Poolside เปิดตัวโมเดล AI เขียนโค้ด Laguna S 2.1 ขนาดกลาง ประสิทธิภาพเหนือโมเดลหลายล้านพารามิเตอร์.

Laguna S 2.1 โมเดลโค้ดดิ้ง AI ใหม่ของบริษัท Poolside ได้เปิดตัวอย่างเป็นทางการเมื่อวันอังคารที่ผ่านมา โดยให้ **น้ำหนักเปิด (open‑weight) ภายใต้สัญญาอนุญาต OpenMDW‑1.1 บน Hugging Face การเปิดตัวนี้สำคัญเพราะโมเดลขนาด “กลาง” เพียง 118 พันล้านพารามิเตอร์ สามารถทำผลงานระดับเทียบหรือดีกว่าโมเดลหลายแสนถึงหลายหมื่นล้านพารามิเตอร์ในงานโค้ดดิ้งแบบเอเย่นต์‑อัจฉริยะ ซึ่งเป็นการตอบรับต่อช่องว่างของโมเดลเปิดจากตะวันตกที่หายไปนานกว่า 11 เดือน

Overview

Poolside เป็นห้องทดลอง AI สังกัดซานฟรานซิสโก ที่ในช่วงสามปีที่ผ่านมาเน้นขายโมเดลโค้ดดิ้งให้กับหน่วยงานรัฐบาลและกองทัพเป็นหลัก การเปิดตัว Laguna S 2.1 แสดงถึงแนวคิดว่าการทำ “ความโปร่งใสเชิงเทคนิค” มากกว่าการใช้กำลังคอมพิวเตอร์มหาศาล จะช่วยห้องทดลองขนาดเล็กให้แข่งขันได้ในระดับสุดยอดของ AI

โมเดลนี้ได้รับการฝึกตั้งแต่วันที่ 22 พฤษภาคมและเปิดให้ใช้งานภายในเวลาไม่ถึง เก้าสัปดาห์ บน GPU รุ่น Nvidia H200 จำนวน 4,096 ตัว ซึ่งทำให้ Poolside สามารถปล่อย สามโมเดลใหม่ในช่วงสามเดือน ได้ตามที่บริษัทได้ประกาศไว้

Technical Specs & Architecture

Laguna S 2.1 ใช้สถาปัตยกรรม Mixture‑of‑Experts (MoE) แบบ sparse โดยมีผู้เชี่ยวชาญ 256 คน + ผู้เชี่ยวชาญร่วมหนึ่งชุด การเลือกผู้เชี่ยวชาญทำผ่าน grouped‑query attention และเลเยอร์แบบ sliding‑window ที่เรียงต่อกัน ทำให้เพียง 8 พันล้านพารามิเตอร์** เท่านั้นที่ถูกเปิดใช้งานต่อโทเคน

• **ขนาดทั้งหมด: 118 พันล้านพารามิเตอร์
• **พารามิเตอร์ที่ทำงานต่อโทเคน: 8 พันล้าน
• **ขนาดหน้าต่างบริบท (context window): สูงสุด 1 ล้านโทเคน
• **ฮาร์ดแวร์ฝึก: 4,096 Nvidia H200 GPUs

สถาปัตยกรรมนี้ทำให้ค่าใช้จ่ายในการ inference ขึ้นกับจำนวนพารามิเตอร์ที่ใช้งานจริง (8 พันล้าน) แทนที่จะเป็นขนาดทั้งหมดของโมเดล ซึ่งช่วยลดต้นทุนการรันบนเครื่อง Nvidia DGX Spark ระดับเดสก์ท็อปได้อย่างมีประสิทธิภาพ

Benchmark Performance

ในการวัดผลตามมาตรฐาน Terminal‑Bench 2.1 โมเดลบรรลุคะแนน 70.2 % ทำให้อยู่ในอันดับที่ 11 ของลีดเดอร์บอร์ดของ Poolside และเหนือโมเดลขนาดใหญ่เช่น DeepSeek‑V4‑Pro‑Max (1.6 เทริลเลี่ยนพารามิเตอร์, 64.0 %), Inkling (975 พันล้านพารามิเตอร์, 63.8 %) และ Nemotron 3 Ultra (550 พันล้านพารามิเตอร์, 56.4 %)

ในชุดทดสอบโค้ดดิ้งอื่น ๆ โมเดลแสดงผลที่น่าประทับใจเช่น SWE‑Bench Multilingual คะแนน 78.5 % และบนฐานข้อมูลสาธารณะของ SWE‑Bench Pro ได้คะแนน 59.4 % ผลการทดลองเหล่านี้ยืนยันว่าการใช้โครงสร้าง MoE สามารถให้ประสิทธิภาพระดับสูงโดยไม่ต้องอาศัยพารามิเตอร์ทั้งหมด

