1. Laguna S2.1：面向本地部署的创意写作利器
Poolside AI近期发布了名为 Laguna S2.1 的新模型，该版本在创意写作方面表现优异。这是一个拥有 1180亿参数 的混合专家（MoE）模型，其中活跃参数量为 80亿。这一规模使其成为在配备128GB统一内存的本地硬件（如DJX Spark或MacBook Pro）上运行的理想选择。当前开源领域在120B参数量级的模型相对稀缺，Laguna S2.1的出现有助于 ** democratize access to an open weight model**（让普通用户有机会在家运行开源模型）。此外，该模型来自美国，这在当前的开源权重 landscape 中并不多见。
"Yeah, this is damn good at creative writing. I would highly or Okay, you know what? Forget the coding performance. It doesn't matter. This thing is funny."（它在创意写作方面非常出色，甚至可以说它很有趣。）
2. 基准测试表现与开源生态对比
尽管视频作者认为编码性能并非首要关注点，但Laguna S2.1在基准测试中的表现仍令人印象深刻。与近期发布的、拥有 约一万亿参数 且活跃参数量为 410亿 的开源模型Inkling相比，Laguna S2.1在某些基准测试中表现几乎持平。虽然Inkling并非专为原始编码任务设计，但Laguna S2.1能在如此庞大的模型集群中保持竞争力，显示出其潜力。作者特别提到DeepMind的SWE基准测试，如果该模型真的优于Sonnet 4.6，它将具备成为 "a Sonnet at home model"（家庭版Sonnet）的实力。
3. 技术规格、许可协议与测试策略
Laguna S2.1具备 100万token 的上下文窗口，并采用自定义许可证（Open MDW 1.1），允许用于商业和非商业用途。该模型原生支持推理，并提供 speculative decoding（推测解码）模型以加速生成速度。值得注意的是，该模型仅支持文本到文本任务，不支持多模态。
在测试策略上，作者选择通过 Open Router 和官方 Poolside Chat 网站进行托管测试，而非本地运行。这是因为模型发布初期存在配置导致的循环问题（looping），尽管官方已修复，但为了确保测试 maximum possible performance（最大可能性能）并排除本地配置错误的干扰，托管测试更为公平且能反映最佳状态。
4. Browser OS V2.5测试案例与初步反馈
作者使用经典的 Browser OS Test v2.5 对模型进行了测试。Laguna S2.1展示了其 chain of thought（思维链）能力，能够详细展示思考过程。在生成速度方面，由于是托管服务，响应相当迅速。模型成功构建了一个浏览器操作系统界面，并在Artifact窗口中展示。
然而，初步反馈显示存在一些小瑕疵。例如，生成的界面中没有 working clock（正常工作的时钟），这可能暗示了初始的错误或逻辑缺陷。作者指出，这是通过Web聊天界面首次测试该模型，虽然整体体验不错，但细节上的缺失仍需关注。这一案例表明，尽管模型在创意和宏观结构上表现出色，但在具体功能实现的精确性上仍有提升空间。
界面交互与基础功能测试
视频首先对 Poolside Laguna S2.1 的图形用户界面（GUI）进行了初步探索。测试者注意到，尽管该模型并非大型语言模型且活跃参数较少，但其界面响应具有一定深度。在尝试点击右下角的“大脑”图标时，意外触发了计算器功能，且桌面图标呈现脉冲式闪烁。测试者发现点击区域实际上延伸到了图像下方，这一设计也适用于文本编辑器的打开。界面交互存在非直观的点击区域扩展现象。随后，测试者依次尝试了“GTA City Drive”和“Racing X”游戏应用。结果显示，虽然界面能正常打开且无明显报错弹窗，但实际 gameplay 内容并未加载或存在。相比之下，文件管理器展现了预期的深度功能，如创建新文件夹（通过弹出通知实现），计算器也能正确执行 54 * 362 的运算。测试者指出，尽管功能简单，但在同等规模的模型中（如 GPT OSS 120B），Laguna S2.1 的表现明显优于同类小型模型。此外，神经网络可视化器（Neural Network Visualizer）作为一个“元”特性被激活，允许随机输入，这种自我指涉的设计在同类产品中极为罕见。
