Poolside publikon Laguna S 2.1, një model kodimi me pesha të hapura që mposht rivalët 10 herë më të mëdhenj
Poolside, laboratori i inteligjencës artificiale në San Francisko që ka kaluar pjesën më të madhe të ekzistencës së tij trevjeçare duke shitur në heshtje modele kodimi për qeveritë dhe agjencitë e mbrojtjes, publikoi të martën modelin e tij më të aftë deri më sot dhe bëri një bast jashtëzakonisht agresiv se transparenca radikale, jo shkalla e papërpunuar, është mënyra se si një laborator më i vogël konkurron në kufij.
Modeli, Laguna S 2.1, është një sistem i Përzierjes së Ekspertëve (MoE) me 118 miliardë parametra që aktivizon vetëm 8 miliardë parametra për token, mbështet një dritare konteksti deri në 1 milion token dhe — sipas standardeve të publikuara nga kompania — përputhet ose tejkalon modelet e hapura disa herë më të mëdha se madhësia e tij në detyrat e kodimit agjentik. Peshat janë të disponueshme menjëherë në Hugging Face sipas licencës lejuese OpenMDW-1.1.
Shifrat kryesore janë mbresëlënëse për një model kaq të vogël. Poolside raporton se Laguna S 2.1 shënon 70.2% në Terminal-Bench 2.1 , një pikë referimi për detyrat terminale me horizont të gjatë, duke e vendosur atë në vendin e 11-të në tabelën e renditjes së përpiluar të kompanisë – përpara DeepSeek-V4-Pro-Max, një model me 1.6 trilion parametra që shënoi 64.0; Inkling i Thinking Machines me 975 miliardë parametra , me 63.8; dhe Nemotron 3 Ultra i Nvidia me 550 miliardë parametra, me 56.4. Në SWE-Bench Multilingual, ai shënon 78.5%, dhe në të dhënat publike të SWE-Bench Pro, 59.4%.
Ndoshta më domethënës se çdo rezultat i vetëm: modeli kaloi nga fillimi i trajnimit paraprak më 22 maj deri në lançimin publik në më pak se nëntë javë, i trajnuar në 4,096 GPU Nvidia H200. Në një industri ku ciklet e modeleve kryesore zakonisht maten në tremujorë ose vite, Poolside tani ka shitur tre modele në tre muaj.
Publikimi i kësaj liste bie në mes të një debati gjithnjë e më të ashpër rreth origjinës së inteligjencës artificiale me peshë të hapur . Gjatë vitit të kaluar, përdorimi nga zhvilluesit është zhvendosur me vendosmëri drejt sistemeve me peshë të hapur që kompanitë mund t’i shkarkojnë, inspektojnë dhe përdorin në infrastrukturën e tyre – dhe opsionet kryesore në atë kategori kanë ardhur kryesisht nga laboratorët kinezë. DeepSeek, Qwen, Kimi, GLM, MiniMax dhe linja Hunyuan e Tencentit shfaqen të gjitha në mënyrë të spikatur në tabelat krahasuese të Poolside.
Njoftimi për shtyp i shoqëruar nga Poolside e paraqet Laguna S 2.1 në mënyrë të qartë si një përgjigje, duke vënë në dukje se modeli zë një klasë madhësie në të cilën asnjë laborator perëndimor nuk ka publikuar pesha të hapura në 11 muaj – që nga gpt-oss-120b i OpenAI gushtin e kaluar. “Perëndimi ka nevojë për modele me peshë të hapur të cilave mund t’u besojë, t’i funksionojë dhe të ndërtojë mbi të”, tha Jason Warner, bashkë-CEO i Poolside, në njoftim.
Bashkëthemeluesi dhe bashkë-CEO Eiso Kant i bëri pikat filozofike edhe më të qarta në një postim të gjatë në X. “Unë besoj se inteligjenca duhet dhe do të bëhet një mall,” shkroi ai, duke argumentuar se ekosistemi i hapur “nuk do të fitojë duke qenë më i miri në kategorinë e vet”. Përdoruesit, argumentoi ai, thjesht duan inteligjencën më të mirë për detyrën në fjalë – kështu që modelet e hapura duhet të jenë në të njëjtin nivel me, ose më të mira se, ekuivalentët e tyre të mbyllur.
Logjika strategjike këtu nuk është bamirësia. Biznesi kryesor i Poolside është vendosja e modeleve brenda kufijve të sigurisë së qeverisë, mbrojtjes dhe ndërmarrjeve të rregulluara — klientë për të cilët qasja e mbyllur dhe e matur në API shpesh nuk është e suksesshme për arsye pajtueshmërie dhe sovraniteti.
Çdo ndërmarrje që standardizohet sipas një modeli të hapur kinez sot bëhet më e vështirë për t’u fituar nesër. Lëshimi i peshave të hapura konkurruese është si një lojë në ekosistem ashtu edhe një strategji “top-of-funnel” për biznesin e vendosjes me siguri të lartë të kompanisë. Gjithashtu, ajo e riformulon garën e IA-së larg terrenit ku Poolside nuk mund të konkurrojë – shpenzime kapitale në shkallë kufitare – dhe drejt terrenit ku beson se mundet: kosto për token, vetë-strehim dhe shpejtësi përsëritjeje.
