Laguna S 2.1: Poolside's öppenviktskodningsmodell som slår långt över sin vikt (och pris)

Den 21 juli 2026 släppte Poolside Laguna S 2.1 — en kodningsmodell med öppna vikter och 118 miljarder parametrar, varav endast cirka 8 miljarder aktiva parametrar per token — och marknadsförde den som "västvärldens mest kapabla modell med öppna vikter" och dess svar på DeepSeek och Qwen. Rubriken är inte att den slår alla slutna gränssystem; det är att den slår modeller många gånger större på agentiska kodningsriktmärken samtidigt som den kostar $0,10 / $0,20 per miljon tokens. Den här guiden täcker vad Laguna S 2.1 faktiskt är, dess tankeläge, vad som rapporteras oberoende kontra från leverantören, vad den kostar, hur man kör den och vem som bör använda den.

Varje figur nedan är märkt med källa. Lagunas rubrikresultat är Poolside-rapporterade (från dess lanseringsmaterial och Hugging Face-kort) om inte en namngiven tredje part citeras; behandla dem som leverantörsdrivna tills oberoende laboratorier bekräftar. Riktmärken och priser förändras — verifiera innan du binder budget.

TL;DR. Laguna S 2.1 är en kodningsmodell med öppen vikt och MoE-arkitektur (118B totalt / ~8B aktiva) med upp till 1M kontext och en "tänkande / icke-tänkande"-växling, prissatt till endast $0,10 input / $0,20 output per 1M tokens — en bråkdel av de flesta konkurrenter. Poolside rapporterar 78,5% på SWE-Bench Multilingual (ledande bland öppna modeller med redovisad storlek), 70,2% på Terminal-Bench 2.1 och 40,4% på DeepSWE v1.1 (jämfört med DeepSeek-V4-Pro-Maxs 9,0%) — med ungefär en sjättedel av de aktiva parametrarna. Det är det bästa alternativet vi sett för kodning per dollar bland öppna viktmodeller, men slutna frontlinjemodeller som Claude Fable 5, Claude Opus 5, och Kimi K3 ligger fortfarande i topp på flera absoluta riktmärken. Om du vill ha en billig, självhostad kodare som presterar över sin viktklass är Laguna S 2.1 grejen; om du behöver högsta möjliga kodningsnoggrannhet vinner fortfarande en frontlinjeflaggskeppsmodell.

Viktiga slutsatser

• Bästa öppen-vikt kodning per dollar. $0.10/$0.20 per 1M tokens för en modell som leder öppna modeller med avslöjade storlekar på SWE-Bench Multilingual (78.5%).

• Slår över sin vikt. ~8B aktiva parametrar, men matchar eller slår betydligt större modeller på Terminal-Bench 2.1 och SWE-Bench Pro.

• Öppen vikt och självhostbar. Vikter på Hugging Face (poolside/Laguna-S-2.1) — du kan köra den i din egen miljö.

• Tänkandeläget driver poängen. Max tänkande lyfter DeepSWE från 16,5 % till 40,4 % — kraftfullt, men det förbrukar resonemangstokens, så budgetera för det.

• Inte den absoluta ettan. Stängda frontier-flaggskepp (Fable 5, Opus 5, Kimi K3) leder fortfarande flera absoluta kodningsriktmärken; Lagunas anspråk är viktklass och pris, inte topplaceringen.

En anmärkning om att läsa denna korta sammanfattning: allt som tillskrivs Poolside är ett leverantörspåstående från lanseringsmaterial; där en benchmark är oberoende anger vi källan. Där en oberoende poäng för allmän intelligens inte är publicerad, säger vi det istället för att gissa — Laguna är en kodningsspecialist, inte en allmän topplisteledare.

