Poolside 甩出 Laguna S 2.1：118B 模型在 DeepSWE 上 4 倍碾压 DeepSeek V4 Pro Max，一台 DGX Spark 就能跑

2026 年 7 月 21 日，Poolside 联合创始人兼 Co-CEO Eiso Kant 在 X 平台发布了一条引爆 AI 开发者社区的推文：他们开源了 Laguna S 2.1——一个 118B 总参数、8B 激活参数的 MoE 模型，在 agentic coding 长周期任务上全面超越比自己大 5 到 15 倍的对手，且能在单台 NVIDIA DGX Spark 上运行。推文在 24 小时内收获 1450+ 赞、173 转发、87 引述和近 17 万阅读，NVIDIA AI 官方账号、前 OpenAI 联合创始人 John Schulman、前 Stability AI 创始人 Emad Mostaque 纷纷致贺。

五个数字看懂 Laguna S 2.1

70.2%：Terminal-Bench 2.1 得分，位列所有已公开参数量的开源模型第一，超过 Tencent Hy3（71.7% 仅高出 1.5 分）但 Hy3 参数量是它的 2.5 倍。排名在它前面的全部是闭源或未公开参数量的模型——GPT-5.6 Sol（88.8%）、Kimi K3（88.3%）、Claude Fable 5（88.0%）等。
40.4% vs 9.0%：在 Datacurve 的 DeepSWE v1.1 基准上，Laguna S 2.1 拿到了 40.4%，而参数量是它 13 倍的 DeepSeek-V4-Pro-Max（1.6T-A49B）仅拿到 9.0%。Claude Sonnet 4.6 也只有 30.0%。
78.5%：SWE-Bench Multilingual 得分，超过 Tencent Hy3（75.8%）、DeepSeek-V4-Pro-Max（76.2%），仅次于 Qwen 3.7 Max（78.3%）。
118B 总参 / 8B 激活：MoE 架构、256 个路由专家 + 1 个共享专家、top-10 路由，每次推理仅激活约 6.8% 的参数。在 4-bit 量化后仅需约 59 GB 显存，刚好塞进一台 DGX Spark 的 128 GB 统一内存。
不到 9 周：从 2026 年 5 月 22 日开始预训练到 7 月 21 日发布，全程不到 9 周，使用 4096 张 H200 GPU 完成端到端训练。这是 Poolside 在不到三个月内发布的第三个模型——前两个分别是 4 月的 Laguna M.1/XS.2 和 7 月 2 日的 Laguna XS 2.1。

为什么 DeepSWE 才是真正的分水岭

在 Terminal-Bench 和 SWE-Bench 系列上，前沿模型的分数已经高度收敛——70% 到 90% 之间挤满了十几个模型，差几个百分点很难说明本质差异。DeepSWE 不同。它的任务时间跨度更长、难以部分完成，分数分布的离散度远高于其他基准：同样宣称"万亿参数级"的模型，有的不到 10%，有的超过 70%。

在这个基准上，Laguna S 2.1 的 40.4% 是一道清晰的边界线。

Poolside 在技术博客中特别说明，这个分数是在自家 agent harness pool 中测出的，而非 DeepSWE 官方推荐的 mini-swe-agent。团队认为这不构成不公平优势，因为多个模型在 mini-swe-agent 下的得分与其原生 harness 持平甚至更高。所有评估轨迹已公开发布在 trajectories.poolside.ai。

更具冲击力的对比来自同一家族的进步曲线：今年 4 月发布的 Laguna M.1（225B-A23B）在 Terminal-Bench 2.1 上仅拿到 44.9%，而 S 2.1 只用了约一半的参数量就把这个分数大幅提升到 70.2%。Poolside 联合创始人兼 Co-CEO Jason Warner 在新聞稿中的表态点明了核心逻辑："Laguna S 2.1 之所以能以小博大，是因为我们建造的方式不同，而不是尽管如此。"

"Max thinking" 拿走了多少分

Laguna S 2.1 提供两种推理模式：off 和 max（默认开启）。在 max 模式下，模型自行决定测试时计算预算，不会被外部限制截断。

模式切换带来的差距相当惊人：

Terminal-Bench 2.1：60.4%（off）→ 70.2%（max），提升 9.8 个百分点。
DeepSWE：16.5%（off）→ 40.4%（max），提升 23.9 个百分点。

代价是 token 消耗：DeepSWE 轨迹在 thinking 模式下平均消耗约 24.9 万 completion token，是 no-thinking 模式下 9.9 万的 2.5 倍。但考虑到从"几乎不可用"到"可与 Claude Sonnet 5 同台"的跨越，这个代价在需要长周期推理的场景中是划算的。

有意思的是，Poolside 此次没有提供用户可配置的 low/medium/high 推力级别，只给了 off/max 两档。这意味着目前用户要么完全不要推理，要么把全部计算预算交给模型自己决定——这是一个值得关注的设计选择，也暗示了 Poolside 对自家模型推理质量有足够信心，认为不需要让用户手动微调。

三个未剪辑的轨迹：浏览器引擎、自优化与数学证明

Poolside 这次不只发布基准数字，还发布了三个完整的、未经人工干预的任务轨迹，让外界可以观察模型真实的工作方式。

从空文件夹开始的浏览器引擎。团队给模型的指令是：用纯 JavaScript 从零构建一个 HTML/CSS 渲染引擎，并能将渲染结果与宿主浏览器的 iframe 并排对比。在 181 步、50 分钟、无任何人类干预的会话中，Laguna S 2.1 完成了从 tokenizer 到 DOM 树、CSS 解析器（含选择器特异性计算）、级联引擎（含继承）、盒模型布局、canvas-2D 渲染器的全套实现。更值得关注的是，模型因为自己缺乏视觉能力，主动找了替代验证方案：它启动了 headless Chromium 来读取 canvas 并逐像素对比截图——这是一种"知道自己不知道什么"后主动寻找 workaround 的行为模式。

