文章摘要
7月21日Poolside开源新一代智能编码代理模型Laguna S 2.1，采用MoE架构等。它在权威基准表现出色，官方展示其构建渲染引擎等实战能力。同时介绍基准测试性能，还给出本地部署与推理方案，以及各框架（vLLM、SGLang等）的部署命令。

Poolside于7月21日正式开源新一代智能编码代理模型Laguna S 2.1，该模型采用118B总参数量、约8B激活参数的MoE架构，原生支持100万token上下文长度与交错思考机制，采用OpenMDW-1.1开源协议。在SWE-Bench Multilingual等多项Agent编码权威基准中，这款模型凭借极小的激活参数规模，实现了对参数量数倍于己的竞品的全面超越，同时展示了从零构建渲染引擎、独立推导Erdős数学问题等顶尖实战能力。

实战能力展示

官方在技术博客中公开了三段完整的Agent运行轨迹，所有任务均在同一次会话中完成，全程无需人工干预。

从零构建浏览器渲染引擎：在单次时长50分钟、共181步的会话中，模型从空文件夹出发，使用原生JavaScript依次完成了HTML解析器、CSS级联、页面布局与最终渲染四个核心模块的开发。由于模型本身不具备视觉感知能力，它主动调用headless Chromium，将渲染结果读取到canvas画布中，通过数值化比对截图的方式完成了视觉层面的验证。

自主优化自研Agent Harness：模型通过自动化迭代循环，对自身使用的Harness进行了20次优化尝试，最终将Harness的运行耗时降低5.19%，内存分配量减少71.1%。它精准定位到流式Token累积过程中的O(n²)字符串拼接问题，以及trajectory物化阶段的过度分配与冗余拷贝问题，并通过buffer缓存、记忆化技术、预分配slice切片的方式完成了针对性优化。

独立推导Erdős数学问题#397：Laguna S 2.1仅用68分钟就找到了该问题的确定性解。在沙箱环境未预装Python的情况下，模型主动选用Perl语言完成数论计算，通过暴力精确因式分解、模式分析推导出一族闭式无穷解族，并给出了完整的数学证明。尽管这一结果属于重发现而非首次解决，但该模型推导的解族采用八个线性增长的指标，与此前公开的六指标解族结构完全不同，证明这是一次全新的独立推导，而非基于训练数据记忆的复刻。

基准测试性能

在SWE-Bench Multilingual测试中，Laguna S 2.1取得78.5%的准确率，分别比参数量2.5倍的竞品高出2.7个百分点，比参数量13.5倍的竞品高出2.3个百分点；在DeepSWE基准上，模型拿下40.4%的得分，与另一款竞品的9.0%相比优势显著。

Terminal-Bench 2.1涵盖大量高质量的长期终端交互任务，要求Agent模型通过命令行与环境完成交互。在该基准测试中，Laguna S 2.1以70.2%的准确率位列第11名。

本地部署与推理方案

Laguna S 2.1的BF16格式权重分为46个分片，总大小约235GB，官方推荐的vLLM与SGLang启动命令均采用tensor parallel size=4的配置。模型同时提供FP8、NVFP4、INT4、GGUF四种量化格式，以及配套的DFlash投机解码Draft模型。在智能编码场景中，建议开启thinking模式，以完整保留推理过程到消息历史中。

模型下载

    modelscope download --model poolside/Laguna-S-2.1 --local_dir ./Laguna-S-2.1

    vLLM部署

      vllm serve \
       --model poolside/Laguna-S-2.1 \
       --tensor-parallel-size 4 \
       --tool-call-parser poolside_v1 \
       --reasoning-parser poolside_v1 \
       --enable-auto-tool-choice \
       --served-model-name laguna \
       --default-chat-template-kwargs '{"enable_thinking": true}'

      如需启用DFlash投机解码，可追加以下参数：

        --speculative-config '{"model":"poolside/Laguna-S-2.1-DFlash","num_speculative_tokens":7,"method":"dflash"}'

        SGLang部署

          python -m sglang.launch_server \
           --model-path poolside/Laguna-S-2.1 \
           --tp-size 4 \
           --reasoning-parser poolside_v1 \
           --tool-call-parser poolside_v1 \
           --trust-remote-code

          TRT-LLM部署

          注意该部署方式的参数与vLLM不同，reasoning parser名为laguna：

            trtllm-serve poolside/Laguna-S-2.1 --trust-remote-code \
             --tool_parser poolside_v1 --reasoning_parser laguna

            llama.cpp / GGUF部署

            GGUF版本仓库为poolside/Laguna-S-2.1-GGUF：

              git clone --branch laguna https://github.com/poolsideai/llama.cpp
              cd llama.cpp && cmake -B build && cmake --build build -j


              ./build/bin/llama-server -m laguna-s-2.1-Q4_K_M.gguf --jinja --port 8000

              官方资源链接：

              以上内容不代表本平台立场，仅供读者参考