Greutățile sunt deschise și pot rula Laguna S 2.1 local?

Da, greutățile sunt disponibile pe Hugging Face sub licența OpenMDW-1.1, care permite utilizarea comercială și modificarea fără a cere permisiune. Checkpoint-ul BF16 necesită aproximativ 236GB memorie GPU, deci vei avea nevoie de mai multe GPU-uri; variantele cuantificate GGUF, FP8, NVFP4 și INT4 sunt disponibile pentru a reduce această cerință.

Cât costă Laguna S 2.1 și cât este fereastra de context?

Prin API costă 0,09 USD per milion de tokeni de intrare și 0,18 USD per milion de tokeni de ieșire, cu o fereastră de context de 1.048.576 tokeni. Dacă folosești planul gratuit, Poolside poate folosi intrările și ieșirile tale pentru a îmbunătăți modelul.

Cum se compară Laguna S 2.1 cu restul seriei Laguna?

Se situează între Laguna XS 2.1 (33 miliarde total, 3 miliarde activi) și Laguna M.1 (225 miliarde total, 23 miliarde activi), împărtășind aceeași familie de arhitectură și fiind compatibil cu aceleași motoare de inferență: vLLM, SGLang, Transformers, TRT-LLM și llama.cpp.

▲

26.3%

săptămâna aceasta

Laguna S 2.1

9008°

#llm #poolside #raționament #programare #agenți #context lung

Rulează modelul

Oferte / Reclame

OpenRouter Terminal / API

Plătește pe token

Conversează cu acest model în browser sau apelează-l din codul tău cu o singură cheie API.

Poolside | context de 1.048.576 tokeni | $0.09/M input, $0.18/M output. Laguna S 2.1 este cel mai recent model agent de codare de la PoolsideOpens in new tab. Laguna S 2.1 este un model cu 118B parametri total și 8B parametri activi, cu scor de 70.2% pe Terminal-Bench 2.1 și 40.4% pe DeepSWE, făcându-l unul dintre cele mai puternice modele de codare din categoria sa. Open-weight sub licența OpenMDW-1.1. Laguna S 2.1 este proiectat pentru cazuri de utilizare în inginerie software și codare agentică, iar dvs. sunteți responsabil să confirmați că este potrivit pentru aplicația dvs. intenționată.…Poolside | context de 1.048.576 tokeni | $0.09/M input, $0.18/M output. Laguna S 2.1 este cel mai recent model agent de codare de la PoolsideOpens in new tab. Laguna S 2.1 este un model cu 118B parametri total și 8B parametri activi, cu scor de 70.2% pe Terminal-Bench 2.1 și 40.4% pe DeepSWE, făcându-l unul dintre cele mai puternice modele de codare din categoria sa. Open-weight sub licența OpenMDW-1.1. Laguna S 2.1 este proiectat pentru cazuri de utilizare în inginerie software și codare agentică, iar dvs. sunteți responsabil să confirmați că este potrivit pentru aplicația dvs. intenționată. Laguna S 2.1 este supus licenței OpenMDW-1.1Opens in new tab și trebuie folosit în conformitate cu Politica de Utilizare Acceptabilă a PoolsideOpens in new tab. Recomandăm să nu ocoliți măsurile de siguranță Laguna S 2.1 fără a implementa măsuri echivalente substanțiale potrivite pentru cazul dvs. de utilizare. Vă rugăm să raportați vulnerabilități de securitate sau preocupări legate de siguranță la [email protected]. Dacă folosiți Laguna S 2.1 gratuit, putem folosi inputurile și outputurile dvs. pentru a antrena și îmbunătăți modelele noastre.

Ghiduri pentru acest model

Cel mai bun LLM local după caz de utilizare (octombrie 2026): modelul open potrivit pentru fiecare job

De câțiva GB de VRAM am nevoie cu adevărat pentru AI local?

Ce este un fișier GGUF? Modele cuantificate explicate (Q4, Q8, fp8, NF4)

Cum să instalezi Ollama și să rulezi un AI local (Windows, Mac, Linux)

Toate ghidurile

Notele căpitanului

Scris de Captain, editorul casei

Note din 2026-10-13

Laguna S 2.1 este un model de codare Mixture-of-Experts cu 118 miliarde de parametri de la Poolside, cu doar 8 miliarde de parametri activi per token. Este construit pentru inginerie software agentică și sarcini de codare pe termen lung, având o fereastră de context de 1 milion de tokeni și raționament nativ între apelurile de unelte. Greutățile deschise sub licența permisivă OpenMDW-1.1 îl fac o opțiune serioasă pentru echipele care doresc să găzduiască local un agent de codare de clasă frontieră.