Vad Laguna S 2.1 egentligen är

Laguna S 2.1 är Poolside's open-weight, agentiska programmeringsmodell. Arkitekturmässigt är den en mixture-of-experts: totalt 118B parametrar men endast cirka 8B aktiveras per token, vilket gör den billig att driva i förhållande till dess kapacitet. Den stöder upp till 1M-tokens kontext och två driftlägen – en snabb "no-thinking"-väg och en "thinking"-väg som använder extra resonemangs-tokens för svårare problem. Den är byggd för kodning och agentiskt arbete: verktygsanvändning, funktionsanrop, flerstegsuppgifter. Poolside levererar också en mindre syskonmodell, Laguna XS 2.1 (33B totalt / ~3B aktiv), till en ännu lägre kostnad på $0,06 / $0,12.

Avgörande nog är vikterna öppna och publicerade på Hugging Face, så till skillnad från en sluten API-modell kan du ladda ner Laguna S 2.1, köra den i din egen infrastruktur, finjustera den och låsa en version. Den kombinationen — gränslandsliknande kodning, ett litet antal aktiva parametrar, öppna vikter och ett extremt lågt pris — är hela grejen, och det är därför Poolside framställer den som västvärldens svar på de starka öppna modellerna från DeepSeek och Qwen.

Nyheter: riktmärkena

Lanseringssiffrorna handlar helt om kodning. På SWE-Bench Multilingual rapporterar Poolside 78,5%, vilket enligt uppgift leder bland öppna modeller med redovisad storlek. På Terminal-Bench 2.1 får den 70,2%. På DeepSWE v1.1 når den 40,4% — och Poolstics mest slående jämförelse är att detta slår DeepSeek-V4-Pro-Maxs 9,0% på samma test med ungefär en sjättedel av de aktiva parametrarna. På Terminal-Bench 2.1 och SWE-Bench Pro säger Poolside att Laguna S 2.1 matchar eller överträffar modeller flera gånger sin storlek, inklusive DeepSeek V4 Flash, NVIDIAs Nemotron 3 Ultra och Thinking Machines Inkling.

Den ärliga beskrivningen som Poolside själva använder handlar om viktklass, inte direkt överlägsenhet: slutna frontmodeller som Claude Fable 5 och Kimi K3 ligger fortfarande i topp på flera riktmärken. Så det rätta sättet att läsa Laguna S 2.1 är "den högsta kapaciteten du kan få från en öppen, ~8B-aktiv, billig modell", inte "den bästa kodaren punkt slut".

Tankeläge: varifrån prestandan kommer

Laguna S 2.1:s rubrikresultat lutar tungt mot dess "max thinking"-läge. Det tydligaste exemplet är DeepSWE v1.1, där resultatet hoppar från 16,5% utan tanke till 40,4% med max thinking — större delen av modellens benchmark-styrka kommer från att låta den resonera. Terminal-Bench 2.1 visar samma mönster (60,4% → 70,2%). Detta är viktigt för kostnad och latens: tankeläget förbrukar extra resonemangs-token, så medan priset per token är litet, använder en svår uppgift som körs med max thinking fler token (och tar längre tid) än sökvägen utan tanke. I praktiken skulle du köra rutinmässiga kompletteringar i icke-tänkande läge för snabbhet och kostnad, och växla till tankeläge endast för de svåra, flerstegsproblem där noggrannhetsökningen är värd token — ett kodspecifikt eko av ansträngningsreglagen som dyker upp på frontmodeller.

Benchmark-djupdykningen: vad dessa kodtester mäter

SWE-Bench Multilingual utökar den välkända SWE-bench (som löser verkliga GitHub-problem) över flera programmeringsspråk, så 78,5% är en stark signal om praktisk, tvärspråklig buggfixning — och "leder öppna modeller med redovisad storlek" är ett meningsfullt, om än leverantörsspecificerat, påstående. Terminal-Bench 2.1 testar om en modell kan använda en riktig terminal för att utföra uppgifter från början till slut, vilket är närmare vad en autonom kodningsagent faktiskt gör än en engångskodkomplettering. DeepSWE v1.1 är en svårare agentisk mjukvarutekniksvit; 40,4% (jämfört med DeepSeek-V4-Pro-Max's 9,0%) är Lagunas flashigaste siffra just för att det är ett stort gap mot en mycket större modell.

