-je exécuter Laguna S 2.1 localement ?

Oui, les poids sont disponibles sur Hugging Face sous licence OpenMDW-1.1, qui permet un usage commercial et la modification sans demander d’autorisation. Le checkpoint BF16 nécessite environ 236 Go de mémoire GPU, donc plusieurs GPU sont nécessaires ; des variantes quantifiées GGUF, FP8, NVFP4 et INT4 sont aussi disponibles pour réduire cette exigence.

Quel est le coût de Laguna S 2.1 et quelle est la taille de sa fenêtre de contexte ?

Via l’API, le tarif est de 0,09 $ par million de tokens en entrée et 0,18 $ par million de tokens en sortie, avec une fenêtre de contexte de 1 048 576 tokens. En utilisant le niveau gratuit, Poolside peut utiliser vos entrées et sorties pour améliorer le modèle.

Comment Laguna S 2.1 se compare-t-il au reste de la série Laguna ?

Il se situe entre Laguna XS 2.1 (33 milliards au total, 3 milliards actifs) et Laguna M.1 (225 milliards au total, 23 milliards actifs), partageant la même famille d’architecture et compatible avec les mêmes moteurs d’inférence : vLLM, SGLang, Transformers, TRT-LLM et llama.cpp.

▲

26.3%

cette semaine

Laguna S 2.1

9008°

#llm #poolside #raisonnement #programmation #agents #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Poolside | contexte de 1 048 576 tokens | 0,09 $/M en entrée, 0,18 $/M en sortie. Laguna S 2.1 est le dernier modèle agent de codage de PoolsideOpens in new tab. Laguna S 2.1 est un modèle de 118 milliards de paramètres totaux avec 8 milliards de paramètres actifs, obtenant un score de 70,2 % sur Terminal-Bench 2.1 et 40,4 % sur DeepSWE, ce qui en fait l'un des modèles de codage les plus performants de sa catégorie. Open-weight sous licence OpenMDW-1.1. Laguna S 2.1 est conçu pour les cas d'utilisation en ingénierie logicielle et codage agentique, et vous êtes responsable de confirmer qu'il…Poolside | contexte de 1 048 576 tokens | 0,09 $/M en entrée, 0,18 $/M en sortie. Laguna S 2.1 est le dernier modèle agent de codage de PoolsideOpens in new tab. Laguna S 2.1 est un modèle de 118 milliards de paramètres totaux avec 8 milliards de paramètres actifs, obtenant un score de 70,2 % sur Terminal-Bench 2.1 et 40,4 % sur DeepSWE, ce qui en fait l'un des modèles de codage les plus performants de sa catégorie. Open-weight sous licence OpenMDW-1.1. Laguna S 2.1 est conçu pour les cas d'utilisation en ingénierie logicielle et codage agentique, et vous êtes responsable de confirmer qu'il est approprié pour votre application prévue. Laguna S 2.1 est soumis à la licence OpenMDW-1.1Opens in new tab, et doit être utilisé conformément à la politique d'utilisation acceptable de PoolsideOpens in new tab. Nous déconseillons de contourner les garde-fous de sécurité de Laguna S 2.1 sans mettre en œuvre des mesures d'atténuation substantiellement équivalentes adaptées à votre cas d'usage. Veuillez signaler les vulnérabilités de sécurité ou préoccupations de sécurité à [email protected]. Si vous utilisez Laguna S 2.1 gratuitement, nous pouvons utiliser vos entrées et sorties pour entraîner et améliorer nos modèles.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Comment installer Ollama et faire tourner une IA locale (Windows, Mac, Linux)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Laguna S 2.1 est un modèle de codage Mixture-of-Experts de 118 milliards de paramètres développé par Poolside, avec seulement 8 milliards de paramètres actifs par token. Il est conçu pour l’ingénierie logicielle agentique et les tâches de codage à long terme, avec une fenêtre de contexte d’un million de tokens et un raisonnement natif entre les appels d’outils. Les poids ouverts sous la licence permissive OpenMDW-1.1 en font une option sérieuse pour les équipes souhaitant héberger elles-mêmes un agent de codage de pointe.

