Poolside stellt Laguna XS.2 vor: Offenes KI-Modell für lokale Coding‑Agenten

Das US‑Startup Poolside bringt mit Laguna XS.2 ein leistungsfähiges, offen lizenziertes KI‑Modell für lokale Programmier‑Agenten an den Start. Parallel dazu veröffentlicht das Unternehmen ein größeres Enterprise‑Modell und neue Tools für agentisches Coding.

Neue Laguna-Modelle: Von Regierungskund:innen bis Community

Poolside, 2023 in San Francisco gegründet, tritt mit zwei neuen Sprachmodellen in den Wettbewerb ein: Laguna M.1 und Laguna XS.2. Beide sind auf agentische Workflows ausgelegt, also auf KI, die nicht nur chattet oder Inhalte generiert, sondern eigenständig Code schreibt, Werkzeuge nutzt und Aktionen ausführt.

Laguna M.1 ist ein proprietäres Mixture‑of‑Experts‑Modell mit 225 Milliarden Parametern und 23 Milliarden aktiven Parametern. Es zielt auf sicherheitskritische Einsatzszenarien in Unternehmen und Behörden und soll komplexe Software‑Engineering‑Aufgaben mit langen Planungshorizonten lösen. M.1 bleibt zwar proprietär, wird aber vorübergehend kostenlos über die Poolside‑API und Partner wie OpenRouter, Ollama und Baseten angeboten.

Laguna XS.2 setzt auf ein offenes Apache‑2.0‑Lizenzmodell. Das Mixture‑of‑Experts‑Modell verfügt über 33 Milliarden Parameter, davon 3 Milliarden aktiv, und ist für effiziente, lokale Coding‑Agenten konzipiert. Entwickler:innen können Laguna XS.2 auf Desktop‑ oder sogar Laptop‑Rechnern ohne Internetverbindung ausführen, vollständig lokal und abgeschottet. Der Download erfolgt unter anderem über Hugging Face.

Poolside betont, dass beide Laguna‑Modelle von Grund auf neu trainiert wurden und nicht auf vortrainierten Basismodellen wie der Qwen‑Reihe von Alibaba aufbauen. Das Unternehmen hat sich nach eigenen Angaben zunächst auf Regierungs- und öffentliche Kund:innen mit höchsten Sicherheitsanforderungen konzentriert und öffnet sich nun bewusst der Open‑Source‑Community.

Training, Benchmarks und Effizienz der Laguna-Reihe

Die Modelle entstehen in einer internen „Modellfabrik“, deren Kernsoftware Titan als Trainingsofen dient. Für das Training setzt Poolside auf den eigenen Muon‑Optimierer, der die Modelle nach Unternehmensangaben etwa 15 Prozent schneller als gängige Verfahren an ein Trainingsvolumen von 30 Billionen Tokens heranführt. Das System AutoMixer wählt die Trainingsdaten aus, indem es mit einem Schwarm von 60 Proxy‑Modellen unterschiedliche Mischungen aus Code, Mathematik und Webdaten testet.

Rund 13 Prozent der Daten sind synthetisch erzeugt, also gezielt von anderen KI‑Systemen generiert, um schwer verfügbare Fähigkeiten zu vermitteln. Nach dem Basistraining folgen Verstärkungslernphasen in einer virtuellen „Turnhalle“, in der die Modelle reale Software‑Probleme lösen und für erfolgreiche Lösungen Belohnungssignale erhalten.

In Benchmarks erreicht Laguna M.1 auf SWE‑bench Pro 46,9 Prozent und nähert sich damit deutlich größeren Modellen wie Qwen‑3.5 und DeepSeek V4‑Flash an. Auf SWE‑bench Verified erzielt M.1 72,5 Prozent und liegt damit knapp vor Devstral 2 (72,2 Prozent), aber hinter Claude Sonnet 4.6 mit 79,6 Prozent. Diese Ergebnisse unterstreichen die Ausrichtung auf langfristige Software‑Aufgaben mit komplexer Planung über viele Dateien hinweg.

Laguna XS.2 kommt auf SWE‑bench Pro auf 44,5 Prozent und damit fast an M.1 heran, obwohl nur 3 Milliarden aktive Parameter genutzt werden. XS.2 übertrifft dabei Claude Haiku 4.5 (39,5 Prozent) und das deutlich größere dichte Gemma 4 31B (35,7 Prozent). Auf Terminal‑Bench 2.0 liegt XS.2 mit 30,1 Prozent knapp vor Haiku 4.5 (29,8 Prozent), bleibt aber hinter spezialisierten „Nano“‑Modellen wie GPT‑5.4 Nano mit 46,3 Prozent.

Alle Benchmarks wurden mit dem Harbor‑Framework und sandboxed Ausführung durchgeführt, um realistische, ressourcenbeschränkte Umgebungen abzubilden.

Laguna XS.2 lokal ausführen: Hardware, Tools und Entwicklungsumgebungen

Für den lokalen Einsatz von Laguna XS.2 (33B) auf Apple‑Silicon‑Rechnern empfiehlt Poolside mindestens 36 GB gemeinsamen Speicher. Auf dem PC würden die Standardgewichte eigentlich über 60 GB VRAM erfordern, durch 4‑Bit‑Quantisierung (Q4) lässt sich das Modell aber auf Consumer‑GPUs mit 24 bis 32 GB VRAM betreiben, etwa auf einer GeForce RTX 5090. Für den vollständigen Modellstand sollten rund 70 GB Speicherplatz eingeplant werden, komprimierte Varianten für Agent‑Aufgaben benötigen etwa 20 bis 35 GB.

Empfohlene Macs sind MacBook‑Pro‑Modelle mit M5‑Max‑Chip ab 36 GB Speicher oder Mac‑Mini‑Konfigurationen (M4 oder M5 Pro) mit mindestens 48 oder 64 GB RAM. Das MacBook Neo mit fest verlöteten 8 GB ist für Laguna XS.2 ungeeignet. Auf PC‑Seite nennt Poolside eine RTX 5090 mit 32 GB GDDR7 als schnelle Einzel‑GPU‑Lösung, für professionelle Setups eine RTX PRO 6000 Blackwell (96 GB VRAM) oder zwei RTX 5090 ohne zusätzliche Kompression. Minimal lässt sich das Modell auch auf einer RTX 4090 mit 24 GB betreiben, dann jedoch stärker quantisiert und langsamer.

Für den praktischen Einsatz empfiehlt Poolside die Nutzung von Ollama oder des eigenen Terminal‑Agents „pool“. Pool fungiert als Agent‑Client‑Protokoll‑Server und entspricht dem internen RL‑Harness des Unternehmens. Mit „shimmer“ stellt Poolside zudem eine webbasierte, mobil optimierte Entwicklungs- und Vorschauumgebung bereit. Shimmer ist eine sofort startende virtuelle Maschine, in der sich Web‑Apps, APIs und Kommandozeilenprogramme in Sekunden iterieren lassen, inklusive direkter GitHub‑Integration.

Shimmer lässt sich auch auf Smartphones nutzen, wie eine Demo des Design‑Mitgründers Alasdair Monk zeigt: Im geteilten Bildschirm läuft oben der Poolside‑Agent, der eine „Frohes neues Jahr 2026!“‑Animation generiert, während darunter die Entwicklungsumgebung aktiv ist. Poolside verbindet diese Infrastruktur mit der Überzeugung, dass starke offene Gewichtsmodelle im Westen nötig sind und dass offene Gewichte der schnellste Weg zu besserer Qualität durch Community‑Feedback und Feintuning sind.

Via: https://venturebeat.com

Den Beitrag in unserem Forum kommentieren