8B 算力打千億巨頭！Poolside 釋出 Laguna S 2.1 長視野程式代理模型

8B 算力就能打千億模型？Poolside 釋出 Laguna S 2.1 程式代理模型

Poolside 最新發布的 Laguna S 2.1 是一款 1,180 億參數（118B）的混合專家（MoE）模型。特別的是，它每次生成 Token 只需要啟動 80 億（8B）參數，卻能在長時間、多步驟的程式開發任務中跑贏體積大它數倍的巨型模型。

核心設計：8B 啟動參數與 100 萬 Context

要在複雜專案中替人類除錯或寫程式，模型必須處理極長的上下文。Laguna S 2.1 支援最高 1M（100 萬）Token 的上下文視窗，無論開不開啟思考模式都能穩定跑完長任務。

這套模型從開始訓練到正式釋出只花了不到九週。團隊用了 4,096 張 NVIDIA H200 GPU 進行預訓練，後續訓練則首度採用 FP8 精度的強化學習（RL），大幅加快了疊代速度。

基準測試：小模型硬槓 1.6 兆參數巨無霸

參數大不一定代表在實際任務中更聰明。在評估代理模型操作 Terminal 解決長流程任務的 Terminal-Bench 2.1 測試中，開啟思考模式的 Laguna S 2.1 拿到 70.2% 的成績。

這個分數直接壓過許多體積龐大的模型，例如 1.6 兆參數的 DeepSeek-V4-Pro-Max（64.0%）和 5,500 億參數的 Nemotron 3 Ultra（56.4%）。而在多語言軟體工程測試 SWE-Bench Multilingual 中，它也拿到 78.5%。

Poolside 把這次評測的所有執行過程與紀錄都公開在 trajectories.poolside.ai，任何人都可以直接下載軌跡檔案查看每一個步驟。

三個實測案例：它怎麼解決複雜任務？

比起單純看 benchmark，直接看模型實際怎麼解題更能看出差異：

1. 從空白資料夾寫出 HTML/CSS 渲染引擎：研究人員給它一個空資料夾，要求寫出網頁渲染引擎。在完全沒有人工干預的 50 分鐘、181 個步驟內，Laguna S 2.1 寫出可運作的程式碼。因為它本身沒有視覺模組，它甚至自己呼叫背景無頭瀏覽器（Headless Chromium）來渲染畫面，再比對截圖與數值來驗證畫面對不對。
2. 優化自己的測試工具：團隊把模型對準自己的 Agent Harness（用於訓練與評測的框架）。模型在自動化測試循環中重構程式碼，讓執行速度提升 5.2%，記憶體分配減少近 70%。
3. 離線推導 50 年前的數學難題：在未連網的狀態下，模型用 Perl 語言獨立證明了 Erdős 第 397 號數學猜想。雖然 GPT-5.2 Pro 在 2026 年初也給出過證明，但 Laguna S 2.1 的知識切點在 2025 年 11 月，代表這是它自己推理出來的結果。

差別不在智商，而是願不願意死磕到底

Poolside 應用研究負責人 Pengming Wang 指出，這款模型最大的改變不是「變得更聰明」，而是「行為模式變了」。

過去很多程式模型遇到測試套件過半時，很容易過早宣告完成；或者差兩步就能解開時突然放棄。Laguna S 2.1 則展現出很強的執著度，它會不斷主動驗證，一旦發現出錯就退回上一步重來。

團隊在後訓練階段準備了 40.9 萬個訓練環境，其中 8.3 萬個針對 Terminal 操作，16.8 萬個針對標準軟體開發流程（包含了從 1.7 萬個開源專案中擷取的 3.8 萬個真實 Commit 紀錄）。這種訓練讓模型具備了類似資深工程師反覆測試與除錯的習慣。