Connu pour

Résultats solides en codage agentique : 70,2 % sur Terminal-Bench 2.1, 40,4 % sur DeepSWE
Fenêtre de contexte de 1 048 576 tokens pour de grandes bases de code et des tâches à long terme
Raisonnement natif entrelacé entre les appels d’outils, contrôlable à la demande
Licence OpenMDW-1.1 entièrement permissive : usage commercial, modification, sans besoin d’autorisation
Variantes quantifiées disponibles : FP8, NVFP4, INT4 et GGUF pour un déploiement flexible

Attention à

Les poids BF16 nécessitent environ 236 Go répartis sur plusieurs GPU ; les variantes quantifiées réduisent cette exigence mais impliquent des compromis.
L’utilisation du niveau gratuit permet à Poolside d’utiliser vos entrées et sorties pour l’entraînement du modèle.
Les benchmarks sont auto-déclarés par Poolside ; les scores tiers sont indiqués comme tels et les comparaisons varient selon l’évaluateur.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Contexte long

Fonctionne localement

Prompts à essayer

Déboguer une suite de tests qui échoue

J’ai un service Python FastAPI. Les tests d’intégration passent localement mais échouent en CI avec une erreur 422 Unprocessable Entity sur POST /orders. Le corps de la requête est identique dans les deux environnements. Parcours les causes les plus probables, écris un script de diagnostic que je peux exécuter en CI pour enregistrer la requête brute et les erreurs de validation, et suggère des corrections.

Planifier une refactorisation multi-fichiers

Je dois migrer une application Node.js Express de la syntaxe CommonJS require() vers l’import/export des modules ES. Le projet compte environ 40 fichiers, utilise Jest pour les tests, et contient quelques appels require() dynamiques. Donne-moi un plan de migration étape par étape, signale les cas limites qui cassent automatiquement, et écris un script shell pour gérer les renommages mécaniques.

Audit agentique de dépôt

Agis en tant qu’ingénieur senior examinant une pull request. Voici un diff des modifications d’un module d’authentification qui remplace bcrypt par Argon2. Vérifie les régressions de sécurité, les mauvais choix de paramètres, les erreurs de gestion manquantes et les lacunes dans les tests. Liste chaque problème avec fichier et ligne, gravité et correction concrète.

Comparer avec

Laguna XS 2.1
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.06/M, sortie $0.12/M
GPT-6 Luna
Modèle uniquement API
Contexte de 1,050,000 tokens · entrée $0.10/M, sortie $0.50/M
Claude Opus 5.5
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $4.00/M, sortie $20.00/M
Muse Spark 1.3 Contributor
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.10/M, sortie $0.20/M

Plus de modèles de texte de poolside

Questions fréquentes

Les poids sont-ils ouverts et puis-je exécuter Laguna S 2.1 localement ?: Oui, les poids sont disponibles sur Hugging Face sous licence OpenMDW-1.1, qui permet un usage commercial et la modification sans demander d’autorisation. Le checkpoint BF16 nécessite environ 236 Go de mémoire GPU, donc plusieurs GPU sont nécessaires ; des variantes quantifiées GGUF, FP8, NVFP4 et INT4 sont aussi disponibles pour réduire cette exigence.
Quel est le coût de Laguna S 2.1 et quelle est la taille de sa fenêtre de contexte ?: Via l’API, le tarif est de 0,09 $ par million de tokens en entrée et 0,18 $ par million de tokens en sortie, avec une fenêtre de contexte de 1 048 576 tokens. En utilisant le niveau gratuit, Poolside peut utiliser vos entrées et sorties pour améliorer le modèle.
Comment Laguna S 2.1 se compare-t-il au reste de la série Laguna ?: Il se situe entre Laguna XS 2.1 (33 milliards au total, 3 milliards actifs) et Laguna M.1 (225 milliards au total, 23 milliards actifs), partageant la même famille d’architecture et compatible avec les mêmes moteurs d’inférence : vLLM, SGLang, Transformers, TRT-LLM et llama.cpp.

