Laguna S 2.1: Het open-gewicht codeermodel van Poolside dat ver boven zijn gewicht (en prijs) uitstijgt

Op 21 juli 2026 bracht Poolside Laguna S 2.1 uit — een open-weight coderingsmodel met 118 miljard parameters en slechts ongeveer 8 miljard actieve parameters per token — en presenteerde het als 'het meest capabele open-weight model van het Westen' en als antwoord op DeepSeek en Qwen. De krantenkop is niet dat het elk gesloten frontiersysteem verslaat; het is dat het modellen verslaat die vele malen groter zijn op het gebied van agentische codeerbenchmarks, terwijl het $0,10 / $0,20 per miljoen tokens kost. Deze gids behandelt wat Laguna S 2.1 werkelijk is, de denkmodus, wat onafhankelijk versus door de leverancier gerapporteerd is, wat het kost, hoe het uit te voeren en wie het zou moeten gebruiken.

Elk onderstaand cijfer is gelabeld per bron. De hoofdscores van Laguna zijn door Poolside gerapporteerd (uit de lanceringsmaterialen en de Hugging Face-kaart), tenzij een genoemde derde partij wordt geciteerd; beschouw ze als door de leverancier beheerd tot onafhankelijke laboratoria ze bevestigen. Benchmarks en prijzen veranderen — controleer voordat u budget vastlegt.

TL;DR. Laguna S 2.1 is een open-gewicht, MoE-codeermodel (118B totaal / ~8B actief) met tot 1M context en een "thinking / no-thinking"-schakelaar, geprijsd op slechts $0,10 input / $0,20 output per 1M tokens — een fractie van de meeste concurrenten. Poolside rapporteert 78,5% op SWE-Bench Multilingual (leidend onder open modellen met bekendgemaakt formaat), 70,2% op Terminal-Bench 2.1, en 40,4% op DeepSWE v1.1 (tegenover DeepSeek-V4-Pro-Max's 9,0%) — met ongeveer een zesde van de actieve parameters. Het is de beste open-gewicht code-per-dollar-optie die we hebben gezien, maar gesloten frontiermodellen zoalsClaude Fable 5, Claude Opus 5, en Kimi K3 leiden nog steeds op verschillende absolute benchmarks. Als je een goedkope, zelf-hostbare codeerder wilt die beter presteert dan zijn gewichtsklasse, is Laguna S 2.1 het verhaal; als je de allerhoogste codeernauwkeurigheid nodig hebt, wint een vlaggenschipmodel nog steeds.

Belangrijkste conclusies

• Beste open-weight codering per dollar. $0,10/$0,20 per 1M tokens voor een model dat toonaangevend is onder open disclosed-size modellen op SWE-Bench Multilingual (78,5%).

• Presteert boven zijn gewicht. ~8 miljard actieve parameters, maar evenaart of overtreft veel grotere modellen op Terminal-Bench 2.1 en SWE-Bench Pro.

• Open-weight en zelf te hosten. Gewichten op Hugging Face (poolside/Laguna-S-2.1) — u kunt het in uw eigen omgeving draaien.

• De denkmodus stuurt de scores. Maximaal denken tilt DeepSWE van 16,5% naar 40,4% — krachtig, maar het verbruikt redeneertokens, dus begroot ervoor.

• Niet de onbetwiste nummer één. Gesloten frontier vlaggenschepen (Fable 5, Opus 5, Kimi K3) leiden nog steeds meerdere absolute codeerbenchmarks; Laguna's claim is gewichtsklasse en prijs, niet de top van het klassement.

Een opmerking bij het lezen van dit document: alles wat aan Poolside wordt toegeschreven is een leveranciersclaim uit lanceermateriaal; waar een benchmark onafhankelijk is, vermelden we de bron. Waar een onafhankelijke algemene-intelligentiescore niet is gepubliceerd, zeggen we dat in plaats van te raden — Laguna is een codeerspecialist, geen generalistische koploper op leaderboards.

