Är vikterna öppna och kan jag köra Laguna S 2.1 lokalt?

Ja, vikterna finns tillgängliga på Hugging Face under OpenMDW-1.1-licensen, som tillåter kommersiell användning och modifiering utan att behöva be om tillåtelse. BF16-checkpointen kräver ungefär 236 GB GPU-minne, så du behöver flera GPU:er; GGUF, FP8, NVFP4 och INT4 kvantiserade varianter finns också för att minska detta krav.

Vad kostar Laguna S 2.1 och hur stort är dess kontextfönster?

Via API kostar det $0,09 per miljon inmatningstokens och $0,18 per miljon utmatningstokens, med ett kontextfönster på 1 048 576 tokens. Om du använder gratisnivån kan Poolside använda dina in- och utdata för att förbättra modellen.

Hur står sig Laguna S 2.1 jämfört med resten av Laguna-serien?

Den ligger mellan Laguna XS 2.1 (33 miljarder totalt, 3 miljarder aktiva) och Laguna M.1 (225 miljarder totalt, 23 miljarder aktiva), delar samma arkitekturfamilj och är kompatibel med samma inferensmotorer: vLLM, SGLang, Transformers, TRT-LLM och llama.cpp.

▲

26.3%

den här veckan

Laguna S 2.1

9008°

#llm #poolside #resonemang #kodning #agenter #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Poolside | 1 048 576 tokens kontext | $0.09/M input, $0.18/M output. Laguna S 2.1 är den senaste kodningsagentmodellen från PoolsideOpens in new tab. Laguna S 2.1 är en modell med totalt 118 miljarder parametrar och 8 miljarder aktiva parametrar, som når 70,2 % på Terminal-Bench 2.1 och 40,4 % på DeepSWE, vilket gör den till en av de starkaste kodningsmodellerna i sin kategori. Öppna vikter under OpenMDW-1.1-licensen. Laguna S 2.1 är designad för mjukvaruutveckling och agentbaserade kodningsanvändningsfall, och du ansvarar för att bekräfta att den är lämplig för din avsedda användning. Laguna…Poolside | 1 048 576 tokens kontext | $0.09/M input, $0.18/M output. Laguna S 2.1 är den senaste kodningsagentmodellen från PoolsideOpens in new tab. Laguna S 2.1 är en modell med totalt 118 miljarder parametrar och 8 miljarder aktiva parametrar, som når 70,2 % på Terminal-Bench 2.1 och 40,4 % på DeepSWE, vilket gör den till en av de starkaste kodningsmodellerna i sin kategori. Öppna vikter under OpenMDW-1.1-licensen. Laguna S 2.1 är designad för mjukvaruutveckling och agentbaserade kodningsanvändningsfall, och du ansvarar för att bekräfta att den är lämplig för din avsedda användning. Laguna S 2.1 omfattas av OpenMDW-1.1-licensenOpens in new tab och bör användas i enlighet med Poolsides Acceptable Use PolicyOpens in new tab. Vi avråder från att kringgå Laguna S 2.1:s säkerhetsspärrar utan att implementera väsentligt likvärdiga åtgärder som är lämpliga för ditt användningsfall. Rapportera säkerhetsbrister eller säkerhetsproblem till [email protected]. Om du använder Laguna S 2.1 gratis kan vi använda dina in- och utdata för att träna och förbättra våra modeller.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Hur man installerar Ollama och kör en lokal AI (Windows, Mac, Linux)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Laguna S 2.1 är en Mixture-of-Experts-kodningsmodell med 118 miljarder parametrar från Poolside, där endast 8 miljarder parametrar är aktiva per token. Den är byggd för agentbaserad mjukvaruutveckling och kodningsuppgifter med lång horisont, med ett kontextfönster på 1 miljon tokens och inbyggd resonemangsförmåga mellan verktygsanrop. Öppna vikter under den tillåtande OpenMDW-1.1-licensen gör den till ett seriöst alternativ för team som vill köra en gränsöverskridande kodningsagent lokalt.

