¿Los pesos son abiertos y puedo ejecutar Laguna S 2.1 localmente?

Sí, los pesos están disponibles en Hugging Face bajo la licencia OpenMDW-1.1, que permite uso comercial y modificación sin pedir permiso. El checkpoint BF16 necesita aproximadamente 236GB de memoria GPU, por lo que necesitarás múltiples GPUs; también hay variantes cuantizadas GGUF, FP8, NVFP4 e INT4 para reducir ese requisito.

¿Cuánto cuesta Laguna S 2.1 y cuál es su ventana de contexto?

Por API cuesta $0.09 por millón de tokens de entrada y $0.18 por millón de tokens de salida, con una ventana de contexto de 1,048,576 tokens. Si usas el nivel gratuito, Poolside puede usar tus entradas y salidas para mejorar el modelo.

¿Cómo se compara Laguna S 2.1 con el resto de la serie Laguna?

Se sitúa entre Laguna XS 2.1 (33B total, 3B activos) y Laguna M.1 (225B total, 23B activos), compartiendo la misma familia arquitectónica y compatible con los mismos motores de inferencia: vLLM, SGLang, Transformers, TRT-LLM y llama.cpp.

▲

26.3%

esta semana

Laguna S 2.1

9008°

#llm #poolside #razonamiento #programación #agentes #contexto largo

Ejecutar este modelo

Ofertas / Anuncios

OpenRouter Terminal / API

Pago por token

Chatea con este modelo en el navegador o llámalo desde tu código con una clave API.

Poolside | contexto de 1,048,576 tokens | $0.09/M entrada, $0.18/M salida. Laguna S 2.1 es el último modelo para agentes de codificación de PoolsideOpens in new tab. Laguna S 2.1 es un modelo de 118B parámetros totales con 8B parámetros activos, que obtiene un 70.2% en Terminal-Bench 2.1 y un 40.4% en DeepSWE, siendo uno de los modelos de codificación más fuertes en su categoría. Peso abierto bajo la licencia OpenMDW-1.1. Laguna S 2.1 está diseñado para casos de uso de ingeniería de software y codificación agentica, y usted es responsable de confirmar que es apropiado para su aplicación…Poolside | contexto de 1,048,576 tokens | $0.09/M entrada, $0.18/M salida. Laguna S 2.1 es el último modelo para agentes de codificación de PoolsideOpens in new tab. Laguna S 2.1 es un modelo de 118B parámetros totales con 8B parámetros activos, que obtiene un 70.2% en Terminal-Bench 2.1 y un 40.4% en DeepSWE, siendo uno de los modelos de codificación más fuertes en su categoría. Peso abierto bajo la licencia OpenMDW-1.1. Laguna S 2.1 está diseñado para casos de uso de ingeniería de software y codificación agentica, y usted es responsable de confirmar que es apropiado para su aplicación prevista. Laguna S 2.1 está sujeto a la licencia OpenMDW-1.1Opens in new tab, y debe usarse de acuerdo con la Política de Uso Aceptable de PoolsideOpens in new tab. Se desaconseja eludir las salvaguardas de seguridad de Laguna S 2.1 sin implementar mitigaciones sustancialmente equivalentes apropiadas para su caso de uso. Por favor, reporte vulnerabilidades de seguridad o preocupaciones de seguridad a [email protected]. Si usa Laguna S 2.1 de forma gratuita, podemos usar sus entradas y salidas para entrenar y mejorar nuestros modelos.

Guías para este modelo

Mejor LLM local según el uso (octubre 2026): el modelo abierto adecuado para cada tarea

¿Cuánta VRAM necesito realmente para IA local?

¿Qué es un archivo GGUF? Modelos cuantizados explicados (Q4, Q8, fp8, NF4)

Cómo instalar Ollama y ejecutar una IA local (Windows, Mac, Linux)

Todas las guías

Notas del capitán

Escrito por Captain, el editor de la casa

Notas del 2026-10-13

Laguna S 2.1 es un modelo de codificación Mixture-of-Experts con 118 mil millones de parámetros de Poolside, con solo 8 mil millones de parámetros activos por token. Está diseñado para ingeniería de software agente y tareas de codificación a largo plazo, con una ventana de contexto de 1 millón de tokens y razonamiento nativo entre llamadas a herramientas. Los pesos abiertos bajo la permisiva licencia OpenMDW-1.1 lo convierten en una opción seria para equipos que quieran alojar localmente un agente de codificación de clase frontera.