Wat Laguna S 2.1 eigenlijk is

Laguna S 2.1 is het open-weight, agentische codeermodel van Poolside. Architectonisch is het een mixture-of-experts: in totaal 118B parameters, maar slechts ongeveer 8B geactiveerd per token, waardoor het goedkoop is om te serveren in verhouding tot zijn capaciteit. Het ondersteunt een context van maximaal 1M tokens en twee bedrijfsmodi: een snelle 'no-thinking'-modus en een 'thinking'-modus die extra redeneertokens gebruikt voor moeilijkere problemen. Het is gebouwd voor coderen en agentisch werk: toolgebruik, functieaanroepen, meerstapstaken. Poolside levert ook een kleinere sibling, Laguna XS 2.1 (33B totaal / ~3B actief), tegen een nog lagere prijs van $0,06 / $0,12.

Cruciaal is dat de gewichten open zijn en gepubliceerd op Hugging Face, dus in tegenstelling tot een gesloten API-model kun je Laguna S 2.1 downloaden, op je eigen infrastructuur draaien, finetunen en een versie vastzetten. Die combinatie — codeervaardigheden op het niveau van de frontlinie, een klein aantal actieve parameters, open gewichten en een bodemprijs — is de hele pitch, en daarom positioneert Poolside het als het westerse antwoord op de sterke open modellen van DeepSeek en Qwen.

Wat is er nieuw: de benchmarks

De lanceringscijfers draaien helemaal om coderen. Op SWE-Bench Multilingual rapporteert Poolside 78,5%, wat volgens hen leidend is onder open modellen met een bekend formaat. Op Terminal-Bench 2.1 scoort het 70,2%. Op DeepSWE v1.1 haalt het 40,4% — en de meest opvallende vergelijking van Poolside is dat dit DeepSeek-V4-Pro-Max's 9,0% op dezelfde test verslaat met ongeveer een zesde van de actieve parameters. Op Terminal-Bench 2.1 en SWE-Bench Pro zegt Poolside dat Laguna S 2.1 modellen van meerdere keren zijn formaat evenaart of overtreft, waaronder DeepSeek V4 Flash, NVIDIA's Nemotron 3 Ultra, en Thinking Machines' Inkling.

De eerlijke framing die Poolside zelf gebruikt, gaat over gewichtsklasse, niet over absolute superioriteit: gesloten grensmodellen zoals Claude Fable 5 en Kimi K3 staan nog steeds voorop in verschillende benchmarks. Dus de juiste manier om Laguna S 2.1 te interpreteren is 'de meeste mogelijkheden die je kunt krijgen van een open, ~8B-actief, spotgoedkoop model,' niet 'de beste coder, punt uit.'

Denkmodus: waar de prestaties vandaan komen

De headline-scores van Laguna S 2.1 leunen zwaar op de "max thinking"-modus. Het duidelijkste voorbeeld is DeepSWE v1.1, waar de score stijgt van 16,5% zonder denken naar 40,4% met max thinking — de meeste benchmarkkracht van het model komt doordat het kan redeneren. Terminal-Bench 2.1 vertoont hetzelfde patroon (60,4% → 70,2%). Dit is belangrijk voor kosten en latentie: de denkmodus verbruikt extra redeneertokens, dus hoewel de prijs per token klein is, gebruikt een moeilijke taak met max thinking meer tokens (en duurt langer) dan de niet-denkende route. In de praktijk zou je routine-aanvullingen in de niet-denkmodus uitvoeren voor snelheid en kosten, en alleen overschakelen naar denken voor de moeilijke, meerstapsproblemen waar de nauwkeurigheidssprong de tokens waard is — een coderingsspecifieke echo van de inspanningsknoppen die op grensverleggende modellen verschijnen.

De diepgaande benchmarkanalyse: wat deze codeertests meten

SWE-Bench Multilingual breidt de bekende SWE-bench (het oplossen van echte GitHub-problemen) uit over meerdere programmeertalen, dus 78,5% is een sterk signaal van praktische, cross-taal bugfixing — en "leads open disclosed-size models" is een betekenisvolle, zij het door de leverancier gestelde, bewering. Terminal-Bench 2.1 test of een model een echte terminal kan bedienen om taken van begin tot eind uit te voeren, wat dichter bij staat wat een autonome codeeragent daadwerkelijk doet dan een eenmalige code-aanvulling. DeepSWE v1.1 is een moeilijkere agentische software-engineering-suite; de 40,4% (tegenover DeepSeek-V4-Pro-Max's 9,0%) is Laguna's meest opvallende getal precies omdat het een groot verschil is ten opzichte van een veel groter model.

