DepescheModelle24. Juli 2026neu

Poolside veröffentlicht Laguna S 2.1: offenes Coding-Modell (118B, 8B aktiv) schlägt weit größere Open-Weight-Rivalen

Das US-Start-up Poolside hat am 21. Juli 2026 sein drittes Coding-Modell binnen drei Monaten veröffentlicht: Laguna S 2.1, ein Mixture-of-Experts-Modell mit 118 Milliarden Parametern, von denen nur 8 Milliarden pro Token aktiv sind, mit bis zu 1 Million Token Kontext und wahlweise Thinking-/No-Thinking-Modus. Nach Poolsides eigener Leaderboard-Zusammenstellung erreicht es auf Terminal-Bench 2.1 einen Wert von 70,2 Prozent und liegt damit vor deutlich größeren offenen Modellen wie DeepSeek V4 Pro Max (1,6 Bio. Parameter), bleibt aber hinter den geschlossenen Spitzenmodellen (etwa GPT-5.6 Sol, Claude Fable 5, Kimi K3). Die Gewichte stehen unter der offenen OpenMDW-1.1-Lizenz auf Hugging Face.

Laguna S 2.1 ist laut Poolside-Blog ein Mixture-of-Experts-Modell mit 118 Milliarden Gesamt- und 8 Milliarden pro Token aktiven Parametern, einem Kontextfenster von bis zu 1 Million Token und zwei Betriebsmodi (Thinking und No-Thinking). Auf dem agentischen Terminal-Bench 2.1 nennt Poolside 70,2 Prozent – Rang 11 der von Poolside geführten Vergleichstabelle, in der etwa Kimi K3 (88,3 %), Claude Fable 5 (88,0 %) und Qwen-3.7 Max (74,5 %) davorliegen. Bemerkenswert ist die Effizienz-Aussage: Das Modell soll auf Terminal-Bench 2.1 höher punkten als DeepSeek V4 Pro Max, ein System mit rund 1,6 Billionen Gesamt- und 49 Milliarden aktiven Parametern pro Token.

Poolside beziffert den Trainingsaufwand auf unter neun Wochen vom Start des Pre-Trainings bis zur Veröffentlichung, gerechnet auf 4.096 Nvidia-H200-GPUs; die NVFP4-quantisierten Gewichte sollen auf eine einzelne Nvidia-DGX-Spark-Maschine passen. Es ist Poolsides drittes Coding-Modell in drei Monaten – das Start-up positioniert sich damit als „Modellfabrik“ und als westliche Alternative zu den chinesischen Open-Weight-Führern. Die Gewichte liegen unter der offenen OpenMDW-1.1-Lizenz auf Hugging Face; verfügbar ist das Modell zudem über OpenRouter, Ollama, vLLM, Baseten, das Vercel AI Gateway sowie Poolsides eigene Agenten-CLI.

Einordnung: Sämtliche Benchmark-Werte stammen aus Poolsides eigener Darstellung und Leaderboard-Kuratierung und sind bislang nicht unabhängig reproduziert – bei Coding-Benchmarks ist die Konfiguration (Agenten-Harness, Thinking-Budget) ergebnisrelevant. Die Grundaussage aber – ein offenes Modell mit sehr wenigen aktiven Parametern reicht an deutlich größere offene Modelle heran oder übertrifft sie und bleibt hinter den geschlossenen Spitzenmodellen – wird von unabhängiger Berichterstattung (u. a. VentureBeat, The Next Web, MarkTechPost) getragen.

// Einordnung der Redaktion

Warum das relevant ist

Der Fund zeigt, wie schnell und wie effizient inzwischen konkurrenzfähige offene Coding-Modelle entstehen: Poolside trainierte Laguna S 2.1 nach eigenen Angaben in unter neun Wochen auf 4.096 Nvidia-H200-GPUs, und mit nur 8 Milliarden aktiven Parametern übertrifft es auf einem Agenten-Benchmark offene Systeme mit rund dem Zehnfachen seiner Gesamtgröße (DeepSeek V4 Pro Max, 1,6 Billionen Parameter). Das verschiebt den Effizienz-Maßstab im offenen Feld und positioniert Poolside als westliche Antwort auf die chinesischen Open-Weight-Führer (DeepSeek, Qwen, Kimi). Einordnung: Die Benchmark-Zahlen stammen aus Poolsides eigener Zusammenstellung (anbieter-selbstberichtet); unabhängige Reproduktionen stehen aus. Die Platzierung „vor den größeren offenen, hinter den geschlossenen Spitzenmodellen“ deckt sich aber mit der unabhängigen Rezeption (u. a. VentureBeat, The Next Web).