풀사이드 '라구나 S 2.1', 크기 이상의 성능 발휘하는 소형 코딩 모델
AI 기업 풀사이드(Poolside)가 총 1,180억 개의 매개변수(파라미터) 중 80억 개를 사용하는 전문가 혼합(MoE) 기반의 오픈 웨이트 코딩 모델 '라구나 S 2.1'을 공개했습니다. 이 모델은 스케일 확장보다 긴 에이전트 세션에서의 지속성과 검증 능력을 극대화하여 자신보다 10~20배 큰 대형 모델들을 압도하는 추론 및 코딩 성능을 보여줍니다. 특히 파이썬 없이 수학 난제를 증명하고 빈 폴더에서 브라우저 엔진을 구축하는 등 뛰어난 작업 완수 능력을 입증하며 소형화된 코딩 AI의 새로운 가능성을 제시했습니다.
풀사이드의 라구나 S 2.1은 크기에 비해 훨씬 뛰어난 성능을 발휘하는 소형 오픈 웨이트(Open-weight) 코딩 모델입니다.조나단 켐퍼(Jonathan Kemper) 작성 | THE DECODER가 프롬프트한 '나노 바나나 프로(Nano Banana Pro)' 이미지 | 2026년 7월 23일
풀사이드(Poolside)가 3개월 만에 세 번째 코딩 모델인 라구나 S 2.1(Laguna S 2.1)을 공개했습니다. 이 전문가 혼합(Mixture-of-Experts, MoE) 모델은 80억 개의 활성 매개변수(파라미터)를 사용하며, 단순한 크기 확장보다는 긴 에이전트 세션(Agentic session) 동안 더 나은 행동 양식을 보이는 데 중점을 두었습니다.
미국 기반의 풀사이드는 라구나 S 2.1이 동일한 규모의 다른 에이전트 코딩 모델들을 뛰어넘으며, 때로는 자신보다 10~20배 큰 시스템에 근접하는 성능을 낸다고 밝혔습니다. 이 모델은 총 1,180억 개의 매개변수를 가지고 있으며 토큰당 80억 개를 활성화합니다. 최대 100만 토큰의 컨텍스트 윈도우를 지원하며, 사고(Thinking) 모드와 비사고(No-thinking) 모드를 제공합니다.
풀사이드는 2026년 4월 라구나 M.1 및 XS.2를 출시하며 처음으로 일반 대중에게 모델을 공개했습니다. 그 이전까지 이 회사는 정부 및 공공 부문 고객에게만 집중해 왔습니다. XS.2는 또한 아파치 2.0(Apache 2.0) 라이선스를 따르는 첫 오픈 모델이었습니다. 라구나 S 2.1은 약 3개월 만에 출시된 해당 시리즈의 세 번째 버전입니다.
라구나 S 2.1, 훨씬 더 큰 오픈 모델들을 격파하다 사고 모드를 활성화하면 라구나 S 2.1은 모델의 장기 터미널 작업 수행 능력을 평가하는 터미널 벤치 2.1(Terminal-Bench 2.1)에서 70.2%의 점수를 기록합니다. 이는 텐센트(Tencent)의 Hy3(295B-A21B) 바로 뒤를 차지하며, 딥시크-V4-프로-맥스(DeepSeek-V4-Pro-Max), 네모트론 3 울트라(Nemotron 3 Ultra), 씽킹 머신즈 랩(Thinking Machines Lab)의 데뷔 모델을 포함한 훨씬 더 큰 오픈 모델들을 앞서는 결과입니다. 전체 리더보드는 OpenAI의 GPT-5.6 Sol, 앤스로픽(Anthropic)의 클로드 페이블 5(Claude Fable 5), 그리고 Kimi K3가 이끌고 있습니다.
