«The open-weight ecosystem in the West is still early in its development. We want to change that.» — Poolside
Det er den eksplisitte ambisjonen Poolside legger på bordet i annonseringen 28. april. Selskapet, som hittil bare har trent proprietære modeller, slipper nå Laguna XS.2 som åpen modell og frigir vektene på Hugging Face under Apache 2.0. Laguna XS.2 er en mixture-of-experts på 33 milliarder parametere totalt og 3 milliarder aktive per inferens, optimert for agentisk koding. Modellen startet pretrening for fem uker siden, og Poolside lanserer den allerede ferdig post-trent.
Samtidig slippes Laguna M.1, en proprietær 225B-A23B-modell som har vært under trening i over et år. Begge er gratis via Poolsides API og OpenRouter i en begrenset periode. Pakken inkluderer to produkter i preview: pool, en terminal-basert kodeagent, og Shimmer, et skybasert sandbox-miljø for å bygge web-apper, APIer og CLIer mot modellene.
Plassering i landskapet: XS.2 sammenlignes mot Qwen3.5 35B-A3B, Qwen3.6 35B-A3B, Devstral Small 2 24B og Gemma 4 31B på SWE-bench Pro, SWE-bench Verified, SWE-bench Multilingual og Terminal-Bench 2.0. Poolside hevder XS.2 «stands up against models several times its size for agentic coding». Den lokale stien er klar: vektene er på Hugging Face og kjører via Ollama med native MLX-støtte, så Mac-brukere med nok unified memory kan teste i dag.
For deg som bygger lokale agenter for koding er dette interessant av to grunner. Først: en MoE på 3B aktive parametere har en helt annen latens-profil enn en dense 24B på samme maskinvare, så det er verdt å måle på din egen workload. Dernest: Apache 2.0 betyr at du kan finetune og distribuere uten lisensbetingelser som Llamas «acceptable use policy» eller Nvidias Open Model Agreement.
Hva bør du gjøre?
- Hent vektene fra Hugging Face og kjør lokalt via Ollama:
ollama launch pool --model laguna-xs.2. Bruk MLX hvis du er på Apple Silicon. - Mål mot din egen agent-pipeline før du bytter ut Qwen3.5 35B-A3B. Benchmarks i annonseringen er kjørt med temperature=0.7 og top_k=20, og resultatene varierer mellom agent-rammeverk.
- Hvis du er en startup eller institusjon: Poolside tilbyr forhøyede rate-limits og delte M.1-vekter på forespørsel via models@poolside.ai.