Laguna S 2.1 : le modèle de codage open-weight de Poolside qui dépasse largement son poids (et son prix)

Le 21 juillet 2026, Poolside a publiéLaguna S 2.1 — un modèle de codage open-weight de 118 milliards de paramètres avec seulement environ 8 milliards de paramètres actifs par token — et l'a présenté comme « le modèle open-weight le plus performant de l'Occident » et sa réponse à DeepSeek et Qwen. Le titre n'est pas qu'il bat tous les systèmes frontières fermés ; c'est qu'il bat des modèles plusieurs fois plus grands que lui sur les benchmarks de codage agentique tout en coûtant 0,10 $ / 0,20 $ par million de tokens. Ce guide couvre ce qu'est réellement Laguna S 2.1, son mode de réflexion, ce qui est rapporté indépendamment par rapport au fournisseur, son coût, comment l'exécuter, et qui devrait l'utiliser.

Chaque figure ci-dessous est étiquetée par source. Les scores principaux de Laguna sont rapportés par Poolside (d'après ses documents de lancement et la carte Hugging Face) sauf si un tiers nommé est cité ; considérez-les comme étant gérés par le fournisseur jusqu'à ce que des laboratoires indépendants les confirment. Les benchmarks et les prix évoluent — vérifiez avant d'engager un budget.

TL;DR. Laguna S 2.1 est un modèle de codage MoE à poids ouverts (118B total / ~8B actifs) avec jusqu'à 1M de contexte et un basculement « pensée / sans pensée », au prix de seulement 0,10 $ en entrée / 0,20 $ en sortie par million de tokens — une fraction de la plupart des concurrents. Poolside rapporte 78,5 % sur SWE-Bench Multilingual (en tête des modèles ouverts à taille divulguée), 70,2 % sur Terminal-Bench 2.1 et 40,4 % sur DeepSWE v1.1 (contre 9,0 % pour DeepSeek-V4-Pro-Max) — avec environ un sixième des paramètres actifs. C'est la meilleure option de codage au rapport qualité-prix à poids ouverts que nous ayons vue, mais les modèles frontier fermés comme Claude Fable 5, Claude Opus 5, et Kimi K3 mènent encore sur plusieurs benchmarks absolus. Si vous voulez un codeur bon marché et auto-hébergeable qui surpasse sa catégorie de poids, Laguna S 2.1 est l'histoire ; si vous avez besoin de la précision de codage absolue, un vaisseau amiral frontier gagne encore.

Points clés

• Meilleur codage à poids ouverts par dollar. 0,10 $/0,20 $ pour 1 million de tokens pour un modèle qui mène les modèles ouverts de taille divulguée sur SWE-Bench Multilingual (78,5 %).

• Dépasse son poids. ~8B de paramètres actifs, pourtant il égale ou bat des modèles bien plus grands sur Terminal-Bench 2.1 et SWE-Bench Pro.

• Poids ouverts et auto-hébergeables. Poids sur Hugging Face (poolside/Laguna-S-2.1) — vous pouvez l'exécuter dans votre propre environnement.

• Le mode de réflexion pilote les scores. La réflexion maximale fait passer DeepSWE de 16,5 % à 40,4 % — puissant, mais cela consomme des jetons de raisonnement, alors prévoyez un budget.

• Pas le numéro 1 absolu. Les vaisseaux amiraux de la frontière fermée (Fable 5, Opus 5, Kimi K3) mènent toujours plusieurs benchmarks de codage absolus ; la prétention de Laguna est la catégorie de poids et le prix, pas le sommet du classement.

Une note sur la lecture de ce document : tout ce qui est attribué à Poolside provient de déclarations de fournisseurs issues des supports de lancement ; lorsqu'un benchmark est indépendant, nous citons la source. Lorsqu'un score indépendant d'intelligence générale n'est pas publié, nous le disons plutôt que de deviner — Laguna est un spécialiste du codage, pas un leaderboard généraliste.

