Poolside Laguna XS.2 ist kein normales Chatmodell, sondern ein auf Softwareentwicklung spezialisiertes Open-Weight-Modell. Für Mac-Nutzer ist es vor allem deshalb relevant, weil Poolside es als lokal nutzbares Coding-Modell positioniert: 33B Gesamtparameter, aber nur rund 3B aktive Parameter pro Token. Dadurch entsteht ein Modell, das deutlich größer wirkt als ein klassisches 3B-Modell, aber nicht die vollen Kosten eines dichten 33B-Modells trägt.
Entscheidend ist der Modellname: Laguna XS.2, auf Hugging Face poolside/Laguna-XS.2. Laguna XS 2.1 ist inzwischen ebenfalls als separates Poolside-Modell auf Hugging Face verfügbar; es ist keine bloße Such- oder Schreibvariante. Gewichte, Tags und Benchmarkstände dürfen deshalb nicht mit Laguna XS.2 vermischt werden. Poolside hat Laguna XS.2 am 28. April 2026 zusammen mit Laguna M.1 vorgestellt und am 26. Mai 2026 die Angaben zu Kontextlänge und Benchmarks aktualisiert. Die offiziellen Gewichte stehen unter Apache 2.0 auf Hugging Face bereit. Poolside Release Blog, Hugging Face Model Card, Laguna XS-2.1 Model Card
Passt Laguna XS.2 zu deinem Mac?
Für Entwickler mit etwa 36 GB Unified Memory ist Laguna XS.2 als lokales Coding-Modell grundsätzlich einsetzbar; 48 oder 64 GB bieten mehr Spielraum für Kontext, Tools und parallele Apps. Die veröffentlichten Vergleichswerte liegen hinter Qwen3.6-35B-A3B, und Macs mit 16 oder 24 GB sind für das Modell praktisch zu klein. Ollama- und MLX-Tags sowie die Apache-2.0-Lizenz sind dokumentiert, ersetzen aber keine Prüfung von Speicherbedarf und Laufzeit auf der eigenen Hardware.
Fakten zuerst
| Punkt | Stand |
|---|---|
| Modell | Poolside Laguna XS.2 |
| Offizieller Hugging-Face-Name | poolside/Laguna-XS.2 |
| Modelltyp | Mixture-of-Experts, text-to-text, Coding/Agentic Coding |
| Parameter | ca. 33B total, ca. 3B aktiv pro Token |
| Architektur | 40 Layer, 256 Experten plus 1 Shared Expert |
| Aufmerksamkeit | 10 globale Attention-Layer, 30 Sliding-Window-Layer |
| Kontext | Hugging Face: 262.144 Tokens; Ollama-Tags: 128K (GGUF/Standard) bzw. 256K (MLX: mxfp8, nvfp4, mlx-bf16) |
| Lizenz | Apache 2.0 |
| Lokale Tools | Ollama, MLX, vLLM, SGLang, Transformers |
| Mac-Einstieg | offiziell lokal-ready ab etwa 36 GB RAM |
Die technische Einordnung stammt vor allem aus der Model Card und dem Laguna M.1/XS.2 Technical Report. Der Report nennt für XS.2 33,4B Gesamtparameter und 3B aktive Parameter und beschreibt die Modelle als Mixture-of-Experts-Foundation-Modelle für lange agentische Coding-Aufgaben. Technical Report, Hugging Face Model Card
Welche Rolle spielt Unified Memory bei Laguna XS.2?
Apple-Silicon-Macs haben einen Vorteil, der bei lokalen KI-Modellen oft unterschätzt wird: CPU, GPU und Neural Engine greifen auf gemeinsamen Unified Memory zu. Das ersetzt keine High-End-NVIDIA-Karte, aber es macht größere lokale Modelle einfacher nutzbar als auf vielen klassischen Laptops mit getrennter GPU und wenig VRAM.