Verdict du capitaine
Un agent de codage à poids ouverts véritablement permissif qui surpasse largement son nombre de paramètres actifs, à condition de disposer du matériel nécessaire pour le faire tourner.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Tendance de popularité de Laguna S 2.1

Score de chaleur depuis 21 Jul 2026

Score de popularité

9,008°

Cette semaine

▲

26.3%

8,977° alors, 9,008° maintenant

Ce mois-ci

▲

222%

8,853° alors, 9,008° maintenant

L'année passée

n/a

Pas encore publié/suivi

7,000°

Plancher

L’échelle va de 0° à 9 999°. Tout ce qui est en dessous de 7,000° est réservé aux modèles dont aucune source ne rapporte encore de données, ils portent un nombre de remplacement pour que les listes restent complètes. 7,000° est le point où les données mesurées commencent : un modèle avec de vraies données mais presque aucun téléchargement est au plancher, et les mesures remplissent les degrés au-dessus. Le plancher ne dit rien sur le modèle ; seuls les degrés au-dessus le font, et ce sont eux qui différencient un modèle d’un autre.

+1,695°

Tokens OpenRouter

4,469,209,626,464 tokens traités par ce modèle via OpenRouter au cours des 30 derniers jours, prompts et réponses confondus. Chaque 10,000,000 tokens compte comme un téléchargement dans le terme de téléchargement, 446,920 au total ; les tokens du dernier jour s'ajoutent au taux d'adoption. Source : OpenRouter (openrouter.ai/rankings).

+313°

Taux d’adoption

Environ 14,717 téléchargements par jour, mesurés entre deux relevés des sources, jamais estimés à partir d’une moyenne sur la durée. La vitesse compte pour un quart du terme téléchargement, donc une poussée récente apparaît sans qu’un pic d’un jour dépasse des années d’usage.

Afficher le détail

Chaque chiffre sur ce site peut être vérifié. Le score de popularité de ce modèle est de 9,008°, et voici comment il est construit, ingrédient par ingrédient, avec le total cumulé après chaque étape : le plancher, les degrés ajoutés par chaque source, le bonus pour le type de modèle et ce que l’âge de ses poids enlève. Les couleurs correspondent aux bandes du graphique ci-dessus. Le glossaire à la fin définit chaque terme.

1
Commence au plancher.
Pourquoi 7,000° et pas zéro : l’échelle va de 0° à 9 999°, et la partie en dessous de 7,000° est réservée aux modèles dont aucune source ne rapporte encore de données, qui portent un nombre de remplacement pour que les listes restent complètes et ne dépassent jamais un modèle avec données. 7,000° est le point où les données mesurées commencent. Un modèle avec de vraies données mais presque aucun téléchargement est ici ; tout ce qui suit est une mesure, et l’espace au-dessus du plancher contient dix paliers de dix fois plus de téléchargements à 300° chacun. Le plancher est le même pour tous les modèles, donc il ne décide rien ; ce sont les degrés au-dessus qui le font.
7,000°
total en cours
2
Ajoute les téléchargements.
446,920 équivalents de téléchargement au total, venant de Tokens OpenRouter. Multiplier les téléchargements par dix ajoute le même 300°, donc la taille compte mais ne domine jamais le score.
+1,695°
8,695°
total en cours
3
Ajoute le taux d’adoption.
Environ 14,717 téléchargements par jour en ce moment, mesurés entre deux relevés, à un quart du poids.
+313°
9,008°
total en cours
=
Le score de chaleur.
La place de ce modèle dans chaque liste de ce site. Rien d’autre ne le modifie.
9,008°

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Voici comment la popularité de ce modèle a évolué par rapport au reste du catalogue : sa croissance en téléchargements, likes et utilisation à chaque période, comparée à la croissance typique des modèles sur la même période, avec son score de chaleur à ce moment-là. Au-dessus de la croissance typique, c’est une hausse, en dessous, une baisse. Le passé est reconstitué à partir des totaux d’aujourd’hui, du premier jour du modèle et de sa vitesse de téléchargement mesurée quand il y a deux relevés ; un modèle qui n’existait pas au début d’une période affiche n/a.

Modèles similaires

Llama 3.1 Euryale 70B v2.2

TEXT / LLM

Kimi K2 Thinking

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Laguna S 2.1 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm poolside raisonnement programmation agents contexte long local

Parcourir par famille de modèles