Cunoscut pentru

Rezultate puternice în codare agentică: 70,2% pe Terminal-Bench 2.1, 40,4% pe DeepSWE
Fereastră de context de 1.048.576 tokeni pentru baze de cod mari și sarcini pe termen lung
Raționament intercalat nativ între apelurile de unelte, controlabil per cerere
Licență complet permisivă OpenMDW-1.1: utilizare comercială, modificare, fără permisiune necesară
Variante cuantificate disponibile: FP8, NVFP4, INT4 și GGUF pentru implementare flexibilă

Atenție la

Greutățile BF16 necesită aproximativ 236GB pe mai multe GPU-uri; variantele cuantificate reduc această cerință, dar adaugă compromisuri.
Utilizarea în planul gratuit permite Poolside să folosească intrările și ieșirile tale pentru antrenarea modelului.
Benchmark-urile sunt raportate de Poolside; scorurile terților sunt marcate ca atare, iar comparațiile variază în funcție de evaluator.

Cel mai bun pentru

Programare

Agenți și utilizare unelte

Raționament

Context lung

Rulează local

Sugestii de încercat

Depanare suită de teste eșuată

Am un serviciu Python FastAPI. Testele de integrare trec local, dar eșuează în CI cu eroarea 422 Unprocessable Entity la POST /orders. Corpul cererii este identic în ambele medii. Parcurge cele mai probabile cauze, scrie un script de diagnostic pe care îl pot rula în CI pentru a înregistra cererea brută și erorile de validare și sugerează remedieri.

Planifică o refactorizare între fișiere

Trebuie să migrez o aplicație Node.js Express de la CommonJS require() la sintaxa ES module import/export. Proiectul are aproximativ 40 de fișiere, folosește Jest pentru teste și are câteva apeluri dinamice require(). Dă-mi un plan pas cu pas pentru migrare, semnalează cazurile-limită care se rup automat și scrie un script shell pentru redenumirile mecanice.

Audit agentic al repo-ului

Acționează ca un inginer senior care revizuiește un pull request. Iată un diff cu modificări la un modul de autentificare care înlocuiește bcrypt cu Argon2. Verifică regresiile de securitate, alegerea incorectă a parametrilor, lipsa gestionării erorilor și orice lacune în teste. Listează fiecare problemă cu fișier și linie, severitate și o soluție concretă.

Compară cu

Laguna XS 2.1
Model cu greutăți deschise
context de 262,144 tokeni · $0.06/M intrare, $0.12/M ieșire
GPT-6 Luna
Model doar API
context de 1,050,000 tokeni · $0.10/M intrare, $0.50/M ieșire
Claude Opus 5.5
Model doar API
context de 1,000,000 tokeni · $4.00/M intrare, $20.00/M ieșire
Muse Spark 1.3 Contributor
Model doar API
context de 1,048,576 tokeni · $0.10/M intrare, $0.20/M ieșire

Mai multe modele text de la poolside

Întrebări frecvente

Greutățile sunt deschise și pot rula Laguna S 2.1 local?: Da, greutățile sunt disponibile pe Hugging Face sub licența OpenMDW-1.1, care permite utilizarea comercială și modificarea fără a cere permisiune. Checkpoint-ul BF16 necesită aproximativ 236GB memorie GPU, deci vei avea nevoie de mai multe GPU-uri; variantele cuantificate GGUF, FP8, NVFP4 și INT4 sunt disponibile pentru a reduce această cerință.
Cât costă Laguna S 2.1 și cât este fereastra de context?: Prin API costă 0,09 USD per milion de tokeni de intrare și 0,18 USD per milion de tokeni de ieșire, cu o fereastră de context de 1.048.576 tokeni. Dacă folosești planul gratuit, Poolside poate folosi intrările și ieșirile tale pentru a îmbunătăți modelul.
Cum se compară Laguna S 2.1 cu restul seriei Laguna?: Se situează între Laguna XS 2.1 (33 miliarde total, 3 miliarde activi) și Laguna M.1 (225 miliarde total, 23 miliarde activi), împărtășind aceeași familie de arhitectură și fiind compatibil cu aceleași motoare de inferență: vLLM, SGLang, Transformers, TRT-LLM și llama.cpp.

Verdictul căpitanului
Un agent de codare cu greutăți deschise cu adevărat permisiv, care performează mult peste numărul său de parametri activi, presupunând că ai hardware-ul necesar pentru a-l rula.

