Bukás ba ang mga weights at maaari ko bang patakbuhin ang Laguna S 2.1 locally?

Oo, ang mga weights ay available sa Hugging Face sa ilalim ng OpenMDW-1.1 licence, na nagpapahintulot ng komersyal na paggamit at pagbabago nang walang pahintulot. Ang BF16 checkpoint ay nangangailangan ng humigit-kumulang 236GB ng GPU memory, kaya kakailanganin mo ng maraming GPU; mayroon ding GGUF, FP8, NVFP4 at INT4 quantized variants para mabawasan ang pangangailangan.

Magkano ang Laguna S 2.1 at gaano kalaki ang context window nito?

Sa pamamagitan ng API, ito ay $0.09 kada milyon input tokens at $0.18 kada milyon output tokens, na may 1,048,576-token context window. Kung gagamit ka ng free tier, maaaring gamitin ng Poolside ang iyong mga input at output para pagbutihin ang modelo.

Paano naiiba ang Laguna S 2.1 kumpara sa ibang Laguna series?

Ito ay nasa pagitan ng Laguna XS 2.1 (33B total, 3B active) at Laguna M.1 (225B total, 23B active), na may parehong architecture family at compatible sa parehong inference engines: vLLM, SGLang, Transformers, TRT-LLM at llama.cpp.

▲

26.3%

ngayong linggo

Laguna S 2.1

9008°

#llm #poolside #pangangatwiran #pag-coding #mga ahente #mahabang konteksto

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Poolside | 1,048,576 token context | $0.09/M input, $0.18/M output. Ang Laguna S 2.1 ang pinakabagong coding agent model mula sa PoolsideOpens in new tab. Ang Laguna S 2.1 ay 118B total parameter na modelo na may 8B active parameters, nakakuha ng 70.2% sa Terminal-Bench 2.1 at 40.4% sa DeepSWE, kaya isa ito sa pinakamalakas na coding models sa kanyang kategorya. Open-weight sa ilalim ng OpenMDW-1.1 license. Dinisenyo ang Laguna S 2.1 para sa software engineering at agentic coding use cases, at ikaw ang responsable sa pagtiyak na angkop ito para sa iyong layunin. Saklaw ng Laguna S 2.1 ang…Poolside | 1,048,576 token context | $0.09/M input, $0.18/M output. Ang Laguna S 2.1 ang pinakabagong coding agent model mula sa PoolsideOpens in new tab. Ang Laguna S 2.1 ay 118B total parameter na modelo na may 8B active parameters, nakakuha ng 70.2% sa Terminal-Bench 2.1 at 40.4% sa DeepSWE, kaya isa ito sa pinakamalakas na coding models sa kanyang kategorya. Open-weight sa ilalim ng OpenMDW-1.1 license. Dinisenyo ang Laguna S 2.1 para sa software engineering at agentic coding use cases, at ikaw ang responsable sa pagtiyak na angkop ito para sa iyong layunin. Saklaw ng Laguna S 2.1 ang OpenMDW-1.1 LicenseOpens in new tab, at dapat gamitin nang naaayon sa Poolside's Acceptable Use PolicyOpens in new tab. Hindi namin inirerekomenda ang pag-iwas sa Laguna S 2.1 safety guardrails nang walang sapat na katumbas na mitigations na angkop sa iyong paggamit. Mangyaring i-report ang mga security vulnerabilities o safety concerns sa [email protected]. Kung ginagamit mo ang Laguna S 2.1 nang libre, maaaring gamitin namin ang iyong mga input at output para sanayin at pagbutihin ang aming mga modelo.

Mga gabay para sa model na ito

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Paano Mag-install ng Ollama at Magpatakbo ng Lokal na AI (Windows, Mac, Linux)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Laguna S 2.1 ay isang 118B-parameter Mixture-of-Experts coding model mula sa Poolside, na may 8B parameters lamang na aktibo kada token. Ito ay ginawa para sa agentic software engineering at mga coding task na may mahabang saklaw, na may 1M-token context window at katutubong pag-iisip sa pagitan ng mga tool calls. Ang bukas na weights sa ilalim ng permissive OpenMDW-1.1 licence ay ginagawa itong seryosong opsyon para sa mga team na nais mag-self-host ng frontier-class coding agent.