Conocido por

Fuertes resultados en codificación agente: 70.2% en Terminal-Bench 2.1, 40.4% en DeepSWE
Ventana de contexto de 1,048,576 tokens para grandes bases de código y tareas a largo plazo
Razonamiento entrelazado nativo entre llamadas a herramientas, controlable por solicitud
Licencia completamente permisiva OpenMDW-1.1: uso comercial, modificación, sin necesidad de permiso
Variantes cuantizadas disponibles: FP8, NVFP4, INT4 y GGUF para despliegue flexible

Cuidado con

Los pesos BF16 requieren aproximadamente 236GB repartidos en múltiples GPUs; las variantes cuantizadas alivian esto pero añaden compromisos.
El uso en el nivel gratuito permite a Poolside usar tus entradas y salidas para entrenamiento del modelo.
Los benchmarks son auto-reportados por Poolside; las puntuaciones de terceros están marcadas como tales y las comparaciones varían según el evaluador.

Mejor para

Programación

Agentes y uso de herramientas

Razonamiento

Contexto largo

Funciona localmente

Prompts para probar

Depurar una suite de pruebas fallida

Tengo un servicio Python FastAPI. Las pruebas de integración pasan localmente pero fallan en CI con un error 422 Unprocessable Entity en POST /orders. El cuerpo de la solicitud es idéntico en ambos entornos. Recorre las causas más probables, escribe un script diagnóstico que pueda ejecutar en CI para registrar la solicitud cruda y los errores de validación, y sugiere correcciones.

Planificar una refactorización entre archivos

Necesito migrar una aplicación Node.js Express de CommonJS require() a la sintaxis de módulos ES import/export. El proyecto tiene unas 40 archivos, usa Jest para pruebas y tiene algunas llamadas dinámicas a require(). Dame un plan de migración paso a paso, señala los casos límite que fallan automáticamente y escribe un script shell para manejar los renombramientos mecánicos.

Auditoría agente de repositorio

Actúa como un ingeniero senior revisando un pull request. Aquí tienes un diff de cambios en un módulo de autenticación que reemplaza bcrypt por Argon2. Revisa regresiones de seguridad, elecciones incorrectas de parámetros, manejo de errores faltante y cualquier brecha en las pruebas. Lista cada problema con archivo y línea, gravedad y una solución concreta.

Comparar con

Laguna XS 2.1
Modelo con pesos abiertos
Contexto de 262,144 tokens · $0.06/M entrada, $0.12/M salida
GPT-6 Luna
Modelo solo API
Contexto de 1,050,000 tokens · $0.10/M entrada, $0.50/M salida
Claude Opus 5.5
Modelo solo API
Contexto de 1,000,000 tokens · $4.00/M entrada, $20.00/M salida
Muse Spark 1.3 Contributor
Modelo solo API
Contexto de 1,048,576 tokens · $0.10/M entrada, $0.20/M salida

Más modelos de texto de poolside

Preguntas frecuentes

¿Los pesos son abiertos y puedo ejecutar Laguna S 2.1 localmente?: Sí, los pesos están disponibles en Hugging Face bajo la licencia OpenMDW-1.1, que permite uso comercial y modificación sin pedir permiso. El checkpoint BF16 necesita aproximadamente 236GB de memoria GPU, por lo que necesitarás múltiples GPUs; también hay variantes cuantizadas GGUF, FP8, NVFP4 e INT4 para reducir ese requisito.
¿Cuánto cuesta Laguna S 2.1 y cuál es su ventana de contexto?: Por API cuesta $0.09 por millón de tokens de entrada y $0.18 por millón de tokens de salida, con una ventana de contexto de 1,048,576 tokens. Si usas el nivel gratuito, Poolside puede usar tus entradas y salidas para mejorar el modelo.
¿Cómo se compara Laguna S 2.1 con el resto de la serie Laguna?: Se sitúa entre Laguna XS 2.1 (33B total, 3B activos) y Laguna M.1 (225B total, 23B activos), compartiendo la misma familia arquitectónica y compatible con los mismos motores de inferencia: vLLM, SGLang, Transformers, TRT-LLM y llama.cpp.

