Poolside lance Laguna XS.2 et M.1, des modèles ouverts pour la programmation agentique

Poolside a lancé les premiers modèles de la famille Laguna, XS.2 et M.1. Plutôt que de proposer une IA classique d'autocomplétion, l'entreprise mise sur des agents de code capables de mener une tâche longtemps, étape par étape, sans perdre sans cesse le contexte. L'idée : le modèle ne doit pas seulement écrire un fragment de code, mais lire le dépôt, apporter des modifications, lancer des tests, analyser les erreurs et amener le changement à un état fonctionnel dans une seule boucle de travail.

Ce que Poolside a présenté

La version comprend deux modèles et l'environnement d'agents avec lequel l'entreprise entraîne ses propres systèmes. Le modèle phare, Laguna M.1, est un grand modèle MoE de 225 milliards de paramètres, dont 23 milliards actifs par token. Laguna XS.2 est nettement plus compact : 33 milliards de paramètres au total et 3 milliards actifs.

C'est un signal important pour le marché : Poolside ne propose pas seulement un modèle serveur pour les charges lourdes, mais aussi une version allégée pour un usage local. XS.2 est le premier modèle à poids ouverts de l'entreprise. Poolside le distribue sous licence Apache 2.0 et souligne qu'il peut tourner sur un Mac doté de 36 Go de RAM via Ollama.

Avec les modèles, l'entreprise a ouvert une préversion de recherche de l'agent de terminal pool et d'un client ACP avec serveur. C'est le même environnement que Poolside utilise en interne pour l'entraînement par RL et pour vérifier comment un agent résout pas à pas de véritables tâches d'ingénierie.

Résultats aux benchmarks

L'argument principal de cette sortie, ce sont les résultats sur des tests appliqués au développement. Laguna M.1 obtient 72,5 % sur SWE-bench Verified, 67,3 % sur SWE-bench Multilingual, 46,9 % sur SWE-bench Pro et 40,7 % sur Terminal-Bench 2.0. XS.2 se situe un peu en dessous, mais se montre très solide pour sa catégorie : 68,2 %, 62,4 %, 44,5 % et 30,1 % respectivement. Pour un modèle compact à poids ouverts, c'est un niveau que viseront beaucoup d'agents de code locaux.

Ces chiffres comptent au-delà de leur valeur brute. SWE-bench Verified et Pro vérifient si un modèle sait corriger de vrais bugs dans des dépôts existants, tandis que Terminal-Bench se rapproche du comportement d'un agent dans un terminal, où il faut manipuler des fichiers et des commandes. Poolside qualifie explicitement les deux Laguna de modèles pour tâches à long horizon : celles où il faut conserver le contexte, planifier une série d'étapes et ne pas s'effondrer après une longue chaîne d'appels d'outils et de vérifications intermédiaires.

• Laguna XS.2 est le premier modèle à poids ouverts de Poolside
• Les poids de XS.2 sont disponibles sous licence Apache 2.0
• La fenêtre de contexte de XS.2 est de 131 072 tokens
• XS.2 peut tourner en local sur un Mac avec 36 Go de RAM
• Les deux modèles ont été entraînés sur plus de 30 000 milliards de tokens

Comment les modèles sont conçus

Les deux Laguna ont été entraînés de zéro sur l'infrastructure propre de Poolside, sans s'appuyer sur le modèle de base d'un tiers. Pour M.1, l'entreprise a utilisé 6144 GPU NVIDIA Hopper interconnectés. La famille repose sur une architecture Mixture of Experts : à chaque étape, seule une partie des « experts » est activée, si bien que le modèle peut être grand en nombre total de paramètres sans être aussi coûteux en inférence que des modèles denses d'échelle comparable. C'est particulièrement important dans les scénarios agentiques, où le modèle est sollicité très souvent.

Pour XS.2, Poolside décrit séparément un ensemble de choix d'efficacité : un mélange de Sliding Window Attention et d'attention globale, une quantification du KV-cache en FP8 et une architecture à 256 experts. Résultat : le modèle dispose d'une fenêtre de contexte de 131k tokens et prend en charge le raisonnement natif entre les appels d'outils. Une fois le marketing écarté, l'idée est simple : l'agent peut alterner réflexion, travail dans le terminal et actions suivantes sans rupture nette entre ces étapes, avec une consommation de mémoire réduite.

L'annonce met un accent particulier sur l'entraînement des agents, et pas seulement du modèle de langage. Poolside a construit un système de RL asynchrone dans lequel des acteurs lancent des bacs à sable, exécutent les tâches, collectent les trajectoires et les transmettent presque en continu à l'entraîneur. L'entreprise affirme aussi que l'optimiseur Muon a permis d'atteindre la même perte d'entraînement en environ 15 % d'étapes en moins qu'avec AdamW. Cela ne fait pas de Laguna un leader automatique sur toutes les métriques, mais cela montre la maturité de toute la pile, et pas d'un seul checkpoint réussi.

Ce que cela signifie

Le marché ne compte plus seulement des « modèles pour le code », mais des systèmes taillés pour une véritable programmation agentique. Pour les développeurs, cela signifie une base à poids ouverts solide de plus, qu'on peut affiner, quantifier et exécuter en local. Pour l'industrie dans son ensemble, la sortie de Laguna illustre un glissement du scénario où « le modèle écrit une fonction » vers un format où l'IA mène de bout en bout une longue tâche d'ingénierie, et c'est précisément autour de cela que se construit désormais la prochaine vague de concurrence.