Kilalang-kilala sa

Malakas na agentic coding results: 70.2% sa Terminal-Bench 2.1, 40.4% sa DeepSWE
1,048,576-token context window para sa malalaking codebase at mga long-horizon na gawain
Katutubong interleaved reasoning sa pagitan ng mga tool calls, kontrolado kada request
Ganap na permissive OpenMDW-1.1 licence: komersyal na paggamit, pagbabago, walang kailangan na permiso
May mga quantized variants: FP8, NVFP4, INT4 at GGUF para sa flexible na deployment

Mag-ingat sa

Ang BF16 weights ay nangangailangan ng humigit-kumulang 236GB sa maraming GPU; pinapadali ito ng mga quantized variants ngunit may kalakip na trade-offs.
Ang libreng tier na paggamit ay nagpapahintulot sa Poolside na gamitin ang iyong mga input at output para sa pagsasanay ng modelo.
Ang mga benchmark ay self-reported ng Poolside; ang mga third-party na score ay minamarkahan bilang ganoon at nagkakaiba-iba depende sa tagasuri.

Pinakamainam para sa

Pag-coding

Mga ahente at paggamit ng tool

Pangangatwiran

Mahabang konteksto

Tumakbo nang lokal

Mga prompt na subukan

I-debug ang isang test suite na bumabagsak

Mayroon akong Python FastAPI service. Ang integration tests ay pumapasa locally ngunit bumabagsak sa CI na may 422 Unprocessable Entity sa POST /orders. Pareho ang request body sa parehong environment. Ilarawan ang mga pinaka-posibleng sanhi, gumawa ng diagnostic script na maaari kong patakbuhin sa CI para i-log ang raw request at mga validation error, at magmungkahi ng mga ayos.

Magplano ng refactor sa mga files

Kailangan kong i-migrate ang isang Node.js Express app mula CommonJS require() patungong ES module import/export syntax. Ang proyekto ay may humigit-kumulang 40 files, gumagamit ng Jest para sa mga tests, at may ilang dynamic require() calls. Bigyan mo ako ng step-by-step migration plan, itala ang mga edge cases na awtomatikong nasisira, at gumawa ng shell script para hawakan ang mga mekanikal na pag-rename.

Agentic repo audit

Gumawa bilang isang senior engineer na nire-review ang isang pull request. Narito ang diff ng mga pagbabago sa authentication module na nagpapalit ng bcrypt sa Argon2. Suriin para sa mga security regression, maling pagpili ng parameter, nawawalang error handling, at anumang test gaps. Ilahad ang bawat isyu kasama ang file at linya, antas ng seryosidad, at konkretong ayos.

Ihambing sa

Laguna XS 2.1
Modelong bukas ang timbang
262,144 token na konteksto · $0.06/M input, $0.12/M output
GPT-6 Luna
Modelong API lang
1,050,000 token na konteksto · $0.10/M input, $0.50/M output
Claude Opus 5.5
Modelong API lang
1,000,000 token na konteksto · $4.00/M input, $20.00/M output
Muse Spark 1.3 Contributor
Modelong API lang
1,048,576 token na konteksto · $0.10/M input, $0.20/M output

Higit pang mga text model mula sa poolside

Mga tanong na madalas itanong

Bukás ba ang mga weights at maaari ko bang patakbuhin ang Laguna S 2.1 locally?: Oo, ang mga weights ay available sa Hugging Face sa ilalim ng OpenMDW-1.1 licence, na nagpapahintulot ng komersyal na paggamit at pagbabago nang walang pahintulot. Ang BF16 checkpoint ay nangangailangan ng humigit-kumulang 236GB ng GPU memory, kaya kakailanganin mo ng maraming GPU; mayroon ding GGUF, FP8, NVFP4 at INT4 quantized variants para mabawasan ang pangangailangan.
Magkano ang Laguna S 2.1 at gaano kalaki ang context window nito?: Sa pamamagitan ng API, ito ay $0.09 kada milyon input tokens at $0.18 kada milyon output tokens, na may 1,048,576-token context window. Kung gagamit ka ng free tier, maaaring gamitin ng Poolside ang iyong mga input at output para pagbutihin ang modelo.
Paano naiiba ang Laguna S 2.1 kumpara sa ibang Laguna series?: Ito ay nasa pagitan ng Laguna XS 2.1 (33B total, 3B active) at Laguna M.1 (225B total, 23B active), na may parehong architecture family at compatible sa parehong inference engines: vLLM, SGLang, Transformers, TRT-LLM at llama.cpp.

