Adakah berat terbuka dan bolehkah saya jalankan Laguna S 2.1 secara tempatan?

Ya, berat tersedia di Hugging Face di bawah lesen OpenMDW-1.1, yang membenarkan penggunaan komersial dan pengubahsuaian tanpa perlu kebenaran. Penanda aras BF16 memerlukan kira-kira 236GB memori GPU, jadi anda memerlukan pelbagai GPU; varian kuantisasi GGUF, FP8, NVFP4 dan INT4 juga tersedia untuk mengurangkan keperluan itu.

Berapa kos Laguna S 2.1 dan berapa besar tetingkap konteksnya?

Melalui API ia berharga $0.09 setiap sejuta token input dan $0.18 setiap sejuta token output, dengan tetingkap konteks 1,048,576-token. Jika anda menggunakan tahap percuma, Poolside mungkin menggunakan input dan output anda untuk memperbaiki model.

Bagaimana Laguna S 2.1 dibandingkan dengan siri Laguna yang lain?

Ia terletak di antara Laguna XS 2.1 (33B jumlah, 3B aktif) dan Laguna M.1 (225B jumlah, 23B aktif), berkongsi keluarga seni bina yang sama dan serasi dengan enjin inferens yang sama: vLLM, SGLang, Transformers, TRT-LLM dan llama.cpp.

▲

26.3%

minggu ini

Laguna S 2.1

9008°

#llm #poolside #penalaran #pengaturcaraan #ejen #konteks panjang

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Poolside | konteks 1,048,576 token | $0.09/M input, $0.18/M output. Laguna S 2.1 adalah model agen pengkodan terkini dari PoolsideOpens in new tab. Laguna S 2.1 adalah model 118B jumlah parameter dengan 8B parameter aktif, mencatat 70.2% pada Terminal-Bench 2.1 dan 40.4% pada DeepSWE, menjadikannya salah satu model pengkodan terkuat dalam kategorinya. Berat terbuka di bawah lesen OpenMDW-1.1. Laguna S 2.1 direka untuk kes penggunaan kejuruteraan perisian dan pengkodan agen, dan anda bertanggungjawab untuk mengesahkan bahawa ia sesuai untuk aplikasi yang anda maksudkan. Laguna S 2.1 tertakluk…Poolside | konteks 1,048,576 token | $0.09/M input, $0.18/M output. Laguna S 2.1 adalah model agen pengkodan terkini dari PoolsideOpens in new tab. Laguna S 2.1 adalah model 118B jumlah parameter dengan 8B parameter aktif, mencatat 70.2% pada Terminal-Bench 2.1 dan 40.4% pada DeepSWE, menjadikannya salah satu model pengkodan terkuat dalam kategorinya. Berat terbuka di bawah lesen OpenMDW-1.1. Laguna S 2.1 direka untuk kes penggunaan kejuruteraan perisian dan pengkodan agen, dan anda bertanggungjawab untuk mengesahkan bahawa ia sesuai untuk aplikasi yang anda maksudkan. Laguna S 2.1 tertakluk kepada Lesen OpenMDW-1.1Opens in new tab, dan harus digunakan selaras dengan Polisi Penggunaan Boleh Diterima PoolsideOpens in new tab. Kami menasihatkan agar tidak mengelakkan pelindung keselamatan Laguna S 2.1 tanpa melaksanakan mitigasi yang setara secara substansial yang sesuai untuk kes penggunaan anda. Sila laporkan kelemahan keselamatan atau kebimbangan keselamatan kepada [email protected]. Jika anda menggunakan Laguna S 2.1 secara percuma, kami mungkin menggunakan input dan output anda untuk melatih dan memperbaiki model kami.

Panduan untuk model ini

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Cara Pasang Ollama dan Jalankan AI Tempatan (Windows, Mac, Linux)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Laguna S 2.1 adalah model pengkodan Mixture-of-Experts dengan 118B parameter dari Poolside, dengan hanya 8B parameter aktif setiap token. Ia dibina untuk kejuruteraan perisian agentik dan tugas pengkodan jangka panjang, dengan tetingkap konteks 1M-token dan penalaran asli antara panggilan alat. Berat terbuka di bawah lesen OpenMDW-1.1 yang permisif menjadikannya pilihan serius untuk pasukan yang ingin menghos sendiri agen pengkodan kelas hadapan.

