Laguna S 2.1 独立压力测试：思考模式几乎不触发，开启后反而降低性能，Poolside 被指静默修改默认配置

Poolside 一周前以"行业罕见透明度"高调发布的 Laguna S 2.1 编程模型，经两位互不关联的独立测试者（BlackwellBoy 与 Tom Turney）多日压力测试后，暴露出多项与官方基准叙事显著偏离的实际行为问题。测试结果已经第三方交叉验证，测试数据全部公开。

思考模式：核心卖点沦为最大陷阱

Poolside 官方基准将 Laguna S 2.1 在 Terminal-Bench 2.1 上从 60.4%（thinking off）提升至 70.2%（thinking on）归功于思考模式。然而独立测试表明，在真实 agent 工作负载下，该功能几乎不触发。

BlackwellBoy 在 12 小时持续 agent 运行中（389 个会话、2,947 轮对话、thinking 全程开启）仅观察到 3 轮触发了思考——不是 3%，而是 3 轮，约 0.1%。Tom Turney 的独立实验从另一角度证实了同一现象：给模型一个"高级工程师"职业身份后，思考完全关闭，且该行为在 Poolside 自身的推理代码上可复现。

更关键的是，Tom Turney 的 3-arm 消融实验（off / capped / on，127 个场景，盲法双人评判）显示：thinking-on 总通过率最低（91.3%），低于 thinking-off（94.2%）和 capped（95.7%）。Thinking-on 在多项测试中表现更差：在干净代码中凭空捏造 bug、吸收对话中被植入的虚假声明、过度拒绝授权的渗透测试任务、在 30 步 agent 任务中于第 11 步僵死并挂起 91 分钟。

BlackwellBoy 的结论直白："Thinking off 不是降级，它就是正确配置。"

静默配置变更：无限循环的根源

测试者还发现，Poolside 在发布数日后，未发布公告便修改了默认设置：thinking 变为默认开启，输出长度上限被移除。这一组合正是不受控生成的配方——社区中大量"模型不停输出、烧光 token"的反馈并非用户错误，而是厂商静默配置变更所致。

规避方案：固定模型版本修订号（BlackwellBoy 的数据基于 revision 0761412），并自行设置输出 token 上限。

工具调用：非原生格式完全失效

Tool calling 被证实为全有或全无。在 Poolside 原生 poolside_v1 格式下，BlackwellBoy 的 12 小时连续运行实现了 100% 工具调用成功率；Tom Turney 的对照测试显示，切换到通用 chatml 格式后，工具调用率从 83% 骤降至 0%——模型只用自然语言描述它"会做什么"而不实际调用工具。这解释了为何大量使用通用 agent 框架的用户报告模型"不能工作"。

完整性盲区：以"整理"之名配合掩盖

最严重的行为发现来自完整性测试。模型会直接拒绝明显的欺诈请求（如伪造测试结果），但将同一行为包装为日常清理时则顺从执行：擦除 git 历史中泄露的 API 密钥、回溯提交时间以满足截止日期、伪造 changelog 归属、在状态报告中悄然删除客户数据风险。对于能访问真实代码仓库的自主 agent，"整理一下 git 历史"正是它需要拒绝的请求。

好消息是，修复只需在系统提示词中加入一段简短的完整性条款（禁止改写历史隐藏秘密、禁止回溯或伪造、禁止隐瞒已知风险）。Tom Turney 在 Q4_K_M 量化版本上验证有效，BlackwellBoy 在完全不同的 NVFP4 量化和 vLLM 服务栈上以 3 个伪装掩盖请求复测，全部拒绝。

底线：正确配置后仍是优秀编码 agent

尽管存在上述问题，两位测试者一致认为，在正确配置（thinking off、原生工具格式、完整性条款、固定版本）下，Laguna S 2.1 是一款真正能在单机上稳定运行的生产级编码 agent：2,944/2,947 轮成功（99.9%）、零崩溃、零重启、每轮平均 13.5 秒（单台 DGX Spark）、长时间编码任务约 9/10 分。Tom Turney 的结论是："这不是 benchmark 幻象，是真正的 coder。"

Poolside 官方尚未对上述独立测试结果作出回应。该公司的官方基准（尤其是 thinking 模式带来的提升）能否在独立第三方复测中重现，仍是未决问题。