Hatol ng Kapitan
Isang tunay na permissive open-weights coding agent na malakas kumpara sa bilang ng aktibong parameter, basta may sapat kang hardware para patakbuhin ito.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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 ng kasikatan ng Laguna S 2.1

Heat score mula 21 Jul 2026

Iskor ng init

9,008°

Ngayong linggo

▲

26.3%

8,977° noon, 9,008° ngayon

Ngayong buwan

▲

222%

8,853° noon, 9,008° ngayon

Nakaraang taon

n/a

Hindi pa nailalabas/natatrack

7,000°

Floor

Ang sukat ay mula 0° hanggang 9,999°. Lahat ng nasa ibaba ng 7,000° ay para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan. Sa 7,000° nagsisimula ang nasusukat na datos: ang modelong may totoong datos pero halos walang downloads ay nasa floor, at ang mga sukat ay pumupuno sa mga degree sa itaas nito. Ang floor ay hindi nagsasabi ng anuman tungkol sa modelo; ang mga degree sa itaas nito ang nagkakaiba-iba at siyang naghihiwalay ng mga modelo.

+1,695°

OpenRouter tokens

4,469,209,626,464 tokens ang naproseso ng modelong ito sa pamamagitan ng OpenRouter sa nakaraang 30 araw, kasama ang mga prompt at sagot. Bawat 10,000,000 tokens ay katumbas ng isang download sa termino ng download, 446,920 lahat-lahat; ang mga tokens ng huling araw ay kasama sa adoption rate. Pinagmulan: OpenRouter (openrouter.ai/rankings).

+313°

Bilis ng pagtanggap

Mga humigit-kumulang 14,717 downloads bawat araw, sinusukat sa pagitan ng dalawang pagbabasa ng mga pinanggalingan, hindi hinuhulaan mula sa average ng buong buhay. Ang bilis ay katumbas ng isang-kapat ng term ng downloads, kaya ang bagong pagtaas ay nakikita nang hindi pinapantayan ng isang araw na spike ang mga taon ng paggamit.

Ipakita ang detalyadong paghahati

Pwedeng suriin ang bawat numero sa site na ito. Ang heat score ng modelong ito ay 9,008°, at dito ito binubuo ng paisa-isang sangkap, kasama ang tumatakbong kabuuan pagkatapos ng bawat isa: ang floor, ang mga degree na idinadagdag ng bawat pinanggalingan, ang bonus para sa uri ng modelo at ang binabawas ng edad ng mga weights nito. Ang mga kulay ay ang mga banda ng tsart sa itaas. Ang glossary sa dulo ay naglilinaw ng bawat termino.

1
Magsimula sa floor.
Bakit 7,000° at hindi zero: ang sukat ay mula 0° hanggang 9,999°, at ang bahagi sa ibaba ng 7,000° ay nakalaan para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan at hindi mauuna sa modelong may datos. Sa 7,000° nagsisimula ang nasusukat na datos. Ang modelong may totoong datos pero halos walang downloads ay nandito; ang lahat ng susunod ay sukat, at ang espasyo sa itaas ng floor ay may sampung hakbang na sampung beses na pagtaas sa downloads na may 300° bawat isa. Pareho ang floor para sa lahat ng modelo, kaya hindi ito nagdedesisyon; ang mga degree sa itaas nito ang nagdedesisyon.
7,000°
patuloy na kabuuan
2
Idagdag ang mga download.
446,920 na katumbas ng download sa lahat, mula sa OpenRouter tokens. Sampung beses na pagdagdag ng downloads ay nagdadagdag ng parehong 300°, kaya mahalaga ang laki pero hindi ito sobra sa puntos.
+1,695°
8,695°
patuloy na kabuuan
3
Idagdag ang bilis ng pagtanggap.
Mga 14,717 downloads kada araw ngayon, sinusukat sa pagitan ng dalawang readings, na may isang-kapat na bigat.
+313°
9,008°
patuloy na kabuuan
=
Ang heat score.
Kung saan nakatayo ang modelong ito sa bawat listahan ng site na ito. Wala nang ibang nagbabago nito.
9,008°

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Paano gumalaw ang kasikatan ng modelong ito kumpara sa ibang mga nasa katalogo: ang paglago nito sa downloads, likes, at paggamit sa bawat panahon, sinusukat laban sa karaniwang paglago ng modelo sa parehong panahon, kasama ang heat score nito sa panahong iyon. Kapag mas mataas kaysa sa karaniwan, ibig sabihin ay pagtaas, kapag mas mababa ay pagbaba. Binubuo ang nakaraan mula sa mga kabuuan ngayon, unang araw ng modelo at sukat na bilis ng pag-download kung may dalawang sukat; ang modelong hindi pa umiiral sa simula ng panahon ay nagpapakita ng n/a.

Mga katulad na model

DeepSeek Flash Latest

TEXT / LLM

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Laguna S 2.1 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm poolside pangangatwiran pag-coding mga ahente mahabang konteksto lokal

Mag-browse ayon sa pamilya ng model