Dikenali untuk

Keputusan pengkodan agentik yang kuat: 70.2% pada Terminal-Bench 2.1, 40.4% pada DeepSWE
Tetingkap konteks 1,048,576-token untuk pangkalan kod besar dan tugas jangka panjang
Penalaran berselang asli antara panggilan alat, boleh dikawal setiap permintaan
Lesen OpenMDW-1.1 yang sepenuhnya permisif: penggunaan komersial, pengubahsuaian, tanpa perlu kebenaran
Varian kuantisasi tersedia: FP8, NVFP4, INT4 dan GGUF untuk penyebaran fleksibel

Berhati-hati dengan

Berat BF16 memerlukan kira-kira 236GB merentasi pelbagai GPU; varian kuantisasi mengurangkan ini tetapi menambah kompromi.
Penggunaan tahap percuma membenarkan Poolside menggunakan input dan output anda untuk latihan model.
Penanda aras dilaporkan sendiri oleh Poolside; skor pihak ketiga ditandakan sebagai sedemikian dan perbandingan berbeza mengikut penilai.

Terbaik untuk

Pengaturcaraan

Ejen dan penggunaan alat

Penalaran

Konteks panjang

Jalankan secara tempatan

Arahan untuk cuba

Selesaikan masalah suite ujian yang gagal

Saya mempunyai perkhidmatan Python FastAPI. Ujian integrasi lulus secara tempatan tetapi gagal dalam CI dengan 422 Unprocessable Entity pada POST /orders. Badan permintaan adalah sama dalam kedua-dua persekitaran. Terangkan sebab paling mungkin, tulis skrip diagnostik yang boleh saya jalankan dalam CI untuk merekod permintaan mentah dan ralat pengesahan, dan cadangkan pembaikan.

Rancang refaktor merentasi fail

Saya perlu memindahkan aplikasi Node.js Express dari CommonJS require() ke sintaks import/export modul ES. Projek ini mempunyai kira-kira 40 fail, menggunakan Jest untuk ujian, dan mempunyai beberapa panggilan require() dinamik. Berikan saya pelan migrasi langkah demi langkah, tandakan kes tepi yang pecah secara automatik, dan tulis skrip shell untuk mengendalikan penamaan semula mekanikal.

Audit repo agentik

Bertindak sebagai jurutera kanan yang menyemak permintaan tarik. Berikut adalah perbezaan perubahan pada modul pengesahan yang menggantikan bcrypt dengan Argon2. Periksa regresi keselamatan, pilihan parameter yang salah, kekurangan pengendalian ralat, dan sebarang kekurangan ujian. Senaraikan setiap isu dengan rujukan fail dan baris, tahap keterukan, dan pembaikan konkrit.

Bandingkan dengan

Laguna XS 2.1
Model berat terbuka
konteks 262,144 token · Input $0.06/M, output $0.12/M
GPT-6 Luna
Model hanya API
konteks 1,050,000 token · Input $0.10/M, output $0.50/M
Claude Opus 5.5
Model hanya API
konteks 1,000,000 token · Input $4.00/M, output $20.00/M
Muse Spark 1.3 Contributor
Model hanya API
konteks 1,048,576 token · Input $0.10/M, output $0.20/M

Lebih banyak model teks dari poolside

Soalan yang sering ditanya

Adakah berat terbuka dan bolehkah saya jalankan Laguna S 2.1 secara tempatan?: Ya, berat tersedia di Hugging Face di bawah lesen OpenMDW-1.1, yang membenarkan penggunaan komersial dan pengubahsuaian tanpa perlu kebenaran. Penanda aras BF16 memerlukan kira-kira 236GB memori GPU, jadi anda memerlukan pelbagai GPU; varian kuantisasi GGUF, FP8, NVFP4 dan INT4 juga tersedia untuk mengurangkan keperluan itu.
Berapa kos Laguna S 2.1 dan berapa besar tetingkap konteksnya?: Melalui API ia berharga $0.09 setiap sejuta token input dan $0.18 setiap sejuta token output, dengan tetingkap konteks 1,048,576-token. Jika anda menggunakan tahap percuma, Poolside mungkin menggunakan input dan output anda untuk memperbaiki model.
Bagaimana Laguna S 2.1 dibandingkan dengan siri Laguna yang lain?: Ia terletak di antara Laguna XS 2.1 (33B jumlah, 3B aktif) dan Laguna M.1 (225B jumlah, 23B aktif), berkongsi keluarga seni bina yang sama dan serasi dengan enjin inferens yang sama: vLLM, SGLang, Transformers, TRT-LLM dan llama.cpp.

