Neue KI-Modelle von Poolside: Laguna XS.2 und M.1 im Fokus der Softwareentwicklung

Poolside stellt neue KI-Modelle Laguna XS.2 und M.1 vor: Ein Blick auf die Zukunft des agentischen Codings

Das KI-Labor Poolside hat mit seinen neuesten Veröffentlichungen, den Modellen Laguna XS.2 und Laguna M.1, signifikante Fortschritte im Bereich der künstlichen Intelligenz für Softwareentwicklung erzielt. Diese Modelle, die auf agentisches Coding spezialisiert sind, versprechen, die Art und Weise, wie Entwickler mit Code interagieren und komplexe Probleme lösen, maßgeblich zu verändern. Besonders hervorzuheben ist die Open-Weight-Veröffentlichung von Laguna XS.2, die das Engagement des Unternehmens für die Open-Source-Gemeinschaft unterstreicht.

Laguna XS.2: Ein leichtgewichtiges Kraftpaket für Entwickler

Das Modell Laguna XS.2 ist ein 33 Milliarden Parameter großes Mixture-of-Experts (MoE)-Modell mit 3 Milliarden aktiven Parametern. Es wurde entwickelt, um effizient auf einer einzigen GPU zu laufen und bietet dennoch eine bemerkenswerte Leistungsfähigkeit. Poolside betont, dass XS.2 in der Lage ist, mit Modellen zu konkurrieren, die um ein Vielfaches größer sind, insbesondere bei agentischen Coding-Aufgaben. Die Verfügbarkeit unter der Apache 2.0 Lizenz ermöglicht es Entwicklern, das Modell frei zu nutzen, anzupassen und darauf aufzubauen, was zu einer schnelleren Innovation im Open-Source-Bereich beitragen soll.

Die Entscheidung, Laguna XS.2 als Open-Weight-Modell zu veröffentlichen, spiegelt Poolsides Überzeugung wider, dass eine starke Open-Weight-Landschaft im Westen entscheidend ist. Durch die Bereitstellung der Gewichte für die Gemeinschaft hofft das Unternehmen, Feedback und Zusammenarbeit zu fördern, um die Entwicklung der Laguna-Familie weiter voranzutreiben.

Laguna M.1: Leistungsstark für komplexe Aufgaben

Parallel zu XS.2 hat Poolside auch Laguna M.1 vorgestellt, sein bisher leistungsfähigstes Modell. Dieses proprietäre MoE-Modell verfügt über 225 Milliarden Parameter, von denen 23 Milliarden aktiv sind. Laguna M.1 wurde speziell für anspruchsvolle agentische Coding-Aufgaben und langfristige Projekte entwickelt. Es ist darauf ausgelegt, komplexe Software-Engineering-Probleme zu lösen, die ein hohes Maß an Schlussfolgerungen und Planung erfordern.

Beide Modelle wurden von Grund auf in Poolsides "Model Factory" trainiert, einer internen Plattform, die für das Training, die Skalierung und das Experimentieren mit grundlegenden Modellen konzipiert ist. Dieser Ansatz beinhaltet die Verwendung von synthetischen Daten, Reinforcement Learning von Code-Ausführung und optimierte Trainingsalgorithmen wie den Muon-Optimierer, der das Modelltraining um etwa 15% beschleunigen soll.

Benchmarking und Leistung

Die Leistung der Laguna-Modelle wurde auf verschiedenen Benchmarks bewertet, darunter SWE-Bench Pro, einem Standard zur Messung der Fähigkeit von KIs, reale Softwareprobleme zu lösen. Laguna M.1 erreichte auf SWE-Bench Pro einen Wert von 46,9%, was es in die Nähe von Modellen wie Qwen-3.5 und DeepSeek V4-Flash bringt. Laguna XS.2 zeigte mit 44,5% auf SWE-Bench Pro eine vergleichbar starke Leistung, was seine Effizienz bei einer deutlich geringeren Parameterzahl unterstreicht. Auf SWE-Bench Verified erreichte M.1 72,5%, während XS.2 auf Terminal-Bench 2.0 mit 30,1% überzeugte und damit Modelle wie Claude Haiku 4.5 übertraf.

Diese Ergebnisse deuten darauf hin, dass Poolsides Fokus auf agentisches Reinforcement Learning und die Kuration synthetischer Daten es den kleineren Modellen ermöglicht, in Leistungsklassen vorzudringen, die normalerweise dichteren Architekturen vorbehalten sind. Es ist jedoch zu beachten, dass Benchmarking-Ergebnisse, insbesondere solche, die von den Entwicklern selbst veröffentlicht werden, mit einer gewissen Vorsicht zu betrachten sind, da die genauen Testbedingungen variieren können.