Ce qu'est réellement Laguna S 2.1

Laguna S 2.1 est le modèle de codage agentique à poids ouverts de Poolside. Architecturalement, c'est un mélange d'experts : 118B paramètres au total, mais seulement environ 8B activés par jeton, ce qui le rend peu coûteux à servir par rapport à ses capacités. Il prend en charge un contexte allant jusqu'à 1M de jetons et deux modes de fonctionnement : un chemin rapide « sans réflexion » et un chemin « de réflexion » qui consomme des jetons de raisonnement supplémentaires pour les problèmes plus difficiles. Il est conçu pour le codage et le travail agentique : utilisation d'outils, appel de fonctions, tâches multi-étapes. Poolside propose également un petit frère, Laguna XS 2.1 (33B total / ~3B actifs), à un prix encore plus bas de $0.06 / $0.12.

Crucialement, les poids sont ouverts et publiés sur Hugging Face, donc contrairement à un modèle d'API fermé, vous pouvez télécharger Laguna S 2.1, l'exécuter sur votre propre infrastructure, l'affiner et figer une version. Cette combinaison — un codage proche de la frontière, un nombre minuscule de paramètres actifs, des poids ouverts et un prix très bas — constitue tout l'argumentaire, et c'est pourquoi Poolside le présente comme la réponse de l'Ouest aux modèles ouverts puissants de DeepSeek et Qwen.

Nouveautés : les benchmarks

Les chiffres de lancement tournent tous autour du codage. Sur SWE-Bench Multilingual, Poolside rapporte 78,5 %, ce qui, selon elle, place les modèles ouverts de taille divulguée en tête. Sur Terminal-Bench 2.1, il obtient 70,2 %. Sur DeepSWE v1.1, il atteint 40,4 % — et la comparaison la plus frappante de Poolside est que cela bat les 9,0 % de DeepSeek-V4-Pro-Max sur le même test avec environ un sixième des paramètres actifs. Sur Terminal-Bench 2.1 et SWE-Bench Pro, Poolside déclare que Laguna S 2.1 égale ou dépasse des modèles plusieurs fois sa taille, y compris DeepSeek V4 Flash, le Nemotron 3 Ultra de NVIDIA, et l'Inkling de Thinking Machines.

Le cadrage honnête que Poolside utilise lui-même concerne la catégorie de poids, pas la suprématie absolue : des modèles frontaliers fermés comme Claude Fable 5 et Kimi K3 sont encore en tête sur plusieurs benchmarks. Donc la bonne manière de lire Laguna S 2.1 est « la plus grande capacité que vous puissiez obtenir d’un modèle ouvert, ~8B-active et bon marché », et non « le meilleur codeur, point final ».

Mode de réflexion : d'où vient la performance

Les scores principaux du modèle Laguna S 2.1 dépendent fortement de son mode « max thinking ». L'exemple le plus frappant est DeepSWE v1.1, où le score passe de 16,5 % sans réflexion à 40,4 % avec la réflexion maximale — la majeure partie de la puissance du modèle sur les benchmarks provient du fait qu'on le laisse raisonner. Terminal-Bench 2.1 montre la même tendance (60,4 % → 70,2 %). Cela a des implications sur le coût et la latence : le mode réflexion dépense des jetons de raisonnement supplémentaires, donc même si le prix par jeton est infime, une tâche difficile exécutée en mode réflexion maximale utilise plus de jetons (et prend plus de temps) que le chemin sans réflexion. En pratique, on exécuterait les complétions de routine en mode sans réflexion pour la rapidité et le coût, et on passerait en mode réflexion uniquement pour les problèmes difficiles en plusieurs étapes où le gain de précision vaut les jetons — un écho spécifique au codage des cadrans d'effort qui apparaissent sur les modèles de pointe.

Analyse approfondie du benchmark : ce que mesurent ces tests de codage

SWE-Bench Multilingual étend le célèbre SWE-bench (résolution de véritables problèmes GitHub) à plusieurs langages de programmation, donc 78.5% est un signal fort de correction de bugs pratique et multilingue — et "leads open disclosed-size models" est une affirmation significative, bien que formulée par le fournisseur. Terminal-Bench 2.1 teste si un modèle peut utiliser un véritable terminal pour accomplir des tâches de bout en bout, ce qui est plus proche de ce qu'un agent de codage autonome fait réellement qu'une complétion de code en un seul essai. DeepSWE v1.1 est une suite d'ingénierie logicielle agentique plus difficile ; le 40.4% (contre 9.0% de DeepSeek-V4-Pro-Max) est le chiffre le plus spectaculaire de Laguna précisément parce qu'il représente un écart important face à un modèle beaucoup plus grand.