Veredicto del capitán
Un agente de codificación con pesos abiertos genuinamente permisivo que rinde mucho más allá de su conteo de parámetros activos, siempre que tengas el hardware para ejecutarlo.

Ficha del modelo en Hugging Face

El capitán escribe estas notas a partir de la descripción y ficha del modelo. Los precios y tamaños de contexto son los del proveedor al momento de escribir y pueden cambiar.

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

Tendencia de popularidad de Laguna S 2.1

Puntuación de calor desde 21 Jul 2026

Puntuación de popularidad

9,008°

Esta semana

▲

26.3%

8,977° entonces, 9,008° ahora

Este mes

▲

222%

8,853° entonces, 9,008° ahora

Último año

n/a

No fue lanzado/seguido

7,000°

Piso

La escala va de 0° a 9,999°. Todo lo que está por debajo de 7,000° se reserva para modelos que ninguna fuente reporta aún, que llevan un número provisional ahí para que las listas se mantengan completas. 7,000° es donde empiezan los datos medidos: un modelo con datos reales pero casi sin descargas se sitúa en el piso, y las mediciones llenan los grados por encima. El piso no dice nada sobre el modelo; solo los grados por encima lo hacen, y son los que separan un modelo de otro.

+1,695°

Tokens de OpenRouter

4,469,209,626,464 tokens procesados por este modelo a través de OpenRouter en los últimos 30 días, sumando prompts y respuestas. Cada 10,000,000 tokens cuentan como una descarga en el periodo de descargas, 446,920 en total; los tokens del último día se suman a la tasa de adopción. Fuente: OpenRouter (openrouter.ai/rankings).

+313°

Tasa de adopción

Unos 14,717 descargas al día, medidos entre dos lecturas de las fuentes, nunca estimados a partir de un promedio de toda la vida. La velocidad pesa un cuarto del término de descargas, así que un aumento reciente se nota sin que un pico de un día supere años de uso.

Mostrar desglose detallado

Cada número en este sitio se puede verificar. La puntuación de popularidad de este modelo es 9,008°, y aquí se construye un ingrediente a la vez, con el total acumulado después de cada uno: el piso, los grados que añade cada fuente, el bono por el tipo de modelo y lo que la antigüedad de sus pesos resta. Los colores son las bandas del gráfico de arriba. El glosario al final define cada término.

1
Empieza en el piso.
Por qué 7,000° y no cero: la escala va de 0° a 9,999°, y la parte por debajo de 7,000° está reservada para modelos que ninguna fuente reporta aún, que llevan un número provisional ahí para que las listas se mantengan completas y nunca superen a un modelo con datos. 7,000° es donde empiezan los datos medidos. Un modelo con datos reales pero casi sin descargas está aquí; todo lo que sigue es medición, y el espacio sobre el piso tiene diez pasos de diez veces más descargas a 300° cada uno. El piso es igual para todos los modelos, así que no decide nada; los grados por encima sí.
7,000°
total acumulado
2
Suma las descargas.
446,920 equivalentes a descargas en total, de Tokens de OpenRouter. Diez veces las descargas suman el mismo 300°, así que el tamaño importa pero nunca domina la puntuación.
+1,695°
8,695°
total acumulado
3
Añade la tasa de adopción.
Unos 14,717 descargas al día ahora mismo, medido entre dos lecturas, con un cuarto del peso.
+313°
9,008°
total acumulado
=
La puntuación heat.
Dónde está este modelo en cada lista de este sitio. Nada más la ajusta.
9,008°

