Laguna XS 2.1: Lokaler Coding-LLM mit 256K-Kontext und offener Lizenz

Am 2. Juli 2026 veröffentlichte Poolside AI das Modell Laguna XS 2.1 auf Hugging Face und in der Ollama-Modellbibliothek. Entwickler auf X wurden innerhalb von Stunden aufmerksam: TeksEdge schrieb, „Laguna XS 2.1 is a small [powerful] coding model" von Poolside, mit GGUF- und Ollama-Unterstützung bereits zum Launch. Für KMU, die lokale KI betreiben, vereint das Release messbare Benchmark-Verbesserungen, eine großzügigere Lizenz und Quantisierungsoptionen, die auf Hardware passen, die in deutschen Büros bereits vorhanden ist.

Was Laguna XS 2.1 ist

Laguna XS 2.1 ist ein Mixture-of-Experts-Coding-Modell (MoE) von Poolside AI, einem auf Software-Engineering spezialisierten KI-Unternehmen. Laut Veröffentlichungsdokumentation von Poolside AI umfasst das Modell:

• 33 Milliarden Gesamtparameter, 3 Milliarden aktivierte Parameter pro Vorwärtsdurchlauf
• 256.000 Token Kontextfenster (bis zu 32.000 Ausgabe-Token)
• OpenMDW-1.1-Lizenz, die kommerzielle Nutzung erlaubt

Die MoE-Architektur macht die lokale Bereitstellung für Teams ohne GPU-Cluster praktikabel. Ein dichtes 33B-Modell in BF16-Präzision würde rund 66 GB Speicherbandbreite erfordern. Da Laguna XS 2.1 pro Schritt nur 3B Parameter aktiviert, verhält sich die Inferenz-Geschwindigkeit wie bei einem kompakten 3B-Modell, während die Qualität aus dem vollständigen 33B-Parameterraum schöpft. Laut Poolside AI läuft das Modell auf einem Mac mit 36 GB einheitlichem Speicher, das entspricht Mac Studio M4 Max, MacBook Pro M4 Max und vergleichbaren Konfigurationen.

Was gegenüber Laguna XS.2 neu ist

Poolside veröffentlichte Laguna XS.2 Ende April 2026, wo es 68,2 % auf SWE-bench Verified erzielte, einem Benchmark, der misst, wie zuverlässig ein Coding-Modell echte GitHub-Issues löst. Laguna XS 2.1 zielt auf SWE-bench Multilingual und verbessert dort die Wertung laut Poolside AI um 5,4 Punkte auf 63,1 %.

Mehrsprachige Coding-Benchmarks testen Korrektheit über Python, JavaScript, TypeScript, Go, Rust und andere Sprachen hinweg, die in typischen KMU-Codebasen verbreitet sind. Ein Zugewinn von 5,4 Punkten bedeutet messbar seltener Fehler in nicht-Python-Kontexten, was relevant ist, wenn das Entwicklungsteam mehrere Laufzeitumgebungen pflegt, wie es in der Webentwicklung und bei Backend-Services üblich ist.

Auch die Lizenz hat sich weiterentwickelt: XS.2 erschien unter Apache 2.0, XS 2.1 unter OpenMDW-1.1, einem neueren Open-Model-Lizenzrahmen, den Poolside als besser für Enterprise-Nutzung geeignet beschreibt, mit weiterhin permissivem Charakter.

Lokale Bereitstellung

Ollama (Einzelentwickler oder kleines Team)

Ollama hat Laguna XS 2.1 sofort in seine Bibliothek aufgenommen. Der Abruf ist unkompliziert:

ollama pull laguna-xs-2.1
ollama run laguna-xs-2.1

Ollama wählt automatisch die Q4KM-Quantisierung, die rund 20-24 GB Speicher benötigt. Das passt auf einen 36-GB-Mac mit Puffer für das Betriebssystem und lässt sich auch auf einer NVIDIA RTX 3090 mit 24 GB VRAM ausführen.

vLLM oder SGLang (Team-Betrieb)

Wenn mehrere Entwickler das Modell gleichzeitig abfragen, bieten vLLM und SGLang kontinuierliches Batching, das Ollama nicht bereitstellt. Beide Frameworks werden von Poolside als unterstützt gelistet. Ein einzelner Mac Studio oder ein Linux-Workstation mit RTX 3090, auf dem vLLM läuft, kann ein Team von 5-20 Entwicklern für Coding-Aufgaben mit akzeptabler Latenz bedienen.

GGUF (maximale Hardwareflexibilität)

Für Windows-Workstations und ältere Apple-Silicon-Geräte hat Poolside GGUF-Checkpoints unter poolside/Laguna-XS-2.1-GGUF auf Hugging Face veröffentlicht, darunter BF16 und Q4KM. Diese lassen sich in LM Studio, Jan oder llama.cpp ohne weitere Konfiguration laden.

