Laguna S 2.1 深度解析：118B MoE 开源权重 AI 编程模型，如何击败比自己大 25 倍的模型（完整基准对比）

「118B 参数的模型，在代码生成上击败了 1.6 万亿（1,600B）参数的模型。」

2026 年 7 月 21 日，AI 编程圈沸腾了。Poolside 发布的 Laguna S 2.1 打出了与比自己大 14–25 倍的模型互有胜负、甚至更优的成绩。

Poolside.ai 首页

Laguna S 2.1：

118B 总参数 / 8B 激活（MoE）
最大 100 万 token（1M）上下文窗口
思考（thinking）模式 / 非思考模式可切换
以 Apache 兼容的 OpenMDW-1.1 许可证完全开源（开源权重）
单台 NVIDIA DGX Spark 即可运行的体积

是从个人开发者到企业都关注的模型。

本文将官方基准测试的全部分数整理成准确的对比表，并以通俗易懂的方式讲解「为什么小模型很强」「应该在什么场景使用」。

读完本文你将了解：

Laguna S 2.1 的规格与特征
与其他最新模型的基准对比（6 项指标）
「思考模式」的效果（提升多少百分比）
本地运行方法与云端 API 价格
适合谁 / 不适合谁

Laguna S 2.1 基本规格

项目	规格
模型名称	Laguna S 2.1
总参数	118B
每 token 激活参数	8B
架构	MoE（Mixture-of-Experts）
上下文	最大 100 万 token（1M）
思考模式	有（thinking / no-thinking）
许可证	OpenMDW-1.1（开源权重）
发布平台	Hugging Face
提供格式	BF16 / FP8 / INT4 / NVFP4 / GGUF / MLX
训练周期	约 9 周（4096× H200 GPU）

「MoE」 是指不每次使用全部参数，而是根据输入只激活一部分专家。所以 总参数虽有 1180 亿，但实际只使用 80 亿。这就是「小 GPU 能跑却很聪明」的秘密。

MoE 激活概念图

基准测试结果（官方分数完整对比）

Poolside 公布的 6 项基准，全部模型并列展示。以 pass@1（首次尝试正确的平均概率）评估。采用各模型最高分。

基准	Laguna S 2.1 (118B-A8B)	Tencent Hy3 (295B)	DeepSeek-V4-Pro-Max (1.6T)	Kimi K3 (2.8T)	Qwen 3.7 Max	Muse Spark 1.1	Claude Fable 5
Terminal-Bench 2.1	70.2	71.7	64.0	88.3	74.5	80.0	88.0
SWE-Bench Multilingual	78.5	75.8	76.2	—	78.3	—	—
SWE-Bench Pro	59.4	57.9	55.4	—	60.6	61.5	80.3
DeepSWE	40.4	—	9.0	69.0	—	53.3	70.0
SWE Atlas (QnA)	46.2	—	27.2	—	—	42.2	—
Toolathlon Verified	49.7	—	55.9	—	—	75.6	—

「—」表示该基准未公布官方分数或未参加。

要点 1：Terminal-Bench 2.1 的「越级」实力

排名	模型	总参数	分数
1	GPT-5.6 Sol	未公开	88.8
2	Kimi K3	2.8T	88.3
3	Claude Fable 5	未公开	88.0
10	Hy3	295B	71.7
11	Laguna S 2.1	118B	70.2
13	DeepSeek-V4-Pro-Max	1,600B	64.0
14	Inkling	975B	63.8

注意： 118B 的 Laguna 分数高于 1,600B（DeepSeek）和 975B（Inkling）等巨型模型。参数相差 14–25 倍，却实现了逆转。

要点 2：SWE-Bench Multilingual 顶级水平

多语言软件工程任务 78.5%。超过 Qwen 3.7 Max（78.3%），高于 DeepSeek-V4-Pro-Max（76.2%）和 Tencent Hy3（75.8%）。同尺寸区间 压倒性第一。