La mise en garde qui rend cette affirmation honnête : il s'agit de résultats menés par Poolside au lancement, et il n'existe pas encore d'indice Artificial Analysis Intelligence publié ni de chiffre indépendant SWE-bench Verified pour Laguna S 2.1. Considérez donc les affirmations de leadership comme étant rapportées par le fournisseur jusqu'à ce qu'un tiers les confirme, et rappelez-vous que Laguna est un spécialiste du codage — il n'est pas positionné comme un leader du raisonnement général, et vous ne devriez pas vous attendre à ce qu'il figure en tête d'un indice d'intelligence générale.

Ce que cela coûte en pratique

C'est là que Laguna S 2.1 est véritablement disruptif. À 0,10 $ d'entrée / 0,20 $ de sortie par million de tokens, un appel de codage représentatif de 15,000 tokens d'entrée et 3,000 tokens de sortie coûte 15k × 0,10 $/1M + 3k × 0,20 $/1M = 0,0015 $ + 0,0006 $ = environ 0,0021 $ — soit environ un cinquième de centime. Le même appel sur un modèle de pointe comme Claude Opus 5 (5 $/25 $) coûte environ 0,15 $ — près de 70 fois plus. Même face à des concurrents bon marché, Laguna sous-cote : elle se positionne en dessous des prix de DeepSeek. L'astérisque est le mode réflexion — une tâche difficile en réflexion maximale peut générer plusieurs fois plus de tokens de sortie, de sorte qu'un appel à « 0,0006 $ de sortie » pourrait atteindre quelques centimes. Mais même gonflé, le coût est une erreur d'arrondi par rapport aux modèles de pointe fermés. Pour l'automatisation du codage à haut volume — robots CI, refontes en masse, flottes d'agents — les aspects économiques sont difficiles à contester, d'autant plus que vous pouvez également auto-héberger pour éliminer complètement le coût par token.

Comment accéder à Laguna S 2.1 et l'exécuter

Les poids étant ouverts, vous avez deux options. Vous pouvez y accéder via des fournisseurs hébergés (il apparaît sur des agrégateurs comme OpenRouter) au tarif de 0,10 $/0,20 $, ce qui est le moyen le plus rapide de l'essayer. Ou vous pouvez télécharger les poids depuis Hugging Face (poolside/Laguna-S-2.1) et héberger vous-même — en conservant le code et les données dans votre environnement, en affinant sur vos dépôts, en quantifiant pour votre matériel, et en plafonnant les coûts à votre infrastructure. La variante XS (33B-A3B) est l'option lorsque vous souhaitez exécuter quelque chose d'encore plus petit et moins cher localement. Dans les deux cas, cela expose l'utilisation d'outils et l'appel de fonctions, ce qui s'intègre dans les harnais de codage agentiques.

À qui cela s'adresse : trois scénarios

1. Automatisation de codage à grand volume à petit budget

Si vous exécutez des bots de correction CI, des migrations en masse ou de grandes flottes d'agents où le coût des tokens s'accumule, le prix de Laguna S 2.1 est révolutionnaire — exécutez no-thinking pour le travail de routine et thinking pour les cas difficiles. C'est son cas d'utilisation le plus fort.

2. Équipes qui doivent auto-héberger des modèles de code

Pour les organisations qui ne peuvent pas envoyer de code propriétaire à une API fermée, un codeur open-weight qui mène sa catégorie de taille est exactement ce qui manquait. Laguna S 2.1 (ou XS pour du matériel plus petit) vous offre un codage proche des frontières que vous contrôlez entièrement.

3. Startups sensibles aux coûts construisant des produits de codage

Si vos marges produit dépendent du coût d'inférence, Laguna vous permet de proposer des fonctionnalités de codage IA à une fraction des prix frontier — réservant un vaisseau amiral frontier uniquement pour les requêtes les plus difficiles que vos utilisateurs rencontrent.

Quand ne pas l'utiliser

Ne vous tournez pas vers Laguna S 2.1 lorsque vous avez besoin de la meilleure précision de codage absolue et que vous pouvez payer pour cela — les modèles frontières fermés (Fable 5 à 95,0 % SWE-bench Verified, Opus 5 au #1 de l'indice général, Kimi K3 au #1 du Frontend Coding Arena) dominent encore plusieurs benchmarks. Ne l'utilisez pas pour le raisonnement général, le multimodal ou les tâches non liées au codage — c'est un spécialiste du codage sans pedigree d'intelligence générale. Et ne supposez pas que les chiffres phares tiennent en mode sans réflexion ; si vous désactivez la réflexion pour réduire les coûts, évaluez les scores inférieurs que vous obtiendrez réellement.