Market Position & Strategy

การเปิดตัวนี้เกิดขึ้นท่ามกลางการถกเถียงเกี่ยวกับ open‑weight AI ที่ผู้พัฒนากำลังหันไปใช้ระบบที่สามารถดาวน์โหลด ตรวจสอบโค้ด และรันบนโครงสร้างพื้นฐานของตนเองได้ ปัจจุบันส่วนใหญ่ของโมเดลเปิดที่โดดเด่นมาจากห้องทดลองจีน ได้แก่ DeepSeek, Qwen, Kimi, GLM, MiniMax และ Tencent Hunyuan

Poolside ระบุว่า Laguna S 2.1 เป็น “การตอบสนองต่อช่องว่างในตะวันตก” เนื่องจากโมเดลขนาดกลางที่เปิดน้ำหนักไม่ได้มีการปล่อยออกมานับตั้งแต่ OpenAI gpt‑oss‑120b ในเดือนสิงหาคมที่ผ่านมา ตามคำกล่าวของ Jason Warner, Co‑CEO ของ Poolside ว่า “ตะวันตกต้องการโมเดลเปิดที่เชื่อถือได้ รันได้เอง และสามารถต่อยอดได้”

แนวทางนี้เป็นกลยุทธ์เพื่อดึงดูดลูกค้ารัฐบาลและองค์กรที่ต้องปฏิบัติตามข้อกำหนดด้านความปลอดภัยและอธิปไตยข้อมูล ซึ่งมักไม่สามารถใช้ API ปิดแบบเมตริกได้ การให้โมเดลเปิดจึงเป็นการสร้าง “top‑of‑funnel” สำหรับบริการปรับใช้ภายในขอบเขตความปลอดภัยสูงของ Poolside

Ecosystem, Pricing & Deployment

จากมุมมองด้านการนำไปใช้งาน Laguna S 2.1 รองรับการรันบนหลายแพลตฟอร์มทันทีตั้งแต่วันแรก โมเดลพร้อมให้บริการในห้องสมุดของ Baseten, Vercel AI Gateway และมีอินเทเกรชันกับ vLLM, SGLang, Ollama รวมถึง llama.cpp อีกด้วย รุ่นที่ถูกคอมเพรสเป็นไฟล์ 4‑bit GGUF ขนาด 75 GB สามารถใช้งานบนเครื่องส่วนบุคคลได้

ด้านราคา Poolside ให้บริการผ่าน OpenRouter โดยมี endpoint บริบทฟรีขนาด 256 K โทเคน และแพลนพิเศษที่รองรับบริบทสูงสุดถึง 1 ล้านโทเคนในอัตรา $0.10 ต่อหนึ่งล้านอินพุตโทเคน และ $0.20 ต่อหนึ่งล้านเอาต์พุตโทเคน ซึ่งต่ำกว่าคู่แข่งระดับแนวหน้าอย่างมาก

Transparency & Industry Impact

จุดเด่นอีกประการของการเปิดตัวคือการเผยแพร่ trajectory ทั้งหมดของแต่ละการทดลอง ในชุดทดสอบสุดท้ายบนแพลตฟอร์มของ Poolside นี่เป็นการกระทำที่หาได้ยากในวงการโมเดลใหญ่ซึ่งมักปกปิดข้อมูลเชิงลึกเพื่อรักษา “ความน่าเชื่อถือ” ของ AI

Pengming Wang, Co‑head of Applied Research ที่ Poolside กล่าวว่าการพัฒนานี้มาจาก “การตรวจสอบมากขึ้น, ลดการสรุปผลเร็วเกินไป, และเพิ่มความยืดหยุ่นในการทำงานของโมเดล” ซึ่งแสดงให้เห็นว่าไม่เพียงแต่ขนาดหรือความฉลาดโดยรวมเท่านั้นที่เป็นตัววัดศักยภาพ แต่ยังต้องพิจารณาวิธีการทำงาน (working habits) ของโมเดลเมื่อถูกใช้ในสภาพแวดล้อมเอเย่นต์อัตโนมัติ

การเปิดน้ำหนักและข้อมูลทั้งหมดนี้คาดว่าจะเร่งกระบวนการตรวจสอบเชิงวิชาการ เพิ่มความไว้วางใจให้กับองค์กรที่ต้องการโซลูชั่น AI ภายในเครือข่ายของตนเอง และอาจเป็นแรงผลักดันให้ห้องทดลองในตะวันตกเริ่มผลิตโมเดลเปิดขนาดกลางเพิ่มเติมอีกในอนาคต

Summary

Poolside เปิดตัว Laguna S 2.1 โมเดลโค้ดดิ้งแบบ open‑weight ที่ใช้สถาปัตยกรรม MoE เพื่อให้ประสิทธิภาพระดับสูงโดยใช้พารามิเตอร์ทำงานเพียง 8 พันล้าน ตัวโมเดลบรรลุผลคะแนนที่เหนือกว่าโมเดลหลายแสนถึงหลายหมื่นล้านพารามิเตอร์ในชุดทดสอบสำคัญและมาพร้อมกับราคาที่แข่งขันได้ พร้อมการเปิดเผยข้อมูลเชิงลึกทั้งหมดเพื่อเพิ่มความโปร่งใสให้แก่อุตสาหกรรม AI ของตะวันตก.