Neue Tools für die Entwicklergemeinschaft

Um die Interaktion mit den Laguna-Modellen zu optimieren, hat Poolside zwei neue Produkte vorgestellt:

• pool: Ein terminalbasierter Coding-Agent, der als Agent Client Protocol (ACP)-Server fungiert. Dieses Tool ist auch intern bei Poolside für das Reinforcement Learning-Training im Einsatz und soll Entwicklern eine nahtlose Integration in ihre lokalen Umgebungen ermöglichen.
• Shimmer: Eine Cloud-Entwicklungsumgebung, die eine sofort einsatzbereite Virtual Machine-Sandbox bietet. Shimmer ermöglicht es Entwicklern, Web-Anwendungen, APIs und CLIs mit den Laguna-Modellen zu iterieren. Eine besondere Eigenschaft ist die Portabilität, die es ermöglicht, Shimmer auch auf mobilen Geräten zu nutzen.

Die Mission von Poolside: Agentische KI für die Softwareentwicklung

Poolside verfolgt die Vision, die Softwareentwicklung durch künstliche allgemeine Intelligenz (AGI) zu revolutionieren. Das Unternehmen ist davon überzeugt, dass Softwareentwicklung der ultimative Indikator für allgemeine Intelligenz ist, da sie langfristige Planung, komplexes Denken und die Manipulation abstrakter Systeme erfordert. Im Gegensatz zu herkömmlichen KI-Agenten, die auf die Nutzung vordefinierter Tools beschränkt sind, sollen Poolsides Agenten in der Lage sein, eigenen Code zu schreiben und auszuführen, um Probleme zu lösen.

Diese Herangehensweise, die das Erstellen von Systemen anstelle des bloßen Verwendens von Tools in den Vordergrund stellt, markiert eine potenzielle Evolution in der Interaktion von KI mit der digitalen Welt. Poolside sieht in Reinforcement Learning den wichtigsten Skalierungsfaktor für Modellintelligenz und -fähigkeiten, da es das Lernen aus neuen Erfahrungen und die Dekompression menschlichen Wissens ermöglicht.

Lokale Ausführung und Hardwareanforderungen

Für Entwickler, die Laguna XS.2 lokal ausführen möchten, sind die Hardwareanforderungen zu beachten. Für Apple Silicon-Geräte wird beispielsweise mindestens 36 GB Unified Memory benötigt. Für PC- und Linux-Nutzer können mit 4-Bit-Quantisierung (Q4) Grafikkarten mit 24 GB bis 32 GB VRAM, wie eine RTX 5090, ausreichend sein. Die vollständigen Modelle erfordern jedoch mehr Speicherplatz, wobei komprimierte Versionen für lokale "Agent"-Aufgaben zwischen 20 und 35 GB benötigen. Tools wie Ollama oder Poolsides eigener Agent "pool" werden für eine optimale lokale Nutzung empfohlen.

Fazit

Die Veröffentlichung der Laguna XS.2 und Laguna M.1 Modelle durch Poolside stellt einen bemerkenswerten Schritt in der Entwicklung von KI für die Softwareentwicklung dar. Insbesondere die Open-Weight-Strategie für Laguna XS.2 könnte das Wachstum und die Innovation im Open-Source-Bereich vorantreiben. Die Konzentration auf agentisches Coding und die vielversprechenden Benchmark-Ergebnisse positionieren Poolside als einen Akteur, dessen Entwicklungen für die B2B-Zielgruppe von Mindverse von Relevanz sein könnten, da sie neue Möglichkeiten für die Automatisierung und Optimierung von Softwareentwicklungsprozessen eröffnen.

Bibliographie

• Kant, Eiso. "Introducing Laguna XS.2 and Laguna M.1 — Poolside." Poolside Blog, [Datum nicht verfügbar].
• Poolside. "Models — Poolside." https://poolside.ai/models
• Poolside. "Our vision: Research — Poolside." https://www.poolside.ai/vision/research
• Paramkusam, Satvik. "Qwen3.6-35B-A3B: 73.4% SWE-Bench, Runs Locally." Build Fast with AI, 20. April 2026.
• Scale Labs. "SWE-Bench Pro: AI on Software Engineering Tasks." https://labs.scale.com/papers/swe_bench_pro
• Innocent, Ashley. "Qwen3.6-Plus API: Beats Claude on Terminal Benchmarks." Apidog Blog, 2. April 2026.
• SWOTanalysis.com. "Poolside SWOT Analysis & Strategic Plan 2025-Q4." 5. Oktober 2025.
• VentureBeat. "American AI startup Poolside launches free, high-performing open model Laguna XS.2 for local agentic coding." 28. April 2026.