Känd för

Starka agentbaserade kodningsresultat: 70,2 % på Terminal-Bench 2.1, 40,4 % på DeepSWE
1 048 576 tokens kontextfönster för stora kodbaser och långsiktiga uppgifter
Inbyggt sammanflätat resonemang mellan verktygsanrop, styrbart per förfrågan
Fullt tillåtande OpenMDW-1.1-licens: kommersiell användning, modifiering, ingen tillåtelse krävs
Kvantiserade varianter tillgängliga: FP8, NVFP4, INT4 och GGUF för flexibel distribution

Se upp för

BF16-vikter kräver ungefär 236 GB över flera GPU:er; kvantiserade varianter underlättar detta men medför kompromisser.
Gratisnivåanvändning tillåter Poolside att använda dina in- och utdata för modellträning.
Benchmarkresultat är självrapporterade av Poolside; tredjepartspoäng markeras som sådana och jämförelser varierar beroende på utvärderare.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Felsök en misslyckad testsvit

Jag har en Python FastAPI-tjänst. Integrations testerna går igenom lokalt men misslyckas i CI med ett 422 Unprocessable Entity på POST /orders. Begärans kropp är identisk i båda miljöerna. Gå igenom de mest sannolika orsakerna, skriv ett diagnostiskt skript jag kan köra i CI för att logga rå begäran och valideringsfel, och föreslå lösningar.

Planera en refaktorering över filer

Jag behöver migrera en Node.js Express-app från CommonJS require() till ES-modul import/export-syntax. Projektet har cirka 40 filer, använder Jest för tester och har några dynamiska require()-anrop. Ge mig en steg-för-steg-migrationsplan, markera kantfall som bryts automatiskt och skriv ett shell-skript för att hantera de mekaniska namnbytena.

Agentbaserad kodgranskning

Agera som en senior ingenjör som granskar en pull request. Här är en diff av ändringar i en autentiseringsmodul som ersätter bcrypt med Argon2. Kontrollera säkerhetsregressioner, felaktiga parameterval, saknad felhantering och eventuella testluckor. Lista varje problem med fil- och radreferens, allvarlighetsgrad och en konkret lösning.

Jämför med

Laguna XS 2.1
Öppen vikt-modell
262,144 tokens kontext · $0.06/M indata, $0.12/M utdata
GPT-6 Luna
Endast API-modell
1,050,000 tokens kontext · $0.10/M indata, $0.50/M utdata
Claude Opus 5.5
Endast API-modell
1,000,000 tokens kontext · $4.00/M indata, $20.00/M utdata
Muse Spark 1.3 Contributor
Endast API-modell
1,048,576 tokens kontext · $0.10/M indata, $0.20/M utdata

Fler textmodeller från poolside

Vanliga frågor

Är vikterna öppna och kan jag köra Laguna S 2.1 lokalt?: Ja, vikterna finns tillgängliga på Hugging Face under OpenMDW-1.1-licensen, som tillåter kommersiell användning och modifiering utan att behöva be om tillåtelse. BF16-checkpointen kräver ungefär 236 GB GPU-minne, så du behöver flera GPU:er; GGUF, FP8, NVFP4 och INT4 kvantiserade varianter finns också för att minska detta krav.
Vad kostar Laguna S 2.1 och hur stort är dess kontextfönster?: Via API kostar det $0,09 per miljon inmatningstokens och $0,18 per miljon utmatningstokens, med ett kontextfönster på 1 048 576 tokens. Om du använder gratisnivån kan Poolside använda dina in- och utdata för att förbättra modellen.
Hur står sig Laguna S 2.1 jämfört med resten av Laguna-serien?: Den ligger mellan Laguna XS 2.1 (33 miljarder totalt, 3 miljarder aktiva) och Laguna M.1 (225 miljarder totalt, 23 miljarder aktiva), delar samma arkitekturfamilj och är kompatibel med samma inferensmotorer: vLLM, SGLang, Transformers, TRT-LLM och llama.cpp.

Kaptens omdöme
En genuint tillåtande kodningsagent med öppna vikter som presterar långt över sin aktiva parameterantal, förutsatt att du har hårdvaran för att köra den.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Popularitetstrend för Laguna S 2.1

Värmenpoäng sedan 21 Jul 2026

Värmescore

9,008°

Den här veckan

▲

26.3%

8,977° då, 9,008° nu

Den här månaden

▲

222%

8,853° då, 9,008° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,695°

OpenRouter-token

4,469,209,626,464 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 446,920; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+313°

Adoptionshastighet

Ungefär 14,717 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 9,008°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
446,920 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,695°
8,695°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 14,717 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+313°
9,008°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
9,008°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Laguna S 2.1 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm poolside resonemang kodning agenter lång kontext lokal

Bläddra efter modellfamilj