I pesi sono aperti e posso eseguire Laguna S 2.1 localmente?

Sì, i pesi sono disponibili su Hugging Face sotto la licenza OpenMDW-1.1, che permette uso commerciale e modifiche senza chiedere permessi. Il checkpoint BF16 richiede circa 236 GB di memoria GPU, quindi servono più GPU; sono disponibili anche varianti quantizzate GGUF, FP8, NVFP4 e INT4 per ridurre questa esigenza.

Quanto costa Laguna S 2.1 e qual è la sua finestra di contesto?

Via API costa $0,09 per milione di token in input e $0,18 per milione di token in output, con una finestra di contesto di 1.048.576 token. Se usi il piano gratuito, Poolside può usare i tuoi input e output per migliorare il modello.

Come si posiziona Laguna S 2.1 rispetto al resto della serie Laguna?

Si colloca tra Laguna XS 2.1 (33 miliardi totali, 3 miliardi attivi) e Laguna M.1 (225 miliardi totali, 23 miliardi attivi), condividendo la stessa famiglia architetturale e compatibile con gli stessi motori di inferenza: vLLM, SGLang, Transformers, TRT-LLM e llama.cpp.

▲

26.3%

questa settimana

Laguna S 2.1

9008°

#llm #poolside #ragionamento #programmazione #agenti #contesto lungo

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

Poolside | contesto da 1.048.576 token | $0.09/M input, $0.18/M output. Laguna S 2.1 è l'ultimo modello per agenti di coding di PoolsideOpens in new tab. Laguna S 2.1 è un modello da 118B parametri totali con 8B parametri attivi, che ottiene il 70.2% su Terminal-Bench 2.1 e il 40.4% su DeepSWE, rendendolo uno dei modelli di coding più forti nella sua categoria. Open-weight sotto licenza OpenMDW-1.1. Laguna S 2.1 è progettato per casi d'uso di ingegneria del software e coding agentico, e sei responsabile di confermare che sia appropriato per la tua applicazione prevista. Laguna S 2.1 è…Poolside | contesto da 1.048.576 token | $0.09/M input, $0.18/M output. Laguna S 2.1 è l'ultimo modello per agenti di coding di PoolsideOpens in new tab. Laguna S 2.1 è un modello da 118B parametri totali con 8B parametri attivi, che ottiene il 70.2% su Terminal-Bench 2.1 e il 40.4% su DeepSWE, rendendolo uno dei modelli di coding più forti nella sua categoria. Open-weight sotto licenza OpenMDW-1.1. Laguna S 2.1 è progettato per casi d'uso di ingegneria del software e coding agentico, e sei responsabile di confermare che sia appropriato per la tua applicazione prevista. Laguna S 2.1 è soggetto alla licenza OpenMDW-1.1Opens in new tab, e dovrebbe essere usato in conformità con la Acceptable Use PolicyOpens in new tab di Poolside. Si sconsiglia di aggirare le salvaguardie di sicurezza di Laguna S 2.1 senza implementare mitigazioni sostanzialmente equivalenti appropriate per il tuo caso d'uso. Si prega di segnalare vulnerabilità di sicurezza o preoccupazioni sulla sicurezza a [email protected]. Se usi Laguna S 2.1 gratuitamente, potremmo usare i tuoi input e output per addestrare e migliorare i nostri modelli.

Guide per questo modello

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Quanta VRAM serve davvero per l'AI locale?

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Come Installare Ollama e Usare un'IA Locale (Windows, Mac, Linux)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Laguna S 2.1 è un modello di codifica Mixture-of-Experts con 118 miliardi di parametri di Poolside, con solo 8 miliardi di parametri attivi per token. È progettato per l'ingegneria software agentica e compiti di codifica a lungo termine, con una finestra di contesto di 1 milione di token e ragionamento nativo tra le chiamate agli strumenti. I pesi aperti sotto la permissiva licenza OpenMDW-1.1 lo rendono un'opzione seria per i team che vogliono ospitare autonomamente un agente di codifica di livello avanzato.