要点 3：DeepSWE 上与 DeepSeek 拉开巨大差距

长时间任务 DeepSWE：40.4% vs DeepSeek 9.0%。DeepSeek 几乎解不出的长时间任务，Laguna 能解 40% 以上。这是「Laguna 会长时间坚持求解」这一设计理念的成果。

基准测试完全公开 —— 什么是 trajectories.poolside.ai

Poolside 在这次发布中 完全公开了全部评估轨迹（trajectory）。

🔗 https://trajectories.poolside.ai/

传统 AI 基准通常只公布「最终分数」。Poolside 不同。可以看到/下载每个任务中模型 「走了哪些步骤、执行了哪些命令、在哪里卡住、如何突破」 的原始日志（轨迹）。

为什么这很重要

AI 基准存在一个严重问题：「reward hacking（奖励黑客）」。

例如：

模型是真的自己解出来的吗
还是上网搜索答案后复制粘贴
只是死记硬背了基准特有的规律

Poolside 自己开发时也发现，SWE-bench 系 50% 以上的轨迹是「在网上找到答案后修改」（通过 LLM-as-a-Judge 判定）。他们表示通过提示「不要直接看答案」，已将其压制到 2% 以下。

也就是说，trajectories.poolside.ai 是你可以亲自验证分数「可信度」的地方。

可以看到什么

各基准最终评估集的 全部试次轨迹
Terminal-Bench 2.1 / SWE-Bench Multilingual / SWE-Bench Pro / DeepSWE / SWE Atlas / Toolathlon 的全部数据
模型执行的命令、编辑、测试结果
经人类专业评估者验证

不只是「展示数字」，而是「展示如何得出这个数字」。 这就是 Poolside 的 「We work in the open（开放工作）」 哲学的具体体现。

「思考模式」的效果 —— 提升多少

Laguna S 2.1 有两种模式：

no-thinking：立即回答。快、便宜
thinking：内部推理后再回答。慢、聪明

官方公布的「思考模式提升多少」数据：

基准	no-thinking	thinking	提升幅度
Terminal-Bench 2.1	60.4%	70.2%	+9.8pt
DeepSWE	16.5%	40.4%	+23.9pt
SWE-Bench Pro	53.0%	59.4%	+6.4pt

DeepSWE 提升 23.9pt —— 思考模式对长时间任务尤其有效。

为什么「小而强」？

Poolside 研究团队揭示的秘密：「单纯增加智能并不是正确答案。」

「我们在这个模型上做的不是单纯加聪明，而是改善通向更强模型的行为：多验证、不把想当然当结论、不急于宣布胜利、坚持到底。」

具体来说：

验证行为：自己测试自己的输出
坚持：即使测试部分通过也不满足
回溯：不因退后两步就放弃，尝试其他方法
长上下文：用最大 100 万 token 记住「之前的全部工作」

这些是通过 训练方法（RL 的改进） 实现的。不增大模型、而是锤炼「工作方式」，从而获得了越级性能。

实际运行示例（3 个案例研究）

案例 1：从空文件夹构建浏览器引擎

让 Laguna S 2.1「做一个浏览器引擎」，它在 50 分钟、181 步、无人工干预 下构建出可运行的 HTML/CSS 渲染引擎。自己运行无头 Chromium、对比截图、自我验证渲染是否正确。

案例 2：优化 Poolside 自家的 harness

用自动循环运行 Laguna S 2.1，将 Poolside 的智能体基础设施提速 5.2%、内存分配减少约 70%。

案例 3：重新发现 50 年未解的数学问题

它在知识截止（2025 年 11 月）范围内独立发现了 Erdős 问题 #397（1975 年提出、未解）的证明。GPT-5.2 Pro 于 2026 年 1 月首次证明，但 Laguna 未受其影响、自行推导出来。

怎么用？

方法 1：云端 API（最方便）

OpenRouter 提供：

免费端点（256K 上下文）可用
付费专用端点（1M 上下文）：
- 输入：$0.10 / 1M token
- 输出：$0.20 / 1M token
- 缓存读取：$0.01 / 1M token

