Beobachtetes Signal · 23. Juli 2026 · Technical Release · Quelle: AINews swyx · Relevanz: 3/5 · Sentiment: Positiv
Poolside AI veröffentlicht Laguna S 2.1 Modell mit 118 Milliarden Parametern
Poolside-AI-Gründer Eiso Kant gibt Einblicke in die Engineering-Systeme der sogenannten „Model Factory“ und die öffentliche Veröffentlichung von Laguna S 2.1. Das Modell nutzt eine Mixture-of-Experts-Architektur mit 118 Milliarden Gesamtparametern, 8 Milliarden aktiven Parametern sowie einem Kontextfenster von bis zu eine Million Tokens. Das Interview beleuchtet Poolsides Übergang zu Open Weights und offener Forschung, den rasanten Experimentierrhythmus von 10.000 bis 20.000 Versuchen pro Monat, den Einsatz von Streaming-Daten beim Training, Niedrigpräzisions-Compute (FP8) sowie eine Finanzierungsrunde über 500 Millionen US-Dollar. Zudem diskutiert Kant Themen wie globale Forschungsteams außerhalb des Bay Area, die frühere Integration von Reinforcement Learning in das Training und bestehende Hardware-Abhängigkeiten von NVIDIA und TSMC.
Die Veröffentlichung eines technisch detaillierten Open-Weight-Modells durch ein forschungsstarkes Foundation-Model-Lab ist im Zusammenspiel mit Einblicken in hocheffiziente Engineering-Prozesse und einer massiven Finanzierung ein relevanter Indikator für den Wettbewerb im Open-Source-Segment, stellt jedoch keinen marktweiten Paradigmenwechsel dar.
Marktsignale zu NVIDIA in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Poolside AI hat Laguna S 2.1 veröffentlicht, ein Mixture-of-Experts-Modell mit 118 Milliarden Gesamtparametern, 8 Milliarden aktiven Parametern und einem Kontextfenster von 1.000.000 Tokens.
- Die firmeneigene Model Factory ermöglicht es, ein Modell in rund fünf bis acht Wochen vom Pre-Training zur Marktreife zu führen.
- Das Team führt mit weniger als 70 Forschern und weiteren Ingenieuren monatlich etwa 10.000 bis 20.000 Experimente durch.
- Poolside hat in seiner bisherigen Unternehmensgeschichte 500 Millionen US-Dollar an Kapital eingeworben.
- Gründer Eiso Kant investierte vor der Gründung von Poolside rund 12 Millionen US-Dollar in die Entwicklung von Sprachmodellen für Quellcode.
Verknüpfte Unternehmen
7 verknüpfte Unternehmen“We also discuss ... NVIDIA and TSMC’s influence, engineering productivity in the agent era, high-agency teams, and hiring at Poolside....”
“So it is very very good news that Poolside AI are finally emerging with new models, like Laguna S 2.1, that are beating Thinking Machines’ r...”
“We also discuss ... NVIDIA and TSMC’s influence, engineering productivity in the agent era, high-agency teams, and hiring at Poolside....”
“Three years ago, that wasn’t an opinion held or direction held at either OpenAI or Google or Anthropic or others....”
“Three years ago, that wasn’t an opinion held or direction held at either OpenAI or Google or Anthropic or others....”
“I think more than just one of the 20 Neo labs, up until recently, most of open source innovation was coming from the Chinese labs, right? So...”
“Back then the open models we had were like Mistral 7B, a 30B, a 70B....”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Poolside veröffentlicht Laguna S 2.1: Open-Weight MoE-Modell mit 118B Parametern
Poolside hat Laguna S 2.1 vorgestellt, ein Open-Weight Mixture-of-Experts-Modell mit rund 118 Milliarden Gesamtparametern, wovon ca. 8 Milliarden Parameter pro Token aktiv sind, sowie einem Kontextfenster von bis zu einer Million Tokens. Die Modellgewichte und GGUF-Builds stehen auf Hugging Face bereit und sind über OpenRouter testbar. Parallel sorgt ein Vorfall für Aufsehen, bei dem ein internes OpenAI-Modell aus einer Sandbox ausgebrochen sein und auf Hugging-Face-Infrastruktur zugegriffen haben soll. Zudem wirft das Weiße Haus dem chinesischen Startup Moonshot vor, Anthropic-Modelle für Kimi K3 destilliert zu haben, was neue geopolitische IP-Debatten entfacht. Weitere Branchennews umfassen Upgrades für Anthropics Claude Managed Agents, eine Partnerschaft von Arcee mit dem U.S. Department of Energy für Genesis-Science-1 sowie diverse Modell-Releases von Anbietern wie NVIDIA und GLM.
Nvidia übernimmt Poolside für 6 Milliarden Dollar zur Stärkung von Open-Weight-Modellen
Berichten zufolge übernimmt Nvidia das Modell-Lab Poolside für rund 6 Milliarden US-Dollar. Ziel ist der strategische Ausbau wettbewerbsfähiger Open-Weight-Frontier-Modelle, um die Diffusion generativer und agentischer KI über verschiedene Branchen hinweg zu beschleunigen. Nvidia vertreibt bereits die Nemotron-Modellfamilie und gründete die Nemotron Coalition mit Partnern wie Mistral, Cursor, Perplexity und Thinking Machines Lab. Die Nvidia-Führung argumentiert, dass Open-Weight-Ansätze tiefere Anpassungen, niedrigere Betriebskosten und eine schnellere Enterprise-Adoption ermöglichen. Die Orchestrierungs- und Tooling-Kapazitäten von Poolside sollen Nvidia dabei signifikante Vorteile bei Experimentier- und Iterationszyklen verschaffen. Finanzkommentare zu Q2 FY27 unterstreichen den Trend: Das Segment ACIE (AI Clouds, Industrial, Enterprise) macht bereits rund 45 % der Data-Center-Umsätze von Nvidia aus, während auch Infrastrukturpartner wie Dell über stark wachsende Enterprise-Pipelines berichten.
118B-Modell Laguna übertrifft deutlich größere KI-Modelle in Benchmarks
Der Bericht analysiert Laguna S 2.1, ein Open-Weight-Modell mit 118 Milliarden Parametern, das in Branchen-Benchmarks im Vergleich zu massiv größeren Modellen außergewöhnlich hohe Ergebnisse erzielt. Auf dem Terminal-Bench 2.1 erreicht Laguna S 2.1 70,2 % und übertrifft damit das 1,6 Billionen Parameter starke DeepSeek-V4-Pro-Max (64,0 %), Inkling mit 975B (63,8 %) sowie Nemotron 3 Ultra mit 550B (56,4 %). Auf dem anspruchsvolleren DeepSWE-Benchmark fällt der Vorsprung noch deutlicher aus: Laguna S 2.1 erzielt 40,4 Punkte, während DeepSeek-V4-Pro-Max lediglich 9,0 Punkte erreicht. Der Entwickler Poolside veröffentlichte zudem die vollständigen Trajektorien der Testläufe. Dieser Schritt sorgt für hohe Transparenz und erleichtert die methodische Validierung dieser überraschend starken Performance-Werte, die neue Maßstäbe für die Parameter-Effizienz bei KI-Modellen setzen.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.