San Francisco merkezli yapay zeka laboratuvarı Poolside, 118 milyar parametreli Laguna S 2.1 adlı yeni kodlama modelini piyasaya sundu. Model, kendisinden 10 kat daha büyük rakip sistemleri kod yazma görevlerinde geride bırakıyor ve açık ağırlıklar olarak tam erişimle yayınlandı.

Kompakt Tasarımla Büyük Performans

Laguna S 2.1, Mixture-of-Experts (MoE) mimarisi sayesinde sadece 8 milyar parametreyi token başına etkinleştirerek çalışıyor ve 1 milyon token'a kadar bağlam penceresini destekliyor. Poolside'ın benchmarklerine göre model, Terminal-Bench 2.1 sınavında 70,2% puan alarak listelemede 11. sıraya yerleşti. Bu sonuç, 1,6 trilyon parametreli DeepSeek-V4-Pro-Max'ın 64,0% puanından, 975 milyar parametreli Thinking Machines'in Inkling modelinin 63,8% puanından ve Nvidia'nın 550 milyar parametreli Nemotron 3 Ultra'nın 56,4% puanından daha iyi bir performans gösteriyor.

Batı'nın Açık Ağırlık Modellerine Yanıt

Poolside co-CEO'su Jason Warner, modeli açıktan yayınladığı açıklamada Batı'nın güvenebileceği, çalıştırabileceği ve geliştireceği açık ağırlık modellere ihtiyaç duyduğunu vurguladı. Co-founder Eiso Kant, sosyal medyada yapılan paylaşımda zekânın bir meta olması gerektiğini savunarak, açık ekosisteminin kendi kategorisinde en iyi olmakla kazanamayacağını, kullanıcıların görev için en iyi zekâyı istediklerini ifade etti. Geçen 11 ay boyunca batılı bir laboratuvardan bu boyuttaki açık ağırlıklar yayınlanmamıştı.

Hız ve Verimlilik Stratejisi

Model, Mayıs'ın 22'nde eğitime başladıktan sonra dokuz haftada halka açıldı ve 4.096 Nvidia H200 GPU'da eğitildi. Poolside son üç ayda üç farklı model piyasaya sürmeyi başardı. Şirket, kamu, savunma ve düzenlenmiş kuruluşların iç güvenlik sınırlarında modeller konuşlandırma konusundaki çekirdek işine odaklanırken, açık ağırlık modellerini yayınlama kararı hem ekosistem stratejisi hem de yüksek güvenlik dağıtım işi için potansiyel müşterileri çekmeye yönelik bir başlangıç stratejisidir.

Ne anlama geliyor?

Bu gelişme, yapay zeka geliştirme alanında belirgin bir paradigma değişimini temsil ediyor. Kod yazma ve yazılım geliştirme görevleri söz konusu olduğunda, daha büyük modellerin mutlaka daha iyi sonuç verdiği anlayışı artık geçerli değil. Özel mimari tasarımlar ve etkili parametre kullanımı sayesinde çok daha kompakt sistemler, ölçekli rakiplerinin performansını eşitleyebilir veya geçebilir hale gelmiştir.

Kurumsal düzey uygulamalar için bu, operasyonel maliyetlerin önemli ölçüde düşebileceği anlamına geliyor. Daha küçük modeller daha az hesaplama gücü gerektiğinden, işletmeler kendi altyapılarında çalıştırabilir, veri egemenliği ve gizlilik endişelerini hafifletebilir. Özellikle yalnızca uzaktan sunucu üzerinden erişim sağlayan kapalı sistemlere güvenemeyen güvenlik-hassas sektörlerde bu tür çözümler tercih edilebilir hale gelmektedir.

Açık ağırlık modellerinin erişilebilirliği, geliştirici topluluğunun bunları inceyebileceği, hataları rapor edebileceği ve iyileştirebileceği anlamına geliyor. Bu saydamlık, kapalı sistemlerde mümkün olmayan derecede güven sağlarken aynı zamanda hızlı iterasyon ve iyileştirmeyi destekliyor. Sektörde, ham ölçek ve sınırsız bütçeye sahip olmayan kuruluşların bile rekabetçi kalmalarının yollarını açmaktadır.