Der DFlash-Spekulierer

Neben dem Basismodell hat Poolside DFlash veröffentlicht, ein kleines Entwurfsmodell für spekulatives Dekodieren mit Laguna XS 2.1. Beim spekulativen Dekodieren schlägt das kleine Modell eine Folge von Token vor; das große Modell verifiziert die gesamte Folge in einem einzigen Vorwärtsdurchlauf. Wenn das Entwurfsmodell präzise ist, steigt der Durchsatz erheblich. Laut Dokumentation von Poolside AI verdoppelt DFlash die erzielte Token-pro-Sekunde-Rate mit Laguna XS 2.1, ein spürbarer Vorteil bei interaktiver Coding-Hilfe.

Datenschutz und DSGVO

Coding-Assistenten, die Anfragen über Cloud-APIs leiten, übermitteln Code an Drittanbieter. Je nach Inhalt der Codebasis kann das proprietäre Algorithmen, interne API-Zugangsdaten in Konfigurationsdateien oder Logik umfassen, die Kundendaten verarbeitet. Ob das unter der DSGVO als personenbezogene Daten gilt, ist vom Einzelfall abhängig, das Risikoprofil ändert sich jedoch grundlegend, wenn die Inferenz vollständig auf der eigenen Infrastruktur läuft: keine Anfrage verlässt das Netzwerk, kein Input-Token erreicht Poolside oder einen Cloud-Anbieter.

Das betrifft besonders KMU in regulierten Branchen: Gesundheitswesen, Rechtsberatung, Finanzdienstleistungen. Eine lokale Laguna-XS-2.1-Bereitstellung erfüllt Datenanforderungen durch Design.

EU-KI-Gesetz und Transparenzpflichten

Die Transparenzpflichten des EU-KI-Gesetzes für KI-Systeme lassen sich bei Open-Weight-Modellen einfacher nachweisen als bei schwarzen Box-Cloud-APIs. Mit Laguna XS 2.1 können Sie genau dokumentieren, welche Modellversion läuft, unter welcher Lizenz und auf welcher Hardware, Informationen, die für Betreiber gemäß Art. 50 EU-KI-Gesetz relevant sind. Gemäß unserem Verständnis der Verordnung sind selbst gehostete Open-Weight-Modelle für KMU compliance-technisch defensibler als opake Cloud-Dienste, sofern Versions- und Nutzungsprotokolle geführt werden.

Praktische Anwendungsfälle für 10-100-Personen-Teams

• IDE-Code-Vervollständigung über einen lokalen OpenAI-kompatiblen Endpunkt (VS Code, JetBrains, Neovim)
• Automatisiertes Code-Review als CI-Pipeline-Schritt: Pull-Request-Diffs an das lokale Modell senden, strukturiertes Feedback zurückerhalten
• Technische Dokumentation aus vorhandenem Quellcode generieren, wobei das 256K-Kontextfenster ein gesamtes Modul in einem Durchgang verarbeiten kann
• Natürlichsprachige SQL-Abfragen für interne Analysen, mit dem vollständigen Datenbankschema im Kontext
• Migrationsskripte beim Wechsel zwischen Framework-Versionen oder Datenbanksystemen
• Interne Wissensbasis für Engineering-SOPs, ergänzt durch Retrieval Augmented Generation auf eigenem Dokumentenbestand

Hardware-Übersicht

Für BAFA-Förderungen im Bereich digitale Beratung oder KfW-Programme zur Digitalisierung kann eine lokale Laguna-XS-2.1-Bereitstellung als Teil eines breiteren KI-Integrationsprojekts förderfähig sein. Die Open-Weight-Natur und die dokumentierte Lizenz vereinfachen den Nachweis für Förderanträge.

Nächste Schritte

Der schnellste Weg zu einem funktionierenden lokalen Coding-Assistenten:

1. Ollama unter ollama.com installieren
2. ollama pull laguna-xs-2.1 ausführen (rund 20 GB Download)
3. Das KI-Plugin der IDE auf http://localhost:11434/v1 konfigurieren
4. Mit einer echten Aufgabe aus der eigenen Codebasis testen

Wenn Sie besprechen möchten, wie Laguna XS 2.1 in den Entwicklungsworkflow Ihres Teams passt oder welche Hardware-Konfiguration für Ihre Teamgröße sinnvoll ist, starten Sie ein Gespräch mit Freshlab. Wir helfen europäischen KMU bei der Planung und Umsetzung lokaler KI-Infrastruktur, innerhalb der DSGVO-Grenzen und ohne Herstellerabhängigkeit.