Liste de contrôle des décisions

• Choisissez Laguna S 2.1 si : vous voulez le codeur open-weight capable le moins cher, vous devez auto-héberger, ou vous exécutez une automatisation de codage à volume élevé où le coût domine.

• Choisissez plutôt un frontier flagship si : {{1}}vous avez besoin de la toute meilleure précision de codage, de raisonnement général, ou multimodal — et vous pouvez vous le permettre.{{/1}}

• Exécutez les deux si : routine de codage par défaut vers Laguna et escaladez les tâches les plus difficiles vers un modèle de pointe, derrière un seul point de terminaison.

FAQ

Combien coûte Laguna S 2.1 ?

$0.10 par 1M tokens d'entrée et $0.20 par 1M tokens de sortie — avec un modèle Laguna XS 2.1 plus petit à $0.06 / $0.12. C'est l'un des modèles de codage les moins chers et capables disponibles, et étant open-weight, vous pouvez l'auto-héberger pour éliminer le coût par token. [OpenRouter/BenchLM]

Laguna S 2.1 est-il open source ?

C'est un modèle à poids ouverts : les poids du modèle sont publiés sur Hugging Face (poolside/Laguna-S-2.1), vous pouvez donc le télécharger, l'exécuter et l'affiner. Vérifiez la licence de Poolside pour votre utilisation spécifique.

Est-ce que c'est mieux que DeepSeek ou Qwen pour le codage ?

Poolside le présente comme la réponse occidentale à eux et rapporte avoir battu DeepSeek-V4-Pro-Max sur DeepSWE (40,4% contre 9,0%) avec beaucoup moins de paramètres actifs. Sur les benchmarks de codage ouverts et de taille divulguée, il est en tête selon Poolside — mais ceux-ci sont gérés par le vendeur, donc validez sur vos propres dépôts.

Est-ce qu'il bat les modèles de pointe ?

Pas tout à fait. Les flagships fermés comme Claude Fable 5, Claude Opus 5 et Kimi K3 dominent encore plusieurs benchmarks absolus. La revendication de Laguna est meilleur dans sa catégorie de poids et meilleur rapport qualité-prix, pas meilleur globalement.

Qu'est-ce que le mode de réflexion ?

Un basculement entre un chemin rapide sans réflexion et un chemin de réflexion maximale qui dépense des jetons de raisonnement supplémentaires pour une précision plus élevée (par exemple, DeepSWE 16,5 % → 40,4 %). Utilisez sans réflexion pour les tâches courantes, la réflexion pour les tâches difficiles.

Quelle est la fenêtre de contexte?

Jusqu'à 1M tokens, donc les grandes bases de code et les longues transcriptions d'agents tiennent.

Dois-je utiliser S ou XS ?

Laguna S 2.1 (118B/8B) pour le codage le plus puissant ; Laguna XS 2.1 (33B/3B) lorsque vous souhaitez quelque chose de plus petit et moins cher à auto-héberger ou à servir à très haut volume.

En résumé

Laguna S 2.1 est le modèle de codage open-weight le plus convaincant de sa taille à ce jour : un MoE 118B/8B avec jusqu'à 1M de contexte et un toggle de réflexion, proposé à un prix remarquable de 0,10 $ / 0,20 $, qui, selon Poolside, devance les modèles ouverts à la taille divulguée sur SWE-Bench Multilingual (78,5 %) et bat des rivaux bien plus grands sur les tests de codage agentique. Ce n'est pas le meilleur codeur absolu — les flagships frontières fermés mènent encore plusieurs benchmarks — et ses scores phares reposent sur le mode réflexion, qui consomme des jetons. Mais pour du codage bon marché, auto-hébergeable et à fort volume, rien dans sa catégorie de poids ne fait concurrence. Acheminez Laguna S 2.1 aux côtés de chaque flagship frontière via un endpoint compatible OpenAI sur OrcaRouter et envoyez-lui la majeure partie de votre trafic de codage, en ne faisant remonter que les tâches les plus difficiles.