一句话看懂：美国 AI 公司 Poolside 发布了开源编码模型 Laguna S 2.1，仅用 80 亿活跃参数，在多项编程基准上超越了参数规模大 10 到 20 倍的开源模型，强调通过“持久性”而非单纯扩大模型体量来提升能力。
事件核心：发生了什么
2026 年 7 月 23 日，Poolside 推出了其三个月内的第三款编码模型 Laguna S 2.1。该模型采用混合专家架构，总参数 1180 亿，但每个 token 仅激活 80 亿参数，支持高达 100 万 token 的上下文窗口，并提供“思考”与“非思考”两种推理模式。在 Terminal-Bench 2.1 测试中，开启思考模式后得分 70.2%，仅次于腾讯 Hy3（2950 亿参数），领先 DeepSeek-V4-Pro-Max、Nemotron 3 Ultra 等大模型。在 Datacurve 的 DeepSWE 基准上，S 2.1 得分 40.4%，而一些万亿参数级模型仍低于 10%。
Poolside 表示，性能提升主要来自后期训练阶段，而非预训练数据的扩大。团队在 409,000 个环境中进行了代理训练，包括 83,000 个终端任务环境和 168,000 个软件工程工作流环境。训练于 2026 年 5 月 22 日开始，使用 4,096 块 Nvidia H200 GPU，全程不到九周。S 2.1 也是该公司首个使用强化学习训练的模型。
为什么重要
这挑战了“模型越大越强”的主流技术路径。Poolside 明确表示，其策略是通过提升模型的持久性、验证能力和纠错行为来替代部分算力投入。在演示案例中，S 2.1 仅用一个空文件夹，50 分钟内构建出一个可渲染 HTML 和 CSS 的浏览器引擎；还在无 Python 沙箱环境中独立发现了 1975 年悬而未决的埃尔多斯数学问题 #397 的证明，推理过程花费仅 0.088 美元。对开源社区而言，Apache 2.0 许可下的 S 2.1 提供了接近顶级闭源模型的编码能力，显著降低了中小团队在 AI 编程助手上的算力门槛。
对用户/开发者/创作者的影响
对于开发者和软件工程团队，Laguna S 2.1 意味着可以用更小的推理成本获得高质量代码生成和自动化调试能力。其 100 万 token 的长上下文窗口特别适合大型仓库级别的理解和维护。由于模型开源且许可证宽松，企业可以私有化部署，避免监管和合规风险。不过，目前模型仅在终端任务、软件工程和数学推理上表现出色，通用对话和多模态能力尚未公开评估。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，Poolside 透露更大的 Laguna 模型已在预训练中，其性能如何、是否继续坚持开源策略值得跟踪。第二，S 2.1 在部分测试中超越万亿参数模型的表现能否在真实开发场景中复现，仍需第三方验证。第三，类似的轻量化高精模型思路（如 DeepSeek 的 MoE 系列）是否会引发其他厂商调整训练重点，从“参数竞赛”转向“行为优化”路径。
