poolside、コーディング特化モデル Laguna S 2.1 を公開──118B MoE で長文脈推論を最適化
118BパラメータのMoE構成により、1Mトークンのコンテキストウィンドウと高い推論能力を両立し、ローカル環境でのエージェント開発を加速させる。
リリース: 2026-04-28 · 読了 5 分記事の要約
1. 核心（What）
- 総パラメータ数 118B、推論時アクティブ 8B の MoE モデル Laguna S 2.1 をリリース。
- 最大 1M トークンのコンテキストウィンドウをサポートし、thinking モードと通常モードの両方で動作。
- Terminal-Bench 2.1 で 70.2% のスコアを記録し、同規模のモデル群において高いエージェント性能を実証。
- 開発者向けに全評価プロセスの推論軌跡（trajectories）を公開。
2. 影響（Why）
- ローカルLLMの性能境界を拡張: 118Bというサイズは単一の高性能 GPU での推論を現実的なものにし、推論特化の MoE 設計により、クラウド API に依存しない高度な自律コーディング環境を構築可能にする。
- 国内SaaS開発への実装インパクト: 国内の受託開発や Vertical SaaS 事業者が、社内コードベースをセキュアに参照するローカル環境でのエージェント開発において、GPT-4 クラスの推論を安価に実装する選択肢となる。
3. 根拠・詳細（How）
- 推論最適化の内部機構: 推論時に 8B パラメータのみを発火させる MoE アーキテクチャを採用。streaming-token 処理における O(n^2) の文字列結合をバッファ処理へ置換し、メモリ割り当てを 70% 削減した。
- 評価の透明性と検証手法: Terminal-Bench 2.1 および DeepSWE v1.1 を用いて評価。評価時の全軌跡を trajectories.poolside.ai に公開し、Go の race detector で生成コードの安定性を検証済み。
4. 展望・課題（Next）
- 長文脈タスクの限界: 視覚能力を持たないため、GUI ベースの操作や画像検証には制限があり、今後のモデル更新でマルチモーダル対応が課題となる。