Poolside, 코드 특화 MoE 'Laguna S 2.1' 공개: 8B 활성화로 거대 모델과 맞대결

Laguna S 2.1은 Poolside가 공개한 오픈 가중치 코드 특화 AI 모델이다. 로컬 하드웨어나 자체 인프라에서 긴 시간 동안 오류를 고쳐가며 진행해야 하는 고난도 소프트웨어 개발 작업을 수행할 수 있도록 설계됐다.

총 매개변수는 118B 규모이지만 전문가 혼합(MoE) 아키텍처를 채택해 토큰당 실제 활성화되는 매개변수는 8B에 불과하다. 추론 비용을 대폭 낮추면서도 최대 1M 토큰(약 70만 단어 분량)에 달하는 방대한 문맥 창을 완벽하게 지원한다.

학습 시작부터 배포까지 걸린 시간은 9주 미만이다. 현재 모델 가중치는 Hugging Face에 완전히 공개되어 있으며, 벤치마크 평가 당시 모델이 수행한 모든 작업 기록과 궤적도 공식 사이트를 통해 투명하게 내려받을 수 있다.

실제로 무엇을 할 수 있는가

이 모델의 핵심 경쟁력은 터미널 환경에 접속해 코드를 직접 실행하고, 실패하면 스스로 디버깅하며 끝까지 목표를 달성하는 자율 에이전트 능력이다.

사고 모드와 일반 모드를 지원하며 기본값으로 최대 사고 모드가 켜져 있다. 복잡한 장기 작업을 평가하는 DeepSWE 벤치마크에서는 사고 모드를 켰을 때 점수가 16.5%에서 40.4%로 수직 상승한다. Terminal-Bench 2.1에서도 70.2%를 기록해 매개변수가 수배 이상 크거나 조 단위에 달하는 초대형 모델들과 대등하게 경쟁한다.

실제 사례도 인상적이다. 빈 폴더에서 순수 자바스크립트로 HTML/CSS 렌더링 엔진을 바닥부터 만드는 테스트에서, 모델은 사람의 개입 없이 50분 동안 181개 단계를 거쳐 엔진을 완성했다. 시각 기능이 없다는 한계를 극복하기 위해 스스로 헤드리스 크로미움을 구동하고 스크린샷 픽셀 수치를 대조해 가며 렌더링 결과를 스스로 검증해 냈다.

내부 프레임워크 최적화 테스트에서는 비효율적인 문자열 결합을 버퍼 구조로 바꾸고 불필요한 메모리 할당을 제거해 프레임워크 속도를 5.2% 끌어올리고 메모리 사용량을 약 70% 줄이는 성과를 내기도 했다.

하드웨어 요구 사양과 한계

로컬 머신에 올릴 경우 원본 모델 크기는 약 235GB로 DGX Spark 급의 고사양 워크스테이션이 요구된다. 다만 커뮤니티와 공식 채널을 통해 NVFP4 양자화 버전이 공개되어 있으며, 이 경우 약 71GB 수준으로 용량이 크게 줄어들어 구동 부담이 한결 낮아진다.

함께 공개된 33B(활성화 3B) 크기의 초소형 XS 버전의 경우, 실제 로컬 테스트 결과 동급 체급의 Qwen 3.6 모델들에 비해 성능이 다소 아쉽다는 평가가 지배적이다. 제대로 된 에이전트 성능을 경험하려면 118B S 버전을 선택하는 편이 좋다.

주의할 점도 있다. 외부 에이전트 도구(예: Hermes Agent)를 연동할 때 학습 데이터에 있던 인터페이스 형식을 고집하다 스키마 에러를 내는 경우가 종종 발생한다. 복잡한 중첩 JSON 형식을 입력받는 도구에서도 오류가 날 수 있어, 에이전트 하네스 단에서 에러 피드백을 주고 재시도를 유도하는 장치가 필요하다.

왜 중요한가

핵심 소스 코드를 외부 클라우드 API로 전송하기 꺼려지는 개발팀에게 Laguna S 2.1은 사내 인프라에서 자율 코딩 에이전트를 구축할 수 있는 실질적인 대안이다. 8B 수준의 가벼운 추론 속도로 1M 토큰 전체를 읽어 들일 수 있어 대형 프로젝트의 리팩토링이나 자동 디버깅 환경에 매우 적합하다.

우리는 Poolside가 무리하게 모델 크기를 키우는 대신 MoE를 활용해 추론 효율과 에이전트의 끈질긴 문제 해결력에 집중한 점을 높이 평가한다. 아직 외부 툴 규격 연동에 거친 면이 남아있지만, 피드백 루프가 갖춰진 샌드박스 환경에 투입한다면 오픈소스 진영에서 손꼽히게 쓸만한 개발 파트너가 될 것이다.