Keputusan Kapten
Agen pengkodan dengan berat terbuka yang benar-benar permisif yang berprestasi jauh melebihi jumlah parameter aktifnya, dengan syarat anda mempunyai perkakasan untuk menjalankannya.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Trend populariti Laguna S 2.1

Skor panas sejak 21 Jul 2026

Skor haba

9,008°

Minggu ini

▲

26.3%

8,977° dulu, 9,008° sekarang

Bulan ini

▲

222%

8,853° dulu, 9,008° sekarang

Tahun lalu

n/a

Belum dikeluarkan/dipantau

7,000°

Lantai

Skala berjalan dari 0° hingga 9,999°. Apa sahaja di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian di situ supaya senarai tetap lengkap. 7,000° adalah tempat data yang diukur bermula: model dengan data sebenar tapi hampir tiada muat turun berada di lantai, dan ukuran mengisi darjah di atasnya. Lantai tidak memberitahu apa-apa tentang model; hanya darjah di atasnya yang buat beza antara satu model dengan model lain.

+1,695°

Token OpenRouter

4,469,209,626,464 token diproses oleh model ini melalui OpenRouter dalam 30 hari terakhir, termasuk arahan dan jawapan. Setiap 10,000,000 token dikira sebagai satu muat turun dalam tempoh muat turun, 446,920 semuanya; token hari terakhir disertakan dalam kadar penggunaan. Sumber: OpenRouter (openrouter.ai/rankings).

+313°

Kadar penerimaan

Kira-kira 14,717 muat turun sehari, diukur antara dua bacaan sumber, tidak pernah dianggarkan dari purata sepanjang hayat. Kelajuan seberat suku istilah muat turun, jadi lonjakan baru kelihatan tanpa membiarkan lonjakan satu hari mengatasi penggunaan bertahun-tahun.

Tunjukkan pecahan terperinci

Setiap nombor di laman ini boleh diperiksa. Skor panas model ini adalah 9,008°, dan ia dibina satu bahan pada satu masa, dengan jumlah terkini selepas setiap langkah: lantai, darjah yang ditambah oleh setiap sumber, bonus untuk jenis model dan apa yang umur beratnya tolak. Warna-warna itu adalah jalur carta di atas. Glosari di akhir menerangkan setiap istilah.

1
Mula di lantai.
Kenapa 7,000° dan bukan sifar: skala dari 0° hingga 9,999°, dan bahagian di bawah 7,000° dikhaskan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian supaya senarai tetap lengkap dan tidak pernah mengatasi model dengan data. 7,000° adalah tempat data yang diukur bermula. Model dengan data sebenar tapi hampir tiada muat turun berada di sini; semua yang berikut adalah ukuran, dan ruang di atas lantai ada sepuluh langkah muat turun sepuluh kali ganda pada 300° setiap satu. Lantai sama untuk setiap model, jadi ia tidak tentukan apa-apa; darjah di atasnya yang buat beza.
7,000°
jumlah berjalan
2
Tambah muat turun.
446,920 muat turun setara semuanya, dari Token OpenRouter. Sepuluh kali muat turun menambah 300° yang sama, jadi saiz penting tapi tidak pernah mengatasi skor.
+1,695°
8,695°
jumlah berjalan
3
Tambah kadar penerimaan.
Sekitar 14,717 muat turun sehari sekarang, diukur antara dua bacaan, dengan berat suku.
+313°
9,008°
jumlah berjalan
=
Skor heat.
Di mana model ini berdiri dalam setiap senarai laman ini. Tiada yang lain mengubahnya.
9,008°

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Bagaimana populariti model ini bergerak berbanding katalog lain: pertumbuhannya dalam muat turun, suka dan penggunaan setiap tempoh, diukur berbanding pertumbuhan model biasa dalam tempoh yang sama, dengan skor panasnya pada masa itu. Di atas pertumbuhan biasa dibaca sebagai kenaikan, di bawahnya sebagai penurunan. Masa lalu dibina semula dari jumlah hari ini, hari pertama model dan kelajuan muat turun yang diukur jika ada dua bacaan; model yang tidak wujud pada permulaan tempoh menunjukkan n/a.

Model serupa

Model AI untuk penjanaan imej, video dan teks

Laguna S 2.1 ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm poolside penalaran pengaturcaraan ejen konteks panjang tempatan

Layari mengikut keluarga model