Die Kombination aus sparsamer Aktivierung und quantisierten Tags macht Laguna XS.2 für lokale Coding-Experimente auf größeren Macs relevant. Ollama listet zum Beispiel laguna-xs.2:latest und laguna-xs.2:q4_K_M mit je rund 23 GB, laguna-xs.2:nvfp4 (MLX) mit rund 19 GB, laguna-xs.2:mxfp8 (MLX) mit rund 39 GB, laguna-xs.2:q8_0 mit rund 37 GB sowie laguna-xs.2:bf16 und laguna-xs.2:mlx-bf16 mit je rund 67 GB. Diese Werte sind nicht identisch mit dem tatsächlichen RAM-Verbrauch, weil Kontextfenster, KV-Cache, Runtime und andere Apps zusätzlichen Speicher brauchen. Ollama Laguna XS.2
Für die Praxis folgt daraus:
| Mac-Konfiguration | Einschätzung |
|---|---|
| 16 GB RAM | Nicht sinnvoll für Laguna XS.2 |
| 24 GB RAM | Nur mit starker Quantisierung und wenig Spielraum, nicht empfehlenswert |
| 32 GB RAM | Grenzbereich: kleine Tags können starten, aber Kontext und Systemlast werden eng |
| 36 GB RAM | Offizieller Einstiegspunkt laut Model Card |
| 48 GB RAM | Mehr Reserve für lokale Tests und Kontext |
| 64 GB+ RAM | Deutlich angenehmer für längere Kontexte, Tools und parallele Apps |
Benchmarks im Vergleich zu Qwen3.6
Die aktuelle Hugging-Face-Model-Card nennt für Laguna XS.2 folgende Werte:
| Benchmark | Laguna XS.2 | Qwen3.6-35B-A3B | Claude Haiku 4.5 | Einordnung |
|---|---|---|---|---|
| SWE-bench Verified | 69,9 % | 73,4 % | 73,3 % | sehr stark, aber nicht führend |
| SWE-bench Multilingual | 57,7 % | 67,2 % | - | klar hinter Qwen3.6 |
| SWE-bench Pro | 46,3 % | 49,5 % | 39,5 % | stark für Open-Weight lokal |
| Terminal-Bench 2.0 | 35,7 % | 51,5 % | 29,8 % | besser als Haiku 4.5, deutlich hinter Qwen3.6 |
Diese Zahlen sind wichtig, aber sie sollten nicht isoliert gelesen werden. Poolside benchmarkte mit dem Harbor Framework und einem eigenen Agent Harness, maximal 500 Schritten, temperature=0.7 und top_k=20. SWE-bench Verified wurde über vier Runs gemittelt, SWE-bench Multilingual über sieben Runs, SWE-bench Pro über drei Runs und Terminal-Bench 2.0 über fünf Runs. Für Terminal-Bench 2.0 wurde laut Model Card eine stärkere Sandbox mit 48 GB RAM und 32 CPUs verwendet. Hugging Face Model Card
Falls du noch ältere Zahlen wie 68,2 Prozent auf SWE-bench Verified findest: Das liegt wahrscheinlich an früheren oder gespiegelten Model-Card-Ständen. Ollama zeigt teils noch die ältere 128K- und 68,2-Prozent-Tabelle, während die Hugging-Face-Model-Card die aktualisierten 262K-Tokens und 69,9 Prozent führt. Die Hugging-Face-Model-Card ist die primäre Quelle. Ollama Laguna XS.2, Hugging Face Commit zur Aktualisierung
Was bedeutet Mixture-of-Experts hier konkret?
Laguna XS.2 ist ein Mixture-of-Experts-Modell. Vereinfacht gesagt besitzt es viele spezialisierte Expertenschichten, aktiviert pro Token aber nur einen Teil davon. Das ist der Grund, warum die 33B Gesamtparameter nicht wie ein dichtes 33B-Modell gerechnet werden müssen. Poolside nennt 256 Experten plus einen Shared Expert und etwa 3B aktive Parameter pro Token.
Das ist besonders für lokale Coding-Modelle interessant. Beim Programmieren ist nicht nur rohe Sprachfähigkeit wichtig, sondern auch die Kombination aus Codeverständnis, Tool-Nutzung, Repository-Kontext und mehrschrittigem Arbeiten. XS.2 ist genau auf solche agentischen Coding-Szenarien trainiert: planen, Dateien lesen, Shell-Befehle ausführen, Fehler interpretieren, erneut testen.
262K Kontext: Speicher und Latenz bleiben die Engpässe
Ein 262K-Kontextfenster erweitert den verfügbaren Kontext, erhöht aber auch Speicherbedarf und Latenz. Es bedeutet nicht, dass ein komplettes Repository auf jedem Mac sinnvoll in einen Prompt passt. Selbst wenn Sliding Window Attention und ein quantisierter KV-Cache helfen, bleibt der lokale Betrieb speichergebunden.
Für echte Arbeit ist deshalb meistens besser:
- Nur relevante Dateien in den Kontext geben.
- Agenten mit Such- und Lesetools arbeiten lassen.
- Lange Logs kürzen.
- Benchmarks nicht mit realer Alltagsgeschwindigkeit verwechseln.
- Quantisierte Varianten testen, bevor man BF16 erwartet.