Förbehållet som håller detta ärligt: dessa är Poolside-körda resultat vid lansering, och det finns ännu ingen publicerad Artificial Analysis Intelligence Index eller oberoende SWE-bench Verified siffra för Laguna S 2.1. Så behandla ledarskapspåståendena som leverantörsrapporterade tills en tredje part bekräftar dem, och kom ihåg att Laguna är en kodningsspecialist — den är inte positionerad som en allmän resonemangsledare, och du bör inte förvänta dig att den toppar ett allmänt intelligensindex.

Vad det kostar i praktiken

Det är här Laguna S 2.1 verkligen är disruptiv. Med $0.10 input / $0.20 output per 1M tokens kostar ett representativt kodningsanrop på 15 000 input och 3 000 output tokens 15k × $0.10/1M + 3k × $0.20/1M = $0.0015 + $0.0006 = ungefär $0.0021 — ungefär en femtedels cent. Samma anrop på en frontmodell som Claude Opus 5 ($5/$25) kostar ungefär $0.15 — nästan 70× mer. Även mot billiga konkurrenter underprissätter Laguna: det ligger under DeepSeek's prissättning. Asterisken är thinking mode — en svår uppgift med max thinking kan generera flera gånger fler output tokens, så ett "$0.0006 output"-anrop kan bli några cent. Men även uppblåst är kostnaden en avrundningsfel jämfört med stängda frontmodeller. För högvolymskodningsautomation — CI-robotar, bulkrefaktoreringar, agentflottor — är ekonomin svår att argumentera emot, särskilt eftersom du också kan självhosta för att helt eliminera kostnaden per token.

Hur man kommer åt och kör Laguna S 2.1

Eftersom vikterna är öppna har du två vägar. Du kan anropa det via värdleverantörer (det visas på aggregatorer som OpenRouter) till priset $0,10/$0,20, vilket är det snabbaste sättet att prova det. Eller så kan du ladda ner vikterna från Hugging Face (poolside/Laguna-S-2.1) och självhosta – hålla kod och data i din miljö, finjustera på dina repositories, kvantisera för din hårdvara och begränsa kostnaden till din infrastruktur. XS-varianten (33B-A3B) är alternativet när du vill köra något ännu mindre och billigare lokalt. Oavsett vilket, exponerar det verktygsanvändning och funktionsanrop, så det passar in i agentiska kodningsramverk.

Vem det är för: tre scenarier

1. Högvolymskodningsautomatisering på en budget

Om du kör CI-fixit-robotar, massmigreringar eller stora agentflottor där tokenkostnaden ackumuleras, är Laguna S 2.1:s pris omvälvande — kör utan tänkande för rutinarbete och med tänkande för de svåra fallen. Detta är dess starkaste användningsområde.

2. Team som måste självhosta kodmodeller

För organisationer som inte kan skicka proprietär kod till ett stängt API, är en öppen vikt-kodare som leder sin storleksklass precis vad som har saknats. Laguna S 2.1 (eller XS för mindre hårdvara) ger dig gränsangränsande kodning som du fullt ut kontrollerar.

3. Kostnadskänsliga startups som bygger kodningsprodukter

Om dina produktmarginaler beror på inferenskostnad, låter Laguna dig erbjuda AI-kodningsfunktioner till en bråkdel av frontier-priserna — och reservera ett frontier-flaggskepp endast för de svåraste förfrågningarna som dina användare gör.