Conosciuto per

Risultati forti nella codifica agentica: 70,2% su Terminal-Bench 2.1, 40,4% su DeepSWE
Finestra di contesto da 1.048.576 token per grandi basi di codice e compiti a lungo termine
Ragionamento nativo intrecciato tra le chiamate agli strumenti, controllabile per richiesta
Licenza completamente permissiva OpenMDW-1.1: uso commerciale, modifica, nessuna autorizzazione richiesta
Varianti quantizzate disponibili: FP8, NVFP4, INT4 e GGUF per un deployment flessibile

Attenzione a

I pesi BF16 richiedono circa 236 GB distribuiti su più GPU; le varianti quantizzate riducono questo ma comportano compromessi.
L'uso del piano gratuito consente a Poolside di utilizzare i tuoi input e output per l'addestramento del modello.
I benchmark sono auto-riportati da Poolside; i punteggi di terze parti sono indicati come tali e i confronti variano a seconda dell'evaluatore.

Ideale per

Programmazione

Agenti e uso di strumenti

Ragionamento

Contesto lungo

Funziona localmente

Prompt da provare

Debug di una suite di test fallita

Ho un servizio Python FastAPI. I test di integrazione passano localmente ma falliscono in CI con un errore 422 Unprocessable Entity su POST /orders. Il corpo della richiesta è identico in entrambi gli ambienti. Analizza le cause più probabili, scrivi uno script diagnostico che posso eseguire in CI per registrare la richiesta grezza e gli errori di validazione, e suggerisci delle correzioni.

Pianifica un refactoring tra file

Devo migrare un'app Node.js Express da CommonJS require() alla sintassi ES module import/export. Il progetto ha circa 40 file, usa Jest per i test e ha alcune chiamate require() dinamiche. Forniscimi un piano di migrazione passo-passo, segnala i casi limite che si rompono automaticamente e scrivi uno script shell per gestire le rinominazioni meccaniche.

Audit agentico del repository

Agisci come un ingegnere senior che revisiona una pull request. Ecco un diff di modifiche a un modulo di autenticazione che sostituisce bcrypt con Argon2. Controlla regressioni di sicurezza, scelte errate di parametri, mancanza di gestione degli errori e eventuali lacune nei test. Elenca ogni problema con riferimento a file e linea, gravità e una correzione concreta.

Confronta con

Laguna XS 2.1
Modello con pesi aperti
Contesto di 262,144 token · Input $0.06/M, output $0.12/M
GPT-6 Luna
Modello solo API
Contesto di 1,050,000 token · Input $0.10/M, output $0.50/M
Claude Opus 5.5
Modello solo API
Contesto di 1,000,000 token · Input $4.00/M, output $20.00/M
Muse Spark 1.3 Contributor
Modello solo API
Contesto di 1,048,576 token · Input $0.10/M, output $0.20/M

Altri modelli di testo da poolside

Domande frequenti

I pesi sono aperti e posso eseguire Laguna S 2.1 localmente?: Sì, i pesi sono disponibili su Hugging Face sotto la licenza OpenMDW-1.1, che permette uso commerciale e modifiche senza chiedere permessi. Il checkpoint BF16 richiede circa 236 GB di memoria GPU, quindi servono più GPU; sono disponibili anche varianti quantizzate GGUF, FP8, NVFP4 e INT4 per ridurre questa esigenza.
Quanto costa Laguna S 2.1 e qual è la sua finestra di contesto?: Via API costa $0,09 per milione di token in input e $0,18 per milione di token in output, con una finestra di contesto di 1.048.576 token. Se usi il piano gratuito, Poolside può usare i tuoi input e output per migliorare il modello.
Come si posiziona Laguna S 2.1 rispetto al resto della serie Laguna?: Si colloca tra Laguna XS 2.1 (33 miliardi totali, 3 miliardi attivi) e Laguna M.1 (225 miliardi totali, 23 miliardi attivi), condividendo la stessa famiglia architetturale e compatibile con gli stessi motori di inferenza: vLLM, SGLang, Transformers, TRT-LLM e llama.cpp.

