Opencode - laguna-s-2.1-free - обзор модели - 2026

Laguna S 2.1 Free — это бесплатная языковая модель от компании poolside, доступная в экосистеме OpenCode через сервис OpenCode Zen. Модель была выпущена 21 июля 2026 года и представляет собой специализированное решение для agentic coding и длительных задач разработки программного обеспечения.

Обзор модели

Laguna S 2.1 — это Mixture-of-Experts (MoE) модель с 118B общим количеством параметров, из которых 8B активируются на каждый токен. Модель поддерживает контекстное окно до 1M токенов в режимах с мышлением (thinking) и без него (no-thinking). Разработка от начала обучения до релиза заняла менее девяти недель.

Модель входит в семейство Laguna от poolside и занимает позицию между Laguna XS 2.1 (33B-A3B) и Laguna M.1 (225B-A23B).

Характеристики модели
Параметр	Значение
Общее число параметров	118B
Активируемых параметров на токен	8B
Архитектура	MoE (256 экспертов + 1 общий)
Контекстное окно	1 048 576 токенов
Слои	48 (12 глобальных + 36 sliding-window)
Внимание	Grouped-Query Attention, 8 KV heads
Размер словаря	100 352 токена
Модальность	Text-to-text
Лицензия	OpenMDW-1.1
Режимы	Agentic, Chat
Поддержка мышления	Встроенное (Thinking / Max Thinking)

Архитектура

Архитектура Laguna S 2.1 основана на MoE с token-choice router и softplus-гейтингом. Ключевые компоненты:

256 маршрутизируемых экспертов (top-10 активируются)
1 общий (shared) эксперт
48 слоёв: 12 слоёв с глобальным вниманием, 36 — со sliding-window вниманием (окно 512 токенов)
Grouped-Query Attention с 8 KV heads и head dim 128
Per-head softplus output gating

Модель поддерживает встроенное мышление (interleaved thinking with preserved thinking), что позволяет ей рассуждать в процессе генерации кода.

Бенчмарки

На момент релиза Laguna S 2.1 показала следующие результаты на ключевых бенчмарках:

Результаты бенчмарков (21 июля 2026)
Бенчмарк	Результат (Max Thinking)
Terminal-Bench 2.1	70.2%
SWE-Bench Multilingual	78.5%
SWE-Bench Pro (Public Dataset)	59.4%
DeepSWE	40.4%
SWE Atlas (Codebase QnA)	46.2%
Toolathlon Verified	49.7%

При использовании режима max thinking результаты на Terminal-Bench 2.1 выросли с 60.4% до 70.2%, а на DeepSWE — с 16.5% до 40.4%.

Сравнение с конкурентами:

Terminal-Bench 2.1: Laguna S 2.1 (70.2%) против Tencent Hy3 (71.7%) и Inkling (63.8%)
SWE-Bench Multilingual: Laguna S 2.1 (78.5%) против Tencent Hy3 (75.8%) и DeepSeek-V4-Pro-Max (76.2%)
DeepSWE: Laguna S 2.1 (40.4%) против DeepSeek-V4-Pro-Max (9.0%)

OpenCode Zen: как получить доступ

OpenCode Zen — это курируемый список протестированных моделей от команды OpenCode. Laguna S 2.1 Free доступна через Zen API полностью бесплатно.

Подключение

# 1. Войти в OpenCode Zen и получить API ключ
# 2. В TUI выполнить команду:
/connect

# 3. Выбрать OpenCode Zen и вставить API ключ
# 4. Просмотреть доступные модели:
/models

API Endpoint

Параметры подключения
Параметр	Значение
Model ID	`laguna-s-2.1-free`
Endpoint	`https://opencode.ai/zen/v1/chat/completions`
SDK	`@ai-sdk/openai-compatible`

Получение списка моделей

curl https://opencode.ai/zen/v1/models

Использование с Hugging Face Transformers

Модель доступна для загрузки и локального использования через Hugging Face:

from transformers import pipeline

pipe = pipeline("text-generation", model="poolside/Laguna-S-2.1", trust_remote_code=True)
messages = [
    {"role": "user", "content": "Напиши функцию на Python для сортировки массива"}
]
pipe(messages)

Бесплатный доступ

Laguna S 2.1 Free доступна в OpenCode Zen на ограниченное время. Команда OpenCode использует этот период для сбора отзывов и улучшения модели. Полный список бесплатных моделей в Zen включает:

Big Pickle
DeepSeek V4 Flash Free
MiMo-V2.5 Free
Laguna S 2.1 Free
Ling-3.0-flash Free
North Mini Code Free
Nemotron 3 Ultra Free

Все бесплатные модели имеют нулевую стоимость как для входных, так и для выходных токенов.

Возможности и ограничения

Возможности

Работа с длинными задачами (long-horizon work) до 1M токенов контекста
Восстановление после неудачных подходов в циклах инструментов
Удержание цели на протяжении расширенного использования инструментов
Поддержка OpenWeight для локального развёртывания (BF16, FP8, INT4, NVFP4, GGUF, MLX)

Известные ограничения (по данным poolside)

Отсутствие пользовательского контроля усилий (effort control) в первой версии
Ограничения в некоторых сценариях длительного мышления
Базовая модель не имеет модальностей, кроме text-to-text

FAQ

Вопрос: Что означает 118B-A8B?

118B — общее количество параметров, A8B — количество активируемых параметров на токен (8 миллиардов).

Вопрос: Нужна ли оплата за Laguna S 2.1 Free?

Нет. Модель полностью бесплатна в OpenCode Zen на время тестирования.

Вопрос: Можно ли запустить модель локально?

Да. Модель выпущена под лицензией OpenMDW-1.1 с открытыми весами и поддержкой различных квантований.

Вопрос: Какие режимы мышления поддерживаются?

Thinking off (без мышления) и Max Thinking (максимальное мышление). Управление усилиями (effort control) будет добавлено в следующих версиях.

Вопрос: Как Laguna S 2.1 сравнивается с DeepSeek V4?

На SWE-Bench Multilingual Laguna S 2.1 (78.5%) немного превосходит DeepSeek-V4-Pro-Max (76.2%), но на Terminal-Bench 2.1 DeepSeek-V4-Pro-Max (64.0%) уступает Laguna S 2.1 (70.2%).

Вопрос: Сколько времени заняла разработка модели?

От начала обучения до релиза — менее 9 недель.

Семейство моделей Laguna

Laguna S 2.1 входит в серию моделей poolside для программирования:

Laguna XS 2.1 — 33B-A3B, лёгкая модель для повседневных задач
Laguna S 2.1 — 118B-A8B, баланс производительности и эффективности
Laguna M.1 — 225B-A23B, максимальная производительность

Все модели семейства используют общий токенизатор (100 352 токена) и разделяют архитектурные принципы: token-choice router, softplus-гейтинг, grouped-query attention.

Резюме

Laguna S 2.1 Free — это высокопроизводительная MoE-модель от poolside, доступная бесплатно через OpenCode Zen. С 118B общих и 8B активируемых параметров, контекстным окном 1M токенов и встроенной поддержкой мышления, модель показывает конкурентоспособные результаты на бенчмарках SWE-Bench Multilingual (78.5%) и Terminal-Bench 2.1 (70.2%), превосходя многие значительно более крупные модели.

Основное преимущество модели — специализация на agentic coding и длительных задачах с возможностью восстановления после ошибок. Открытая лицензия OpenMDW-1.1 позволяет локальное развёртывание, а бесплатный доступ в OpenCode Zen делает модель доступной для широкого круга разработчиков.

Ссылки

×