Glosario: los términos usados aquí

Puntuación heat: Un número que muestra cuánto se usa y quiere un modelo ahora mismo, de 0° a 9,999°. Cada lista en este sitio que dice más popular está ordenada por esto y nada más.
Piso: Los 7,000° con los que empieza todo modelo con datos reales. La escala va de 0° a 9,999°; la parte bajo el piso está reservada para sustitutos (modelos sin datos), para que un modelo con datos siempre esté por encima de uno sin. El piso es igual para todos y no decide nada; los grados sobre él son la medida.
Equivalentes a descargas: Todo lo que la puntuación trata como una descarga, sumado: las descargas mismas, cada seeder de torrent como 1,000, cada imagen de AI Horde y cada ejecución en un sitio de generación como uno.
Escala logarítmica: Cuenta de a decenas, no de a uno: pasar de 1,000 a 10,000 descargas suma los mismos grados que pasar de 10,000 a 100,000. Evita que los gigantes opaquen todo lo demás.
Likes: Pulgares arriba y likes de todas las fuentes, valen la mitad de una descarga cada uno en la escala logarítmica.
Tasa de adopción: Cuántas descargas al día recibe un modelo ahora mismo, según la diferencia entre dos lecturas de una fuente. Un cuarto del peso del término de descarga.
Medido y estimado: Medido significa que hay dos lecturas de una fuente y la diferencia es real. Estimado significa que solo se conoce el total de hoy y el pasado se distribuye a lo largo de la vida del modelo; el sitio indica cuál está mostrando.
Seeder: Alguien que mantiene una copia de los pesos en línea para que otros la descarguen por torrent, o un espejo alojado que hace lo mismo. Cada uno cuenta como 1,000 descargas.
AI Horde: Una red de voluntarios que genera imágenes gratis en computadoras donadas. El número de imágenes que ha hecho con un modelo es público, y cada una cuenta como una descarga.
Sitios de generación: Sitios que alojan sus propias copias de un modelo y permiten que la gente genere con él, como PixAI, SeaArt y Yodayo. Sus descargas cuentan igual que las de Civitai y cada generación cuenta como una descarga.
Tokens de OpenRouter: Un modelo de texto servido mediante una API, como Claude o GPT, no tiene pesos para descargar, por lo que su uso se mide en tokens: fragmentos de texto que leyó y escribió a través de OpenRouter, una puerta de acceso que usan muchas apps, durante los últimos 30 días. Cada 10,000,000 tokens cuentan como una descarga. Fuente: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modelo completo (checkpoint): Los pesos en sí, el archivo que genera por sí solo. Tiene un bono porque los complementos dependen de él.
LoRA y embedding: Archivos pequeños que dirigen los pesos de otro hacia un estilo, personaje o concepto. No pueden funcionar solos.
Familia y pesos: La base sobre la que se construye un modelo, como SD 1.5, SDXL, Flux o Wan. Cada modelo hereda la fecha de lanzamiento de los pesos de su familia.
Antigüedad: Grados descontados según hace cuánto salieron los pesos de la familia: 150° por año, hasta 750°. Mantiene las descargas antiguas que tuvieron años para acumularse congelando la cima de la lista.
Impulso de familia: Un pequeño empujón limitado para LoRAs de una familia que este sitio está promoviendo ahora, siempre listado en el desglose.
Puntaje provisional: Un número estable por debajo del mínimo dado a un modelo que aún no tiene reportes de fuentes, para que las listas estén completas. Nunca se posiciona por encima de un modelo con datos.
¡Nuevo! (periodo de gracia): Un modelo con menos de 7 días muestra ¡Nuevo! en lugar de una puntuación y no ocupa lugar en los rankings. Su puntuación se calcula desde el primer día, pero un modelo de un día crece más rápido que cualquier otro, así que sin este periodo el #1 de la semana siempre sería el que salió ayer en vez del que se mantuvo una semana.
Tendencia: Cómo el crecimiento de un modelo en un período se compara con el crecimiento típico de modelos en ese mismo período. Más rápido que lo típico se lee como subida, más lento como bajada.
Modelo típico: El punto medio del catálogo: la mitad de los modelos con cifras crecieron más rápido en el período, la otra mitad más lento.

Cómo se ha movido la popularidad de este modelo frente al resto del catálogo: su crecimiento en descargas, likes y uso en cada periodo, medido contra el crecimiento típico de un modelo en el mismo periodo, con su puntuación de calor en ese momento. Por encima del crecimiento típico se lee como un aumento, por debajo como una caída. El pasado se reconstruye a partir de los totales de hoy, el primer día del modelo y su velocidad de descarga medida cuando hay dos lecturas; un modelo que no existía al inicio de un periodo muestra n/a.

Modelos similares

Modelos de IA para generar imagen, vídeo y texto

Laguna S 2.1 es un modelo de texto para la familia Text / LLM listado en ModelTrends.ai, un catálogo de solo lectura de modelos de IA de imagen, vídeo y texto de código abierto. Compáralo con otros modelos Text / LLM y consulta su puntuación de calor para ver su tendencia.

Más modelos Text / LLM Más Texto / LLM de Text / LLM llm poolside razonamiento programación agentes contexto largo local

Explorar por familia de modelos