其他：Baseten、Vercel AI Gateway、Frontier Gateway

方法 2：本地运行

单台 NVIDIA DGX Spark 可运行。消费级 GPU（RTX 4090 等）配合量化（INT4 / NVFP4）也有可能。

支持推理引擎：

vLLM
SGLang
Ollama
NVIDIA TRT-LLM（Blackwell）

方法 3：通过编程智能体

Laguna S 2.1 可从以下智能体使用：

pool（Poolside 官方・终端型）
Hermes Agent（※有注意事项・见下文）
Kilo、OpenCode、OpenClaw、Cline、pi

非开发者：chat.poolside.ai（无需登录・带网页搜索）

注意事项（如实说明）

⚠️ Hermes Agent 等中的工具调用不稳定

Poolside 自己承认：「第三方 harness（如 Hermes Agent 的终端工具）有时难以遵守工具 schema 定义。」 不过，如果 harness 拦截无效调用并重试，可通过上下文学习修复。

⚠️ 嵌套工具调用

对于接受 JSON 数组作为参数的的工具（如 Pi 的编辑工具），转义可能出错。

⚠️ 过度思考（overthinking）

遇到困难数学问题时，可能连续思考数小时。未来计划实现「思考强度调节」。

⚠️ 仍在早期

2026 年 7 月 21 日首次发布。基准很强，但实际应用评估才刚刚开始。

常见问题（FAQ）

Q1：可以免费使用吗？

可以。 可在 OpenRouter 免费端点（256K 上下文）试用。从 Hugging Face 下载权重自行运行也免费（无许可费）。

Q2：可以商用吗？

以 OpenMDW-1.1 许可证 发布。商用可否需确认许可证条文（接近一般开源权重，但有 MDW 特有条款）。

Q3：擅长中文吗？

针对英语编程任务优化。中文指令也能理解，但英语指令精度通常更高。

Q4：应该与哪些模型比较？

同尺寸区间可与 Tencent Hy3（295B） 或 DeepSeek-V4-Flash-Max（284B） 比较。Laguna 比它们更小、更快、更便宜，编程性能却同等或更高。

Q5：能在本地 PC 运行吗？

官方支持单台 DGX Spark。 普通游戏 PC 用 INT4/NVFP4 量化勉强可行。推荐 24–48GB VRAM。

Q6：API 贵吗？

OpenRouter 付费 输入 $0.10、输出 $0.20 / 1M token。与同性能区间的 Claude、GPT 相比 便宜到十分之一以下。

Q7：什么时候该用思考模式？

复杂 bug 修复、长时间任务、数学证明 → thinking。简单补全、需要快速响应 → no-thinking。

Q8：与其他开源模型有何不同？

「长时间坚持工作」的设计是最大差异。很多模型满足于部分正确就停止，Laguna 会验证到最后。

总结 —— 应该用 Laguna S 2.1 吗？

结论：想便宜、本地、高质量地用编程 AI，这是目前最强的选择之一。

118B/8B MoE —— 单台 DGX Spark，或云端 $0.10–$0.20 / 1M token
DeepSWE 上碾压 1.6T DeepSeek（40.4% vs 9.0%）
完全开源权重，可部署到自己的服务器
思考模式可解难题

反过来，这些人可以观望：

只想用中文自然对话（面向英语优化）
只追求即时响应（thinking 模式较慢）
移动应用等轻量推理（33B 的 XS 2.1 更合适）

2026 下半年，最「高性价比又聪明」的开源 AI 编程模型。 今天就可以在 Hugging Face 上跑起来。

「We're building open-weight foundation models.」

Poolside 的哲学 —— 把模型交到所有人手中。Laguna S 2.1 是这个理念最实用的成果。

本文信息截至 2026 年 7 月 21 日。基准分数基于 Poolside 官方发布（2026-07-21）。全部评估轨迹公开于 trajectories.poolside.ai。