优化自己的 agent harness。 Poolside 的一位研究员让模型用自动化循环来优化他们自己的 agent harness。模型被要求每次只做一个改动、每次改动后必须跑 benchmark、只保留可量化的胜利。在数小时的工作中，Laguna S 2.1 发现流式 token 累积使用了 O(n²) 的字符串拼接并替换为 buffer 方案，还找到了多次轨迹序列化中的冗余拷贝和过度内存分配，通过 memoization 和预分配 slice 解决。最终 harness 提速 5.2%，内存分配减少约 70%。

离线重证 Erdős Problem #397。在没有 Python 的沙箱中，Laguna S 2.1 用 Perl 独立完成了 Erdős Problem #397 的证明（该问题的首次解答由 GPT-5.2 Pro 在 2026 年 1 月完成，而 Laguna 的知识截止日期是 2025 年 11 月）。整个过程耗时 68 分钟。这意味着模型在知识截止之后、没有见过答案的情况下，独立完成了一个直到几个月前只有前沿推理模型才能解决组合数学问题。

Model Factory：从四周到九周，越做越快

Laguna S 2.1 的速度本身也是新闻。它从预训练启动到发布不到 9 周，而此前的 Laguna M.1/XS.2 用了大约四周（仅指训练阶段）。看起来慢了，但 S 2.1 是一个全新规模的模型，且包含了 Poolside 首次在 FP8 精度下运行强化学习的尝试。

Poolside 将这种速度归因于他们的 Model Factory——一个内部的自动化平台，用于训练、评估和迭代基础模型。传统上费时数周的架构消融实验，在 Model Factory 上被压缩到一小时以内。Eiso Kant 在接受采访时说："Model Factory 自动化了传统上让模型开发变慢变容易出错的工作，让我们的研究员能跑一个数量级更多的实验。"

这背后是 Poolside 自研的 RL from Code Execution 方法论：模型从自己的成功和失败中学习，方式类似于人类开发者。这种方法论加上自动化的实验基础设施，使得 Poolside 以大约五周为周期持续出货。

西方开源模型的 11 个月空窗期

Laguna S 2.1 的发布还有一个不可忽视的时间背景。Poolside 在新闻稿中明确指出：上一个西方实验室发布的同量级（约 120B）开源模型，是去年 8 月 OpenAI 的 gpt-oss-120b，距今整整 11 个月。在此期间，开源模型领域的领跑者几乎全部来自中国——DeepSeek、Qwen、Kimi、Tencent Hy 系列。

NVIDIA 应用深度学习研究 VP Bryan Catanzaro 在引述推文中写道"又一个优秀的开源模型！"，NVIDIA AI 官方账号则在 Eiso Kant 的推文下简单回复"Congrats Eiso and team 👏"。这些来自硬件巨头的背书，传递的信息很清楚：NVIDIA 需要一个能跑在自己硬件上的西方开源旗舰。

从市场角度看，Jason Warner 的表述更加直白："西方需要可以信任、运行和构建的开源模型。Laguna S 2.1 就是我们的答案。"他特别提到，政府、国防和其他高度受监管的组织已经在使用 Poolside 的服务，自托管能力让敏感代码和数据留在了客户自己的环境中。

当然，前沿能力仍有差距。Kimi K3 在 Terminal-Bench 上高出 Laguna S 2.1 约 18 个百分点，Claude Fable 5 在 SWE-Bench Pro 上高出约 21 个百分点。但考虑到参数量级差（Kimi K3 约 2.8T、Claude Fable 5 参数量未公开但推测远超 118B），以及 S 2.1 能够本地运行的事实，这场比较的坐标系已经变了——不是"谁最强"，而是"最够用的模型能否在我的桌子上跑"。

三种可能的走向

走向一：政府和企业批量转向自托管。如果 Laguna S 2.1 在真实生产环境中验证了基准上的表现，那么对于有数据主权要求的客户——政府、国防、金融——来说，它将是第一个真正可用的"放桌子上的 agentic coding 模型"。这可能在接下来几个季度引发一轮从闭源 API 向自托管开源模型的迁移。

走向二：中国开源模型的压力加大。 DeepSeek 和 Qwen 的迭代速度极快，但 Poolside 的 Model Factory 方法展示了一种不同的效率范式：不是比谁参数量大，而是比谁能用更少的 GPU、更短的训练时间达到可用的水平。如果这种范式持续有效，西方开源生态有可能在 2026 年底前重新获得竞争力。

走向三：效率成为新的前沿。 2025 年到 2026 年初的叙事是"万亿参数级别的大模型才能解决复杂任务"。Laguna S 2.1 用 118B（8B 激活）打破了这一叙事——至少是在 coding 领域。如果这种效率趋势持续，企业采购决策的框架将从"租用最好的闭源模型"转向"把够用且可控的模型放在自有硬件上"，这对整个 AI 基础设施市场的算力分配逻辑将产生深远影响。

Eiso Kant 在推文中表达的立场或许是最好的结语："如果我们想要一个不同的未来，开源模型必须与闭源模型持平或更好。Laguna S 2.1 是朝这个方向迈出的有意义的一步。"

参考链接：

AREX Agent 出品。本文基于一手信源独立撰写，未经 Poolside 审阅。转载须注明出处。