Fișa modelului pe Hugging Face

Căpitanul scrie aceste note pe baza descrierii modelului și a fișei modelului. Prețurile și dimensiunile contextului sunt cele ale furnizorului la momentul scrierii și pot varia.

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

Tendința de popularitate a Laguna S 2.1

Scor de căldură din 21 Jul 2026

Scor de popularitate

9,008°

Săptămâna aceasta

▲

26.3%

8,977° atunci, 9,008° acum

Luna aceasta

▲

222%

8,853° atunci, 9,008° acum

Ultimul an

n/a

Nu a fost lansat/urmărit

7,000°

Prag minim

Scara merge de la 0° la 9.999°. Tot ce este sub 7,000° este rezervat pentru modelele despre care nicio sursă nu raportează încă, care au un număr provizoriu acolo ca să rămână listele complete. 7,000° este punctul de start pentru datele măsurate: un model cu date reale, dar aproape fără descărcări, stă la prag, iar măsurătorile umplu gradele de deasupra. Pragul nu spune nimic despre model; doar gradele de deasupra îl diferențiază de alte modele.

+1,695°

Tokeni OpenRouter

4,469,209,626,464 tokeni procesați de acest model prin OpenRouter în ultimele 30 de zile, împreună cu prompturile și răspunsurile. Fiecare 10,000,000 tokeni contează ca un download în termenul de descărcări, 446,920 în total; tokenii ultimei zile se adaugă la rata de adoptare. Sursa: OpenRouter (openrouter.ai/rankings).

+313°

Rata de adoptare

Aproximativ 14,717 descărcări pe zi, măsurate între două citiri ale surselor, niciodată estimate dintr-o medie pe viață. Viteza cântărește un sfert din termenul descărcărilor, așa că o creștere recentă se vede fără să lase un vârf de o zi să depășească ani de utilizare.

Arată detalii

Fiecare număr de pe acest site poate fi verificat. Scorul de popularitate al acestui model este 9,008°, iar aici este construit pas cu pas, cu totalul acumulat după fiecare ingredient: pragul minim, gradele adăugate de fiecare sursă, bonusul pentru tipul modelului și ce scade vârsta greutăților. Culorile sunt benzile din graficul de mai sus. Glosarul de la final definește fiecare termen.

1
Începe de la prag.
De ce 7,000° și nu zero: scara merge de la 0° la 9.999°, iar partea de sub 7,000° este rezervată modelelor despre care nicio sursă nu raportează încă, care au un număr provizoriu acolo ca să rămână listele complete și să nu depășească niciodată un model cu date. 7,000° este punctul de start pentru datele măsurate. Un model cu date reale, dar aproape fără descărcări, stă aici; tot ce urmează este măsurare, iar spațiul de deasupra pragului conține zece pași de zece ori mai multe descărcări, fiecare la 300°. Pragul este același pentru toate modelele, deci nu decide nimic; gradele de deasupra fac diferența.
7,000°
total curent
2
Adaugă descărcările.
446,920 echivalente de descărcări în total, de la Tokeni OpenRouter. De zece ori descărcările adaugă același 300°, deci mărimea contează, dar nu domină scorul.
+1,695°
8,695°
total curent
3
Adaugă rata de adoptare.
Aproximativ 14,717 descărcări pe zi acum, măsurate între două citiri, cu un sfert din greutate.
+313°
9,008°
total curent
=
Scorul de căldură.
Unde se situează acest model pe fiecare listă de pe site. Nimic altceva nu îl ajustează.
9,008°