De kanttekening die dit eerlijk houdt: dit zijn Poolside-resultaten vanaf de lancering, en er is nog geen gepubliceerde Artificial Analysis Intelligence Index of onafhankelijke SWE-bench Verified-score voor Laguna S 2.1. Beschouw de leiderschapsclaims dus als door de leverancier gerapporteerd totdat een derde partij ze bevestigt, en onthoud dat Laguna een codeerspecialist is — het is niet gepositioneerd als een leider in algemene redenering, en u moet niet verwachten dat het een algemene intelligentie-index zal aanvoeren.

Wat het in de praktijk kost

Dit is waar Laguna S 2.1 werkelijk disruptief is. Bij $0,10 input / $0,20 output per 1M tokens kost een representatieve codeer-oproep van 15.000 input- en 3.000 output-tokens 15k × $0,10/1M + 3k × $0,20/1M = $0,0015 + $0,0006 = ongeveer $0,0021 — ruwweg een vijfde cent. Dezelfde oproep op een grensverleggend model zoals Claude Opus 5 ($5/$25) kost ongeveer $0,15 — bijna 70× meer. Zelfs tegen goedkope concurrenten is Laguna goedkoper: het is geprijsd onder DeepSeeks prijzen. De asterisk is de denkmodus — een moeilijke taak bij maximaal denken kan meerdere keren meer output-tokens genereren, dus een "$0,0006 output"-oproep kan een paar cent worden. Maar zelfs opgeblazen is de kost een afrondingsfout vergeleken met gesloten grensverleggende modellen. Voor hoogvolume codeerautomatisering — CI-bots, bulk herstructureringen, agent-vloten — is de economie moeilijk te betwisten, vooral omdat je ook zelf kunt hosten om de kosten per token volledig te elimineren.

Hoe krijg je toegang tot en voer je Laguna S 2.1 uit?

Omdat de gewichten open zijn, heb je twee paden. Je kunt het aanroepen via gehoste aanbieders (het verschijnt op aggregators zoals OpenRouter) tegen het tarief van $0,10/$0,20, wat de snelste manier is om het uit te proberen. Of je kunt de gewichten downloaden van Hugging Face (poolside/Laguna-S-2.1) en zelf hosten — waarbij je code en data in je eigen omgeving houdt, fine-tunet op je repositories, kwantiseert voor je hardware en de kosten begrenst op je infrastructuur. De XS-variant (33B-A3B) is de optie wanneer je lokaal iets nog kleiner en goedkoper wilt draaien. Hoe dan ook, het stelt toolgebruik en functieaanroepen bloot, zodat het past in agentische codeeromgevingen.

Voor wie is het bedoeld: drie scenario's

1. Grootschalige codeerautomatisering met een beperkt budget

Als u CI fix-it bots, bulk migraties of grote agent-vloten uitvoert waar tokenkosten samenkomen, is de prijs van Laguna S 2.1 transformerend — voer geen-denken uit voor routinewerk en denken voor de moeilijke gevallen. Dit is het sterkste gebruiksscenario.

2. Teams die zelf code-modellen moeten hosten

Voor organisaties die geen propriëtaire code naar een gesloten API kunnen sturen, is een open-weight coder die zijn grootteklasse aanvoert precies wat er ontbrak. Laguna S 2.1 (of XS voor kleinere hardware) geeft u grensverleggend programmeren dat u volledig onder controle heeft.

3. Kostenbewuste startups die codeerproducten bouwen

Als uw productmarges afhankelijk zijn van inferentiekosten, kunt u met Laguna AI-coderingsfuncties aanbieden tegen een fractie van de frontier-prijzen — waarbij u een vlaggenschip van de frontier alleen reserveert voor de moeilijkste verzoeken van uw gebruikers.