풀사이드는 데이터커브(Datacurve)의 딥SWE(DeepSWE) 벤치마크가 점수 폭이 더 넓게 분산되어 있어 더 나은 비교 기준이 된다고 밝혔습니다. 라구나 S 2.1은 여기서 40.4%를 기록한 반면, 일부 1조 개 이상의 매개변수를 가진 오픈 웨이트 모델들은 10% 미만에 머물렀습니다. 또한 이 모델은 다국어 SWE 벤치(SWE-Bench Multilingual), SWE 벤치 프로(SWE-Bench Pro), SWE 아틀라스(SWE Atlas)에서도 동급 최고 수준의 순위를 기록했습니다.
사고 모드는 성능에 큰 영향을 미칩니다. 이 모드를 끄면 라구나 S 2.1의 터미널 벤치 점수는 60.4%로 떨어지고, 딥SWE 점수는 16.5%로 하락합니다. 풀사이드는 이전의 어떤 라구나 모델도 두 모드 간에 이렇게 큰 성능 격차를 보인 적이 없다고 밝혔습니다.
풀사이드, '지속성'을 단순 확장의 대안으로 취급하다
풀사이드는 이번 출시가 모델 성능에 대한 더 넓은 철학을 반영한 것이라고 밝혔습니다. 회사는 릴리스 게시물에서 다음과 같이 작성했습니다. "우리가 이 모델에서 한 것은 반드시 지능을 더 추가한 것이 아니라, 더 유능한 모델로 이어지는 행동 양식을 개선한 것입니다. 더 많은 검증, 당연하게 여기는 태도의 감소, 성공을 너무 일찍 선언하지 않기, 그리고 더 끈기 있게 파고드는 것입니다."
이전 라구나 모델들은 종종 테스트 스위트를 부분적으로만 통과한 채 멈추거나, 한 두 단계만 더 있었으면 작동했을 방식을 포기하기도 했습니다. 풀사이드는 지속성, 검증, 실패한 접근 방식의 수정을 모델 자체의 규모 확장과 함께 성능을 높이는 두 번째 경로로 삼고 있습니다. 더 큰 규모의 라구나 모델은 이미 사전 학습(Pre-training) 단계에 들어간 상태입니다.
풀사이드는 세 건의 문서화된 시험 실행으로 자신들의 주장을 뒷받침합니다. 한 번의 시험에서 라구나 S 2.1은 빈 폴더에서 시작해 50분 만에 HTML과 CSS를 렌더링 할 수 있는 작동하는 브라우저 엔진을 구축했습니다. 다른 시험에서는 파이썬(Python)이 없는 샌드박스 환경에서 작업하던 중, 1975년부터 풀리지 않았던 수학 문제인 에르되시 문제 #397(Erdos Problem #397)의 증명을 찾아냈습니다. 풀사이드는 이 결과가 독립적인 재발견이라고 밝혔습니다. GPT-5.2 Pro는 2026년 1월에 이 문제와 다른 여러 문제를 해결했으며, 라구나의 학습 데이터는 2025년 11월에 끊겼습니다.
40만 9,000개 환경에 걸친 사후 학습이 성능 향상을 이끌다
풀사이드는 XS 2.1에서 S 2.1로의 도약이 새로운 사전 학습 데이터가 아닌, 스케일링과 사후 학습(Post-training)에서 주로 비롯되었다고 밝혔습니다. 에이전트 학습 단계는 40만 9,000개의 환경을 다루었으며, 여기에는 터미널 작업용 8만 3,000개와 소프트웨어 엔지니어링 워크플로우용 16만 8,000개가 포함되었습니다. 가장 큰 단일 출처는 약 1만 7,000개의 리포지토리에서 나온 실제 커밋 약 3만 8,000 건이었습니다.
새로운 작업 카테고리는 모델이 스스로 리포지토리를 설치하고, 모든 종속성을 설정하며, 테스트 스위트를 실행하도록 훈련시켰습니다. 풀사이드는 롤아웃 예산을 늘려...