AI 코딩 회사 Poolside가 7월 21일 코딩에 특화한 파운데이션 모델 Laguna S 2.1을 공개했어요. 전체 1180억 개 파라미터 중 입력마다 80억 개만 쓰는 구조라 크기가 작은데도, SWE-Bench 다국어에서 78.5%를 기록하며 몇 배 큰 모델들과 코딩 벤치마크에서 겨뤘어요. 무엇보다 모델 가중치를 허깅페이스에 공개해 직접 내려받아 자체 서버에서 돌릴 수 있고, 컨텍스트 길이도 최대 100만 토큰까지 지원해요.
용어 풀이
- SWE-bench
- AI가 실제 깃허브 이슈를 코드 수정으로 해결하는 능력을 재는 코딩 벤치마크
- MoE (Mixture-of-Experts)
- 전체 신경망 중 입력마다 일부 전문가 부분만 골라 활성화해 계산량을 줄이는 모델 구조
- 오픈웨이트(open weights)
- 학습이 끝난 모델의 가중치를 공개해 누구나 내려받아 자체 환경에서 실행할 수 있게 한 배포 방식
- 파운데이션 모델(foundation model)
- 대규모 데이터로 미리 학습해 여러 작업에 두루 쓰도록 만든 대형 기반 모델
운영자 인사이트
코드를 외부 API로 보낼 수 없는 사내망·규제 환경에서 직접 돌리는 코딩 모델 선택지가 하나 늘었다는 게 실무적으로 의미가 커요. 4비트로 약 59GB라 장비 한 대에 올릴 만하고요. 다만 Claude·GPT 같은 상용 최상위 모델과는 아직 10~15%p 벌어져 있고, 높은 점수는 대부분 토큰을 많이 먹는 '생각(thinking) 모드'에서 나온다는 점은 감안해야 해요.
여러 관점으로 보기
- 공식 발표 Poolside가 1180억 파라미터 MoE 구조에 최대 100만 토큰 컨텍스트를 갖춘 Laguna S 2.1을 가중치까지 공개했다고 밝혀요. Poolside
- 개발자 반응 HN에서는 작은 크기로 큰 모델을 이긴 점에 환호하면서도, 벤치마크는 늘 좋아 보인다는 회의와 양자화 버전 버그 제보도 나와요. Hacker News
- 경쟁·한계 DeepSeek·Qwen에 맞선 서구의 응답으로 평가받지만, OpenAI·Anthropic 상용 모델에는 여전히 10~15%p 뒤진다고 짚어요. The Next Web
- 벤치마크 비교 SWE-Bench 다국어 78.5% 등으로 몇 배 큰 모델과 겨루지만, 높은 점수는 토큰을 많이 쓰는 thinking 모드에서 나온다고 전해요. MarkTechPost