Installation mit Ollama
Der einfachste Einstieg ist Ollama:
ollama pull laguna-xs.2
ollama run laguna-xs.2Wer bewusst kleiner starten will, kann eine konkrete Variante testen:
ollama run laguna-xs.2:q4_K_MAuf Macs mit MLX-Unterstützung sind die MLX-Tags besonders interessant:
ollama run laguna-xs.2:nvfp4
ollama run laguna-xs.2:mxfp8Die BF16-Varianten sind für die meisten normalen Macs weniger realistisch, weil Ollama sie mit rund 67 GB Paketgröße listet. Selbst ein 64-GB-Mac kann dann schnell eng werden, sobald Kontext, System und Entwickler-Tools hinzukommen. Ollama Laguna XS.2
Wo Laguna XS.2 gut passt
Laguna XS.2 ist besonders geeignet für:
- lokale Coding-Assistenten auf großen Macs
- private Codebasen, die nicht an Cloud-APIs gesendet werden sollen
- Agenten-Workflows mit Shell, Tests und Dateizugriff
- Experimente mit Open-Weight-Coding-Modellen
- Teams, die Apache-2.0-Gewichte evaluieren wollen
Weniger geeignet ist es für:
- sehr kleine Macs mit 8, 16 oder 24 GB RAM
- Multimodalität wie Bilder oder Audio
- reine Alltags-Chatbots ohne Coding-Fokus
- Nutzer, die maximale Geschwindigkeit auf schwacher Hardware erwarten
- Szenarien, in denen Qwen3.6-35B-A3B bereits lokal gut läuft und Benchmark-Führung wichtiger ist als Poolside-spezifische Agentenfeatures
Apache 2.0: offen, aber nicht automatisch risikofrei
Die Apache-2.0-Lizenz ist ein großer Pluspunkt. Sie erlaubt Nutzung, Modifikation und kommerzielle Verwendung deutlich freier als viele restriktivere Modelllizenzen. Trotzdem sollte man bei produktivem Einsatz nicht nur auf die Lizenz schauen. Poolside verweist zusätzlich auf Intended and Responsible Use und eine Acceptable Use Policy. Außerdem gilt bei lokalen Coding-Agenten: Ein Modell, das Shell-Befehle ausführen kann, braucht klare Grenzen, Review und idealerweise Sandboxing. Hugging Face Model Card
Vergleich mit Laguna M.1
Laguna M.1 ist Poolside zufolge das deutlich größere Modell: 225,8 Milliarden Gesamtparameter und 23,4 Milliarden aktive Parameter pro Token. Für lokale Mac-Setups ist diese Größenordnung wesentlich schwieriger zu betreiben. Laguna XS.2 ist deshalb die praktischere Variante für die lokale Hardware-Diskussion – nicht weil sie absolut stärker wäre, sondern weil sie eher in ein begrenztes Unified-Memory-Budget passt. Technical Report
Bewertung für den lokalen Mac-Einsatz
| Kriterium | Einordnung |
|---|---|
| Lokaler Einsatz | Interessant für Macs mit ausreichend Unified Memory; vor dem produktiven Einsatz Modellgröße und Quantisierung prüfen. |
| Coding-Agenten | Möglich, aber Shell-Zugriffe und Änderungen sollten sandboxed und reviewbar bleiben. |
| Benchmarks | Hersteller- und Model-Card-Werte sind keine Garantie für die eigene Hardware oder den eigenen Harness. |
| Lizenz | Apache 2.0 laut Model Card, zusätzlich gelten Poolside-Nutzungsbedingungen. |
Quellen
Häufig gestellte Fragen
Ist poolside/laguna-xs-2.1 der offizielle Modellname?
Für dieses XS.2-Modell: nein. Laguna-XS-2.1 existiert inzwischen als separates Poolside-Modell auf Hugging Face. Die relevanten Bezeichnungen sind poolside/Laguna-XS.2 auf Hugging Face und laguna-xs.2 in Ollama; Gewichte und Angaben beider Modelle dürfen nicht vermischt werden.
Läuft Laguna XS.2 auf einem Mac mit 32 GB RAM?
Möglich mit stark quantisierter Variante und begrenztem Kontext, aber 32 GB sind eng. Poolside nennt rund 36 GB Unified Memory als lokalen Einstieg. Für komfortables Arbeiten sind 48 GB oder 64 GB realistischer.
Ist Laguna XS.2 besser als Qwen3.6-35B-A3B?
In den offiziellen Vergleichswerten nicht. Qwen3.6-35B-A3B führt in SWE-bench Verified, SWE-bench Multilingual, SWE-bench Pro und Terminal-Bench 2.0. Laguna XS.2 bleibt trotzdem ein sinnvoller Test, wenn du offene Gewichte und ein lokal nutzbares Modell für agentisches Coding suchst.
Ist Laguna XS.2 Open Source?
Präziser: Open-Weight unter Apache 2.0. Gewichte sind offen, aber Trainingsdaten, interner Code und Produktionskomponenten sind nicht automatisch offen.
Welche Ollama-Variante sollten Mac-Nutzer zuerst testen?
laguna-xs.2:q4_K_M oder ein MLX-Tag wie laguna-xs.2:nvfp4. BF16 ist deutlich größer und nur für sehr speicherstarke Systeme sinnvoll.