Dizajni teknik pasqyron një tezë specifike rreth asaj se ku po lëviz vlera në kodimin e IA-së. Arkitektura e rrallë MoE e Laguna S 2.1 – 256 ekspertë të drejtuar plus një ekspert i përbashkët, me vëmendje pyetjesh të grupuara dhe shtresa dritaresh rrëshqitëse të ndërthurura, sipas kartës së modelit Hugging Face – do të thotë që kostot e nxjerrjes së përfundimeve shkallëzohen me 8 miliardë parametra aktivë, jo me 118 miliardë gjithsej. Poolside thekson se modeli është mjaft i vogël për t’u ekzekutuar në një Nvidia DGX Spark të vetëm, makinën IA të klasës së desktopit.
Kjo ka rëndësi për atë që Poolside e quan ekonomi tokenësh. Agjentët e kodimit me horizont të gjatë janë konsumatorë të pangopur të tokenëve: të dhënat e publikuara të kompanisë tregojnë se modeli konsumon mesatarisht afërsisht 249,000 tokena përfundimi për trajektore në pikën e tij më të vështirë të referencës kur aktivizohet modaliteti i të menduarit. Me çmime të matura të API-ve, ngarkesat e punës agjentike në shkallë ndërmarrjeje bëhen një artikull kuptimplotë i buxhetit. Në OpenRouter, Poolside ofron një pikë fundore falas me kontekst 256 mijë dhe një vendosje të dedikuar me kontekst 1 milion me çmim 0.10 dollarë për milion tokena hyrëse dhe 0.20 dollarë për milion tokena dalëse – çmime agresive që i ulin shumë alternativat e nivelit të lartë.
Mbështetja e ekosistemit është jashtëzakonisht e gjerë për ditën e parë. Modeli është aktiv në bibliotekën e modeleve të Baseten dhe në AI Gateway të Vercel, me integrime në vLLM , SGLang, Ollama dhe llama.cpp, plus variante të kuantizuara deri në skedarë GGUF 4-bit – 75 gigabajt – për përdorim lokal. Por pretendimi më interesant i Poolside është sjelljesor, jo arkitektonik. Pengming Wang, bashkëdrejtues i kërkimit të aplikuar në Poolside, tha se përfitimet erdhën nga përmirësimi i zakoneve të punës së modelit: “më shumë verifikim, më pak marrje të gjërave si të mirëqena, mosdeklarim i fitores herët dhe më këmbëngulës”. Inteligjenca e papërpunuar, argumenton kompania, është një bosht i aftësisë; mënyra e punës së një modeli është një bosht i dytë që ka shumë rëndësi për agjentët e lënë pa mbikëqyrje për orë të tëra.
Pjesa më me pasoja e publikimit për blerësit e ndërmarrjeve mund të jetë një veprim transparence vlerësimi me pak precedent midis laboratorëve të mëdhenj: Poolside publikoi trajektoren e plotë dhe të paredaktuar të çdo prove në testet e saj përfundimtare – çdo hap arsyetimi, thirrje mjeti dhe komandë shell pas çdo rezultati të raportuar.
Kjo adreson një problem në rritje të besueshmërisë në krahasimin e inteligjencës artificiale. Ndërsa rezultatet më të larta në krahasimet e pjekura grumbullohen në rangun 70–90%, dhe ndërsa “hakimi i shpërblimeve” – modelet që gjejnë zgjidhje në internet ose luajnë verifikues në vend që të zgjidhin probleme – është bërë endemike, numrat e vetë-raportuar kanë humbur shumë nga sinjali i tyre. Poolside zbuloi përballjet e veta me problemin në mënyrë të sinqertë: gjatë trajnimit, më shumë se gjysma e trajektoreve në disa detyra SWE-bench u sinjalizuan sepse modeli thjesht hulumtoi kërkesën origjinale të tërheqjes për korrigjimin e gabimeve në internet dhe e zbatoi atë. Kompania dokumentoi zbutjet e saj, duke përfshirë shtesa të menjëhershme, gjykime të bazuara në LLM të kalibruar kundrejt etiketave njerëzore dhe rishikim nga ekspertë të një ekzekutimi me rezultate të larta në Terminal-Bench.