Wanneer het niet te gebruiken

Grijp niet naar Laguna S 2.1 wanneer je de absoluut beste codeernauwkeurigheid nodig hebt en ervoor kunt betalen — gesloten grensmodellen (Fable 5's 95,0% SWE-bench Verified, Opus 5's #1 algemene index, Kimi K3's #1 Frontend Coding Arena) leiden nog steeds verschillende benchmarks. Gebruik het niet voor algemene redenering, multimodale of niet-codeertaken — het is een codeerspecialist zonder een algemene intelligentie-stamboom. En ga er niet van uit dat de koptitels standhouden in de denkloze modus; als je het denken uitschakelt vanwege kosten, benchmark dan de lagere scores die je daadwerkelijk krijgt.

Beslissingschecklist

• Kies voor Laguna S 2.1 als: u de goedkoopste capabele open-weight coder wilt, u zelf moet hosten, of u hoogvolume codeerautomatisering uitvoert waarbij kosten domineren.

• Kies in plaats daarvan voor een frontier flagship als: je de absolute top nodig hebt op het gebied van codeernauwkeurigheid, algemeen redeneren, of multimodaal — en het je kunt veroorloven.

• Voer beide uit indien: standaard routine coderen naar Laguna en de moeilijkste taken escaleren naar een frontier model, achter één endpoint.

Veelgestelde vragen

Hoeveel kost Laguna S 2.1?

$0.10 per 1M invoertokens en $0.20 per 1M uitvoer — met een kleinere Laguna XS 2.1 voor $0.06 / $0.12. Het is een van de goedkoopste capabele codeermodellen die beschikbaar zijn, en omdat het open gewicht heeft, kun je het zelf hosten om de kosten per token te vermijden. [OpenRouter/BenchLM]

Is Laguna S 2.1 open source?

Het is open-weight: de modelgewichten zijn gepubliceerd op Hugging Face (poolside/Laguna-S-2.1), dus je kunt het downloaden, uitvoeren en fine-tunen. Controleer de licentie van Poolside voor jouw specifieke gebruik.

Is het beter dan DeepSeek of Qwen voor coderen?

Poolside positioneert zichzelf als het antwoord van het Westen op hen en meldt dat het DeepSeek-V4-Pro-Max verslaat op DeepSWE (40,4% vs 9,0%) met veel minder actieve parameters. Op open, openbaar gemaakte benchmarks voor codeer taken leidt het volgens Poolside — maar deze worden door leveranciers uitgevoerd, dus valideer op je eigen repositories.

Verslaat het de geavanceerde modellen?

Niet ronduit. Gesloten vlaggenschepen zoals Claude Fable 5, Claude Opus 5 en Kimi K3 leiden nog steeds verschillende absolute benchmarks. Laguna's claim is beste-in-gewichtsklasse en beste-per-dollar, niet de beste in het algemeen.

Wat is denkmodus?

Een schakelaar tussen een snel 'geen denken'-pad en een 'maximaal denken'-pad dat extra redeneertokens gebruikt voor hogere nauwkeurigheid (bijv. DeepSWE 16.5% → 40.4%). Gebruik 'geen denken' voor routinematig werk, 'denken' voor moeilijke taken.

Wat is het contextvenster?

Tot 1M tokens, zodat grote codebases en lange agent-transcripten passen.

Moet ik S of XS gebruiken?

Laguna S 2.1 (118B/8B) voor de krachtigste codering; Laguna XS 2.1 (33B/3B) wanneer je iets kleiners en goedkopers wilt om zelf te hosten of op zeer hoog volume te serveren.

Kortom

Laguna S 2.1 is het meest aantrekkelijke open-weight coderingsmodel van zijn omvang tot nu toe: een 118B/8B MoE met tot 1M context en een denktoggle, geprijsd op opmerkelijke $0,10 / $0,20, waarvan Poolside zegt dat het open disclosed-size modellen leidt op SWE-Bench Multilingual (78,5%) en veel grotere rivalen verslaat op agentische coderingstests. Het is niet de beste coder — gesloten frontier-vlaggenschepen leiden nog steeds op verschillende benchmarks — en de opvallende scores leunen op denkmodus, die tokens verbruikt. Maar voor goedkope, zelf-hostbare, hoogvolume codering is er niets in zijn gewichtsklasse dat concurreert. Route Laguna S 2.1 naast elk frontier-vlaggenschip via één OpenAI-compatibel eindpunt bij OrcaRouter en stuur er het grootste deel van je coderingsverkeer naartoe, waarbij alleen de moeilijkste taken worden geëscaleerd.