När du inte ska använda det

Sträck dig inte efter Laguna S 2.1 när du behöver den absolut bästa kodningsnoggrannheten och kan betala för den – slutna frontlinjemodeller (Fable 5:s 95,0 % SWE-bench Verified, Opus 5:s #1 allmänt index, Kimi K3:s #1 Frontend Coding Arena) leder fortfarande flera riktmärken. Använd den inte för allmänt resonemang, multimodala eller icke-kodningsuppgifter – den är en kodningsspecialist utan allmänintellektuell bakgrund. Och förutsätt inte att rubriksiffrorna gäller i läge utan tänkande; om du stänger av tänkandet för att spara kostnader, mät de lägre poäng du faktiskt får.

Beslutschecklista

• Välj Laguna S 2.1 om: du vill ha den billigaste kapabla open-weight coder, du måste självhosta, eller du kör högvolymskodningsautomatisering där kostnaden dominerar.

• Välj istället ett banbrytande flaggskepp om: du behöver den absolut bästa kodningsnoggrannheten, allmänt resonemang eller multimodal — och har råd.

• Kör båda om: standard rutinkodning till Laguna och eskalera de svåraste uppgifterna till en frontiermodell, bakom en slutpunkt.

FAQ

Hur mycket kostar Laguna S 2.1?

$0,10 per 1M inmatningstokens och $0,20 per 1M utdatatokens — med en mindre Laguna XS 2.1 för $0,06 / $0,12. Den är en av de billigaste kapabla kodningsmodellerna som finns tillgängliga, och eftersom den är öppen vikt kan du självhosta för att eliminera kostnaden per token. [OpenRouter/BenchLM]

Är Laguna S 2.1 öppen källkod?

Det är open-weight: modellens vikter är publicerade på Hugging Face (poolside/Laguna-S-2.1), så du kan ladda ner, köra och finjustera den. Kontrollera Poolside's licens för din specifika användning.

Är det bättre än DeepSeek eller Qwen för kodning?

Poolside positionerar sig som Västs svar på dem och rapporterar att de slår DeepSeek-V4-Pro-Max på DeepSWE (40,4% mot 9,0%) med betydligt färre aktiva parametrar. På öppna benchmarks för kodning med redovisad storlek leder det enligt Poolside – men dessa är leverantörsdrivna, så validera på era egna repositories.

Slår det frontier-modellerna?

Inte rent ut. Stängda flaggskeppsmodeller som Claude Fable 5, Claude Opus 5 och Kimi K3 leder fortfarande flera absoluta riktmärken. Lagunas påstående är bäst i viktklass och bäst för pengarna, inte bäst totalt.

What is thinking mode?

En växling mellan en snabb icke-tänkande väg och en max-tänkande väg som förbrukar extra resonemangstoken för högre noggrannhet (t.ex. DeepSWE 16,5% → 40,4%). Använd icke-tänkande för rutinarbete, tänkande för svåra uppgifter.

Vad är kontextfönstret?

Upp till 1M tokens, så stora kodbaser och långa agentutskrifter får plats.

Ska jag använda S eller XS?

Laguna S 2.1 (118B/8B) för den starkaste kodningen; Laguna XS 2.1 (33B/3B) när du vill ha något mindre och billigare att självhosta eller servera i mycket hög volym.

Slutsats

Laguna S 2.1 är den mest övertygande öppna kodmodellen för kodning i sin storleksklass hittills: en 118B/8B MoE med upp till 1M kontext och en tankeväxling, prissatt till anmärkningsvärda $0,10 / $0,20, som Poolside säger leder öppna modeller med känd storlek på SWE-Bench Multilingual (78,5%) och slår mycket större konkurrenter i agentbaserade kodningstester. Det är inte den bästa kodaren rakt av – slutna ledande flaggskeppsmodeller leder fortfarande flera riktmärken – och dess toppresultat bygger på tankeläge, som förbrukar token. Men för billig, självhostad, högvolymskodning finns det inget i dess viktklass som kan mäta sig. Dirigera Laguna S 2.1 tillsammans med alla ledande flaggskeppsmodeller via en OpenAI-kompatibel slutpunkt på OrcaRouter och skicka huvuddelen av din kodningstrafik dit, och eskalera bara de svåraste uppgifterna.