Tre studime rastesh të publikuara ilustrojnë se çfarë nënkupton kompania me këmbëngulje. Në njërin, modeli ndërtoi një motor renderimi HTML/CSS funksional nga një dosje bosh në një seancë 50-minutëshe pa mbikëqyrje me 181 hapa – më pas, duke mos pasur aftësi vizioni, aktivizoi Chromium pa kokë për të krahasuar numerikisht rezultatin e tij të kanavacës me renderimin e një shfletuesi të vërtetë. Në një tjetër, duke drejtuar vëmendjen te vetë agjenti i Poolside në një cikël optimizimi të automatizuar, modeli e bëri bazën e kodit Go 5.2% më të shpejtë me afërsisht 70% më pak ndarje memorieje, duke gjetur një gabim të bashkimit të vargjeve O(n²) gjatë rrugës. Në një të tretë, duke punuar në një sandbox pa Python të instaluar, modeli bëri teorinë e tij të numrave në Perl dhe ri-nxori në mënyrë të pavarur një provë të problemit #397 të Erdős – një pyetje kombinatorike e hapur për pesë dekada derisa GPT-5.2 Pro e zgjidhi për herë të parë janarin e kaluar. Poolside vëren se ndërtimi i modelit të tij është strukturor i ndryshëm nga zgjidhja e publikuar më parë, dhe se kufiri i tij i njohurive në nëntor 2025 i paraprin provës së parë.
Poolside meriton merita për zbulimin e kufizimeve që shumica e laboratorëve i fshehin. Modeli mund të përshtatet tepër me sistemin e tij të integruar dhe të hasë skema mjetesh paksa të ndryshme në agjentët e palëve të treta, të prishë JSON në argumentet e mjeteve të ndërthurura dhe është i prirur të mendojë tepër në matematikën e konkurrencës. Aktualisht nuk ka një numërues të konfigurueshëm për përpjekjen e të menduarit nga përdoruesi – vetëm të aktivizuar ose të çaktivizuar – dhe hendeku midis mënyrave është i madh: të menduarit e ngre Terminal-Bench 2.1 nga 60.4% në 70.2%, dhe DeepSWE nga 16.5% në 40.4%, me një kosto token dukshëm më të lartë.
Blerësit duhet të aplikojnë zbritjet e tyre në tabelat e krahasimit. Metodologjia e Poolside merr maksimumin e rezultateve të vetë-raportuara nga shitësit, tabelat e renditjes së autorëve të referencës dhe shifrat e palëve të treta për konkurrentët – një konventë e arsyeshme, por që përzien pajisjet dhe kushtet e testimit. Në DeepSWE, veçanërisht, Poolside përdori pajisjen e vet të agjentëve në vend të mini-swe-agent standard të tabelës së renditjes, një ndryshim që kompania e pranon i bën rezultatet më pak të krahasueshme drejtpërdrejt. Dhe kufiri mbetet qartësisht jashtë mundësive: modelet e mbyllura si GPT-5.6 Sol, në 88.8 në Terminal-Bench 2.1, dhe Claude Fable 5, në 88.0, së bashku me Kimi K3 me peshë të hapur me 2.8 trilion parametra, në 88.3, qëndrojnë shumë mbi Laguna S 2.1.
Pyetja më e thellë strukturore është nëse ” Fabrika e Modeleve ” e Poolside – platforma e brendshme të cilës kompania ia atribuon ritmin e shpejtë të publikimit – mund ta mbajë këtë ritëm ndërsa modelet shkallëzohen. Trajektorja deri më tani është vërtet e pazakontë: publikimi i dyfishtë në prill i Laguna M.1 dhe XS.2, rifreskimi i 2 korrikut i XS 2.1, dhe tani S 2.1, për të cilin kompania thotë se ia kalon modelit kryesor të prillit M.1 me afërsisht një të tretën e madhësisë së tij aktive. Çuditërisht, S 2.1 përdori të njëjtat të dhëna para-trajnimi si XS 2.1, që do të thotë se pothuajse i gjithë përmirësimi erdhi nga shkallëzimi, rregullimet e trajnimit dhe trajnimi pas-trajnimit në të gjithë korpusin e kompanisë prej 409,000 mjedisesh trajnimi agjentë dhe jo-agjentë. Poolside thotë se modeli i saj i ardhshëm, më i madh Laguna, filloi trajnimin paraprak javën e kaluar.
Për vendimmarrësit teknikë, Laguna S 2.1 është opsioni më i besueshëm perëndimor me peshë të hapur që ka dalë në gati një vit për kodimin agjentik të vetë-strehuar – me prova të publikuara, një licencë lejuese, mbështetje të gjerë të ekosistemit dhe një histori ekonomike të ndërtuar rreth pajisjeve që mund të zotëroni. Nëse kjo do të dëmtojë dominimin e modeleve të hapura kineze do të varet më pak nga ky publikim sesa nga ato që do të vijnë pas tij.
Kanti, nga ana e tij, i ka treguar tashmë botës se si synon që kjo histori të përfundojë. Poolside po ndërton drejt një të ardhmeje ku inteligjenca më e aftë “mund të zotërohet dhe formësohet nga kushdo”, shkroi ai – dhe kompania planifikon të vazhdojë të ofrojë “derisa të ekzistojë ajo e ardhme”. Në një industri ku laboratorët më të mëdhenj gjithnjë e më shumë e mbështesin punën e tyre më të mirë pas një API-je, gjëja më radikale në lidhje me Laguna S 2.1 mund të mos jetë ajo që shënon, por që kushdo mund ta shkarkojë dhe ta kontrollojë atë.