Verdetto del capitano
Un agente di codifica con pesi aperti genuinamente permissivo che offre prestazioni ben superiori al numero di parametri attivi, a patto di avere l'hardware necessario per eseguirlo.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Tendenza di popolarità di Laguna S 2.1

Punteggio di calore da 21 Jul 2026

Punteggio di popolarità

9,008°

Questa settimana

▲

26.3%

8,977° allora, 9,008° ora

Questo mese

▲

222%

8,852° allora, 9,008° ora

Ultimo anno

n/a

Non ancora rilasciato/tracciato

7,000°

Floor

La scala va da 0° a 9.999°. Tutto ciò che sta sotto 7,000° è riservato ai modelli su cui nessuna fonte ha ancora dati, che hanno un numero provvisorio lì per mantenere le liste complete. 7,000° è dove iniziano i dati misurati: un modello con dati reali ma quasi nessun download sta al floor, e le misurazioni riempiono i gradi sopra di esso. Il floor non dice nulla sul modello; solo i gradi sopra lo fanno, e sono quelli che distinguono un modello dall'altro.

+1,695°

Token OpenRouter

4,469,209,626,464 token processati da questo modello tramite OpenRouter negli ultimi 30 giorni, prompt e risposte insieme. Ogni 10,000,000 token conta come un download nel termine di download, 446,920 in totale; i token dell'ultimo giorno contribuiscono al tasso di adozione. Fonte: OpenRouter (openrouter.ai/rankings).

+313°

Tasso di adozione

Circa 14,717 download al giorno, misurati tra due rilevazioni delle fonti, mai stimati da una media a vita. La velocità pesa un quarto del termine download, così una nuova impennata si vede senza che un picco di un giorno superi anni di uso.

Mostra dettagli

Ogni numero su questo sito può essere verificato. Il punteggio heat di questo modello è 9,008°, ed è costruito un ingrediente alla volta, con il totale progressivo dopo ogni passaggio: il floor, i gradi che ogni fonte aggiunge, il bonus per il tipo di modello e cosa toglie l'età dei suoi pesi. I colori corrispondono alle bande del grafico sopra. Il glossario alla fine definisce ogni termine.

1
Inizia dal floor.
Perché 7,000° e non zero: la scala va da 0° a 9.999°, e la parte sotto 7,000° è riservata ai modelli su cui nessuna fonte ha ancora dati, che hanno un numero provvisorio lì per mantenere le liste complete e non superare mai un modello con dati. 7,000° è dove iniziano i dati misurati. Un modello con dati reali ma quasi nessun download sta qui; tutto ciò che segue è misurazione, e lo spazio sopra il floor contiene dieci passi decuplici nei download a 300° ciascuno. Il floor è uguale per ogni modello, quindi non decide nulla; lo fanno i gradi sopra di esso.
7,000°
totale in corso
2
Aggiungi i download.
446,920 equivalenti di download in totale, da Token OpenRouter. Dieci volte i download aggiungono lo stesso 300°, quindi la dimensione conta ma non domina mai il punteggio.
+1,695°
8,695°
totale in corso
3
Aggiungi il tasso di adozione.
Circa 14,717 download al giorno in questo momento, misurati tra due rilevazioni, con un peso di un quarto.
+313°
9,008°
totale in corso
=
Il punteggio heat.
Dove si posiziona questo modello in ogni lista di questo sito. Niente altro lo modifica.
9,008°

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Come si è mosso questo modello rispetto al resto del catalogo: la sua crescita in download, like e utilizzo in ogni periodo, misurata rispetto alla crescita tipica dei modelli nello stesso periodo, con il suo punteggio di popolarità al momento. Sopra la crescita tipica indica un aumento, sotto una diminuzione. Il passato è ricostruito dai totali di oggi, dal primo giorno del modello e dalla sua velocità di download misurata quando ci sono due letture; un modello che non esisteva all'inizio del periodo mostra n/a.

Modelli simili

Trinity Large Thinking

Modelli di IA per generare immagini, video e testo

Laguna S 2.1 è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm poolside ragionamento programmazione agenti contesto lungo locale

Sfoglia per famiglia di modelli