Poolside åpner Laguna S 2.1 for lokale kodeagenter

Poolside har lansert Laguna S 2.1, en åpen vektmodell laget for agentisk koding og lange programvareoppgaver. Det høres smalt ut. Det er det ikke. For CIO-er og CISO-er er dette et signal om at kodeagenter er i ferd med å bli en egen infrastrukturkategori, ikke bare en knapp i IDE-en.

Modellen er oppgitt til 118 milliarder totale parametere, men bruker rundt 8 milliarder aktive parametere per token. Den har 1 048 576 tokens kontekstvindu, støtte for resonnering mellom verktøykall og egne kvantiserte varianter i BF16, FP8, INT4, NVFP4 og GGUF. Poolside sier også at modellen er tilgjengelig med åpen OpenMDW-1.1-lisens, og at den kan kjøres lokalt eller via plattformer som Hugging Face, OpenRouter og Vercel AI Gateway.

Det viktige er ikke parameter-tallet alene. Det viktige er kombinasjonen av lang kontekst, agentisk trening og praktisk distribusjon. En kodeagent som skal rydde i en stor applikasjon, migrere API-er eller finne en skjult feil i et gammelt monorepo, trenger mer enn god chat. Den trenger å lese mye, holde retning over lang tid, bruke verktøy riktig og ikke erklære seier etter første grønne test. Det er akkurat dette Poolside posisjonerer Laguna S 2.1 for.

Poolside oppgir 70,2 prosent på Terminal-Bench 2.1, 59,4 prosent på SWE-Bench Pro public dataset og 40,4 prosent på DeepSWE. Selskapet fremhever også resultater på SWE-bench Multilingual, SWE Atlas og Toolathlon Verified. Slike tall må alltid leses med sunn skepsis, særlig når leverandøren selv publiserer dem. Men retningen er tydelig: åpne modeller angriper nå de vanskelige delene av software engineering, ikke bare autocomplete og små kodepatcher.

For norske virksomheter treffer dette tre beslutningspunkter. Først: datakontroll. Mange organisasjoner har kode, konfigurasjon, sårbarhetsrapporter og intern dokumentasjon som ikke bør sendes ukritisk til en ekstern modell-API. Åpne vekter og lokale kjøringsvalg gjør det mulig å teste agentisk koding nærmere egne sikkerhetsgrenser. Det betyr ikke at risikoen forsvinner. Det betyr at risikomodellen endres fra ren leverandørtillit til mer konkret kontroll over dataflyt, logging, nettverk og tilgang.

Neste punkt er kost. Agentiske arbeidsflyter bruker mange tokens. Når en modell jobber gjennom hundrevis av filer, kjører tester, leser feillogger og prøver på nytt, blir pris per token fort mindre interessant enn total kost per løst oppgave. En 118B MoE-modell med bare 8B aktive parametere per token kan, hvis ytelsen holder, bli interessant fordi den gir mer forutsigbar økonomi i tunge utviklerløp. Det er spesielt relevant for team som allerede ser at toppmodellene er sterke, men dyre når de brukes som autonome arbeidere.

Tredje punkt er styring. Kodeagenter trenger mer governance enn vanlige chatboter. De kan endre filer, kjøre kommandoer, lese secrets hvis miljøet er feil satt opp, og produsere subtile feil som ser plausible ut. Hvis modeller som Laguna S 2.1 skal inn i virksomhetsbruk, bør de testes i avgrensede repoer først, med eksplisitte rettigheter, audit-logg, testkrav og menneskelig review før merge. Den tekniske fristelsen er å gi agenten alt den ber om. Den modne varianten er å bygge et kontrollert agentmiljø der modellen får nok tilgang til å være nyttig, men ikke nok til å bli en intern bulldoser med tastatur.

Det mest interessante med lanseringen er likevel konkurransebildet. De siste to årene har mange utviklingsteam blitt vant til at de beste kodeagentene ligger bak lukkede API-er. Poolside prøver å bryte den antakelsen: en spesialisert åpen modell, med lang kontekst og praktiske kjøreformater fra dag én. Hvis den holder i reelle repoer, kan selskaper begynne å skille mellom tre bruksmønstre: toppmodeller for de vanskeligste arkitekturvalgene, billigere rutemodeller for hverdagsoppgaver og lokale åpne kodeagenter for sensitive eller høyt volum-baserte arbeidsflyter.

Det betyr ikke at alle bør laste ned modellen i dag. 118B total størrelse er fortsatt tungt, selv med MoE og kvantisering. Drift, maskinvare, latency, sikkerhet og intern kompetanse betyr mer enn en pen benchmarktabell. Men ledere bør merke seg at spørsmålet har flyttet seg. Det er ikke lenger bare «hvilken SaaS-agent skal vi kjøpe?». Det blir også «hvilke agentoppgaver bør vi eie selv, og hvilke bør vi kjøpe som tjeneste?».

For CISO-er er signalet ekstra tydelig. Agentisk koding og sikkerhetsarbeid smelter sammen. Den samme typen modell som kan refaktorere en kodebase, kan også lete etter svake avhengigheter, feil konfigurasjon og usikre mønstre. Det er nyttig. Det er også en grunn til å kreve sandboxing, egress-kontroll og god hemmelighetshygiene før en agent får operere på produksjonsnær kode. Åpen modell betyr ikke automatisk trygg modell. Det betyr at virksomheten får en annen type verktøy å evaluere.

Kortversjonen for ledergruppen: Laguna S 2.1 er ikke en ny chatbot å prøve på fredag. Det er et tegn på at AI for programvareutvikling blir mer modulært, mer lokalt kjørbart og mer spesialisert. De selskapene som allerede har ryddige repoer, gode tester og tydelige utviklerprosesser, får mest ut av dette. De som mangler det, får mest støy.

Kilder og medier

Primærkilde: Poolside — https://x.com/poolsideai/status/2079613777343848465

Modellkort og tekniske detaljer: https://huggingface.co/poolside/Laguna-S-2.1

Thumbnail: OpenAI Image 2 / hogby.ai