Poolside AI rilascia Laguna S 2.1, un modello open-weight da 118 miliardi di parametri totali con architettura MoE (8B attivi per token), che batte Claude Fable 5 sui benchmark e costa meno di DeepSeek v4 Flash. Finestra di contesto fino a 1 milione di token, con modalità thinking e no-thinking.

Perché ti riguarda. Un team di meno di 70 ricercatori produce un modello che supera modelli frontier dieci volte più grandi. Come raccontavamo il 20 luglio con Qwen 3.8, il gap fra modelli aperti e modelli proprietari si sta stringendo: la scelta fra i due diventa economica, non tecnica. Kimi K3, Qwen 3.8 e ora Laguna S 2.1 convergono nello stesso segnale: la compressione della qualità è una tendenza, non un caso isolato.

Per chi usa l’AI nel proprio lavoro, il costo di un’API open-weight non è più il prezzo di un modello debole. Puoi pagare meno e ottenere risultati comparabili ai frontier su molti compiti. Il calcolo cambia, e vale la pena rifarlo sui tuoi dati invece di restare fermo alle classifiche di luglio.

Nel dettaglio

Poolside AI è una neolab fondata da Eiso Kant, che ha speso quattro anni e 12 milioni di dollari a costruire modelli per il codice prima che il mercato se ne accorgesse. Oggi il team conta meno di 70 ricercatori ma ha costruito quello che Kant chiama “Model Factory”: un sistema end-to-end che porta un modello dal pre-training al rilascio in otto settimane, con 10.000-20.000 esperimenti al mese.

Laguna S 2.1 è un Mixture-of-Experts: 118 miliardi di parametri totali, ma solo 8 miliardi attivi per ogni token generato. È come avere un team di specialisti dove per ogni domanda risponde solo l’esperto rilevante, invece di mobilitare tutto il dipartimento. Questo tiene basso il costo di inferenza pur avendo una capacità complessiva elevata. La finestra di contesto arriva a 1 milione di token e il modello offre modalità thinking (ragiona prima di rispondere) e no-thinking (risponde diretto).

Sui benchmark, Laguna S 2.1 supera Claude Fable 5 e il modello di Thinking Machines (Inkling, 975B parametri rilasciato il 17 luglio), con un modello quasi dieci volte più piccolo. Costa meno di DeepSeek v4 Flash e batte DeepSeek v4 Pro sulla qualità.

Il contesto conta. Il 17 luglio Moonshot AI aveva rilasciato Kimi K3, 2.8T parametri, il più grande modello open-weight mai pubblicato. Tre giorni dopo Alibaba aveva messo in preview Qwen 3.8, 2.4T parametri. Entrambi mostravano che la qualità dei modelli aperti si avvicinava ai frontier. Poolside aggiunge un terzo dato: non serve neanche essere enormi. Un 118B MoE ben addestrato, con la pipeline giusta di esperimenti, basta.

Il pezzo interessante della strategia Poolside è l’enfasi su persistenza, verifica e backtracking. Kant sostiene che la capacità di tentare, verificare e correggere conta più dell’intelligenza grezza. È la stessa direzione che vediamo negli agenti di coding, dove l’architettura del ciclo di controllo vince sulla potenza del singolo modello.

I limiti di quello che si sa oggi. I benchmark citati vengono dal tech report di Poolside e dalla copertura di Latent.Space del 23 luglio, non da valutazioni indipendenti verificate. Il modello è open-weight ma non abbiamo ancora dati di adozione o test su compiti reali fuori dal coding. Poolside ha raccolto 500 milioni di dollari, quindi ha risorse per sostenere la ricerca, ma il panorama dei modelli aperti si muove così in fretta che un vantaggio oggi può durare settimane.

Per chi costruisce prodotti su un modello singolo, la domanda cambia. Oggi la domanda vera è quale combinazione di qualità, costo e licenza ti fa dormire la notte. Un MoE 118B con 8B attivi costa poco a ogni chiamata, e se i pesi sono aperti puoi anche self-hostarlo. Il punto debole resta la verifica: finché i numeri vengono dal laboratorio che ha costruito il modello, il consiglio resta testarlo sui propri compiti prima di credere alle classifiche.