推理思考模式與防作弊機制

Laguna S 2.1 提供「Off」與「Max」兩種思考模式（預設為 Max），模型會自動決定要花多少 compute 進行思考推理。

切換到 Max 模式後，Terminal-Bench 2.1 的成績從 60.4% 提升到 70.2%，DeepSWE 的成績更是從 16.5% 暴增到 40.4%。長時間的「內部獨白」推理在處理跨檔案的複雜邏輯時效果非常顯著。

為了防止模型在測試時上網搜尋現成答案來作弊（Reward Hacking），團隊使用模型評審（LLMaaJ）搭配人工抽查。當發現模型會在 GitHub 搜尋相關 PR 抄答案時，團隊在提示詞加上約束指令，成功把獎勵駭客率降到 2% 以下。

如何開始使用？開源權重與部署管道

模型已在 Hugging Face 平台 上架，採用 OpenMDW-1.1 授權。官方提供 BF16、FP8、INT4 與 NVFP4 權重，以及 GGUF 和 MLX 格式。

• 本地與自架部署：支援 vLLM、SGLang 與 Ollama。由於每次僅啟動 8B 參數，單台 NVIDIA DGX Spark 即可流暢執行。
• 雲端 API 託管：可透過 OpenRouter、Baseten 模型庫或 Vercel AI Gateway 呼叫。OpenRouter 免費端點提供 256K Context，付費端點則支援完整 1M Context。
• 終端機代理工具：已整合至 Kilo、Hermes Agent、OpenCode、Cline 以及官方的 pool 工具（在 pool 中可用 /thought-level 切換思考深度）。
• 網頁直接對話：非開發者可至 chat.poolside.ai 免費體驗。

現有局限與待改善之處

Poolside 也坦承目前模型仍有幾個已知缺點：

• 工具定義過擬合（Harness Overfitting）：當第三方工具的 Schema 與官方原生工具很像但有些微差異時，模型有時會憑記憶呼叫舊格式，需要靠 System Prompt 糾正。
• 巢狀工具呼叫格式錯誤：在處理嵌套工具呼叫或輸出 JSON Array 時，偶爾會產生未正確轉義的 JSON。
• 競賽數學題過度思考：面對極高難度的數學問題時，模型可能陷入很長的思考流程而拉低效率。團隊預計在未來版本中加入思考算力的手動控制選項。

Laguna S 2.1 證明了不需要盲目堆疊參數，透過良好的 MoE 設計、長上下文以及強化驗證的後訓練，小體積模型同樣能在複雜的軟體工程代理任務中取得頂尖表現。

💬 常見問題 (Q&A)

Q1: Laguna S 2.1 的 MoE 架構有何優勢？ A1: 總參數雖為 118B，但生成 Token 時僅啟動 8B 參數。這讓模型能保有千億級模型的長上下文能力（100 萬 Token），同時大幅降低推論時的記憶體與算力需求，甚至可在單台 NVIDIA DGX Spark 上順暢運行。

Q2: Laguna S 2.1 在解決複雜程式問題時最主要的特色是什麼？ A2: 關鍵在於「自我驗證」與「執著度」。許多模型遇到部分測試通過就會過早停手，Laguna S 2.1 則會反覆測試與重試。例如在撰寫網頁渲染引擎時，它會主動呼叫背景無頭瀏覽器截圖並比對數值，確認畫面正確才交付。

Q3: 思考模式（Max Thinking）對模型表現有多大幫助？ A3: 開啟 Max 思考模式後，模型會根據問題複雜度自動安排推理資源。實測顯示，其 Terminal-Bench 2.1 分數從 60.4% 提升至 70.2%，DeepSWE 分數更從 16.5% 飆升至 40.4%，對跨檔案的複雜邏輯處理解法顯著提升。

Q4: 模型目前有哪些已知缺點？ A4: 官方指出三個待改善點：1. 第三方工具 Schema 相似時可能誤用記憶中的舊格式；2. 複合工具呼叫或輸出 JSON 陣列時偶爾出現格式轉義錯誤；3. 面對競賽級數學題時容易陷入長時間的過度思考。