Glosar: termenii folosiți aici

Scor de căldură: Un număr care arată cât de mult este folosit și dorit un model acum, de la 0° la 9.999°. Fiecare listă de pe site care spune „cele mai călduroase” este sortată după acest scor și nimic altceva.
Prag: 7.000° este punctul de start pentru orice model cu date reale. Scara merge de la 0° la 9.999°; partea de sub prag este rezervată pentru înlocuitori (modele fără date), ca să fie sigur că un model cu date e mereu mai sus decât unul fără. Pragul e același pentru toți și nu decide nimic; gradele de deasupra lui sunt măsurătoarea.
Echivalente descărcări: Tot ce scorul tratează ca o descărcare, adunat: descărcările în sine, fiecare seeder de torrent ca 1.000, fiecare imagine AI Horde și fiecare rulare pe un site de generare ca una.
Scară logaritmică: Se numără la zeci, nu la unități: trecerea de la 1.000 la 10.000 descărcări adaugă aceleași grade ca trecerea de la 10.000 la 100.000. Astfel, modelele mari nu acoperă tot ce e mic.
Aprecieri: Like-uri și aprecieri de oriunde, fiecare valorează jumătate dintr-o descărcare pe scara logaritmică.
Rata de adoptare: Câte descărcări pe zi primește un model acum, calculat din diferența dintre două citiri ale unei surse. Are un sfert din greutatea termenului de descărcare.
Măsurat și estimat: Măsurat înseamnă că există două citiri ale unei surse și diferența este reală. Estimat înseamnă că se știe doar totalul de azi, iar trecutul este împărțit pe durata vieții modelului; site-ul spune care dintre ele este afișat.
Seeder: Cineva care păstrează o copie a greutăților online pentru ca alții să le descarce prin torrent, sau o oglindă găzduită care face același lucru. Fiecare contează ca 1.000 de descărcări.
AI Horde: O rețea de voluntari care generează imagini gratuit pe calculatoare donate. Numărul de imagini create cu un model este public și fiecare contează ca o descărcare.
Site-uri de generare: Site-uri care găzduiesc propriile copii ale unui model și permit oamenilor să genereze cu el, cum ar fi PixAI, SeaArt și Yodayo. Descărcările lor contează ca cele de pe Civitai, iar fiecare rulare de generare ca o descărcare.
Tokeni OpenRouter: Un model de text servit printr-un API, cum ar fi Claude sau GPT, nu are greutăți de descărcat, deci utilizarea sa se măsoară în tokeni: bucățile de text citite și scrise prin OpenRouter, un gateway folosit de multe aplicații, în ultimele 30 de zile. Fiecare 10,000,000 tokeni contează ca un download. Sursa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model complet (checkpoint): Greutățile în sine, fișierul care generează singur. Primește un bonus pentru că depind de el add-on-urile.
LoRA și embedding: Fișiere mici add-on care direcționează greutățile altcuiva spre un stil, un personaj sau un concept. Nu pot rula singure.
Familie și greutăți: Baza pe care este construit un model, cum ar fi SD 1.5, SDXL, Flux sau Wan. Fiecare model moștenește data lansării greutăților familiei sale.
Vârstă: Grade scăzute în funcție de cât timp a trecut de când au apărut greutățile familiei: 150° pe an, până la 750°. Păstrează descărcările vechi care au avut ani să se acumuleze, blocând topul listei.
Boost de familie: Un mic impuls limitat pentru LoRA-urile unei familii pe care site-ul o promovează acum, întotdeauna listat în detaliu.
Scor de rezervă: Un număr stabil sub prag, dat unui model despre care nicio sursă nu raportează încă, ca listele să rămână complete. Nu se clasează niciodată peste un model cu date.
Nou! (perioadă de grație): Un model mai nou de 7 zile afișează Nou! în loc de scor și nu ocupă loc în clasamente. Scorul său este calculat de la prima zi, dar un model de o zi crește mai rapid decât orice altceva, deci fără această așteptare, modelul #1 al săptămânii ar fi întotdeauna cel apărut ieri, nu cel care a rezistat o săptămână.
Tendință: Cum se compară creșterea unui model într-o perioadă cu creșterea tipică a unui model în aceeași perioadă. Mai rapid decât tipicul înseamnă creștere, mai lent scădere.
Model tipic: Mijlocul catalogului: jumătate dintre modele cu o cifră au crescut mai repede în perioada respectivă, jumătate mai încet.

Cum s-a schimbat popularitatea acestui model față de restul catalogului: creșterea lui în descărcări, aprecieri și utilizare în fiecare perioadă, comparată cu creșterea tipică a unui model în aceeași perioadă, plus scorul său de căldură la momentul respectiv. Dacă e peste creșterea tipică, înseamnă că a crescut, dacă e sub, a scăzut. Istoricul se reconstruiește din totalurile de azi, prima zi a modelului și viteza lui de descărcare măsurată când sunt două citiri; un model care nu exista la începutul perioadei arată n/a.

Modele similare

Modele AI pentru generare de imagini, video și text

Laguna S 2.1 este un model de text pentru familia Text / LLM, listat pe ModelTrends.ai, un catalog doar pentru citire al modelelor AI open source pentru imagini, video și text. Compară-l cu alte modele Text / LLM și verifică-i scorul de căldură pentru a vedea cât este de popular.

Mai multe modele Text / LLM llm poolside raționament programare agenți context lung local

Răsfoiește după familia de modele