AI 스타트업 풀사이드(Poolside)가 장기 코딩 작업과 추론 능력을 대폭 강화한 대규모 언어모델(LLM) '라구나 S 2.1(Laguna S 2.1)'을 출시했습니다. 이 모델은 총 118B(1,180억) 매개변수 중 토큰당 8B(80억) 매개변수를 활성화하는 전문가 혼합(Mixture-of-Experts, MoE) 구조를 채택했으며, '사고(thinking)' 및 '비사고(no-thinking)' 모드 모두에서 최대 1M(100만) 토큰의 컨텍스트(문맥) 길이를 지원합니다. 학습 시작부터 출시까지 9주 미만이 소요되는 놀라운 개발 속도를 보여주며, 복잡한 소프트웨어 엔지니어링 벤치마크에서 기존 대형 모델들과 경쟁하는 높은 성능을 달성했습니다.
라구나 S 2.1은 단순한 모델 규모 확장보다는 '지속성', '검증', '후퇴 후 재시도'와 같은 작업 방식 개선에 중점을 두어 성능을 향상시켰습니다. 예를 들어, Terminal-Bench 2.1에서 70.2%, SWE-Bench Multilingual에서 78.5%, DeepSWE v1.1에서 40.4%를 기록하며, 일부 1T(1조) 이상 매개변수 모델보다 뛰어난 결과를 보였습니다. 특히 빈 폴더에서 181단계 만에 HTML/CSS 렌더링 엔진을 구축하거나, 자체 에이전트 하네스 속도를 5.2% 높이고 메모리 할당을 약 70% 절감하는 등 실제 작업에서 인상적인 성과를 입증했습니다. 또한, 50년 넘게 미해결이었던 Erdős 문제 #397의 무한 해 집합을 독립적으로 재발견하기도 했습니다. 풀사이드는 모델과 최종 평가의 전체 실행 궤적을 투명하게 공개하여 신뢰도를 높였습니다.
이번 라구나 S 2.1 출시는 AI 에이전트의 코딩 역량과 문제 해결 능력에 대한 새로운 가능성을 제시합니다. 특히, 모델이 웹에 기록된 답을 단순히 찾는 것을 넘어, 그 답에 도달하는 '사고 과정'을 강화학습(RL)으로 복원하려는 풀사이드의 접근 방식은 향후 AI 개발의 중요한 방향성을 시사합니다. 빠른 개발 주기와 효율적인 MoE 구조는 대규모 AI 모델 개발의 새로운 표준을 제시하며, 단일 NVIDIA DGX Spark에서도 실행 가능한 작은 활성 크기는 더 많은 개발자가 AI 에이전트 기술에 접근할 수 있도록 돕습니다. 이는 소프트웨어 개발, 특히 장기적이고 복잡한 코딩 작업에서 AI의 활용 범위를 넓히고 생산성을 혁신할 잠재력을 가지고 있습니다.