视觉定制与错误反馈机制
测试者进一步探索了设置菜单中的自定义功能，成功更换了背景为可选的渐变图案。更有趣的是，模型允许用户上传本地文件作为壁纸，测试者使用了之前保存的绘画作品进行替换。系统支持自定义图片上传与背景切换。在确认基础功能后，测试者回到游戏界面检查错误日志。通过聊天接口告知模型“两个游戏均未工作”并要求修复控制台报错后，模型在代码中添加了标记。虽然核心游戏逻辑仍未恢复运行，但界面时钟功能恢复正常，且控制台不再输出 verbose（冗长）的错误信息。这表明模型具备基本的错误排查能力，能够识别并处理部分非致命性 UI 故障。初步修复证明了模型具备基础的代码调试与界面维护能力，尽管未能解决游戏缺失的根本问题。
C++ 3D 滑板公园项目实战：规划与编译
接下来，测试者进入 Open Code 的“计划模式”（Plan Mode），要求模型使用 C++ 生成一个单文件的 3D 滑板公园场景。初始规划中，模型倾向于使用 Raylib 库，但测试者强制要求不使用外部依赖（Sans ray）。在指令调整后，模型开始编写代码。测试者观察到编译过程速度较快。首次编译后出现若干错误，模型开始逐一修复。测试者关注错误的数量以评估代码质量初期表现。首次编译错误数量有限，显示基础逻辑框架尚可。随着修复进行，第二次编译时错误显著减少。最终，代码成功编译并自动打开预览窗口。模型能够独立完成从规划、编码到初步调试的闭环流程。然而，初始渲染结果仅显示为静态的天空蓝（或称“泳池边蓝色”）背景，缺乏具体的滑板公园资产和交互逻辑。
迭代优化与最终性能评估
面对静态画面的问题，测试者并未立即终止，而是让模型继续迭代。经过多次尝试改进游戏逻辑后，画面依然没有实质性变化。核心渲染问题在初期迭代中未被解决。测试者介入并明确指出“无法移动或交互”，模型随后反馈找到了导致画面不显示的核心问题。修复后，虽然场景依然非常基础，但空格键触发的跳跃功能生效了。测试者指出，当前上下文长度约为 120k tokens，远低于宣称的百万级容量。在测试者提供进一步的行为洞察后，模型试图加载更多资产。尽管最终未能生成完整的 3D 场景，但模型展现了深度的“思考链”（Thinking Chain）。测试者评价道：“I've not really seen it think this long before. It was doing a lot of thinking...”（我以前没见过它思考这么久。它在大量思考……）。这表明该模型在处理复杂任务时，具备较强的内部推理能力，尽管在最终图形输出上仍有局限。
复杂任务下的代码生成与自我修复能力
评测者首先尝试让模型在Web聊天界面中直接生成了一个包含FPS提示词的地铁场景游戏。虽然初始结果存在显示问题，但评测者切换到Open Code环境进行迭代修复。模型展现出了极强的持久性，面对脚本错误并未放弃。第一个关键问题是缺少import map，模型迅速识别并修复了这一缺失。这种快速定位基础语法错误的能力表明其在代码结构理解上具有显著优势。在修复过程中，评测者发现游戏画面过暗且射击功能失效，但跳跃机制正常。通过多次尝试修复亮度滑块无法交互等问题，模型最终成功让游戏可运行并显示出敌人。尽管画面中敌人的形象类似Android图标，引发了一些幽默的猜测，但核心结论是模型能够持续尝试解决复杂的技术障碍直至达成可视化的结果。
创意角色扮演与交互式网页生成
测试者首先通过一段充满戏剧性的对话场景来评估模型的叙事能力。视频中描述了一名男子驾驶野马汽车逃离的场景，包含引擎轰鸣、轮胎摩擦声以及角色间狂野的互动。测试者对模型生成的对话质量表示惊讶，认为其表现出乎意料地好。随后，测试者要求模型将这段角色扮演转化为一个具有高端图形和用户体验的交互式网站。尽管部分生成内容因敏感或复杂原因无法展示，但模型成功构建了一个包含积分、追逐速度、燃料和威胁等级等游戏机制的模拟界面。该界面不仅捕捉了角色扮演的核心情境，还允许用户做出选择（如尝试穿越边境），并动态改变对话和场景状态。这种从纯文本到具备逻辑分支的互动游戏原型的转变，展示了模型在理解复杂语境并转化为结构化代码方面的创造力。
《回到未来》健身主题短剧创作
在网页生成测试后，测试者进一步要求模型编写一个结合《回到未来》角色的短剧场景。剧本设定在布朗博士的车库实验室，场景中混杂着蓝图、蛋白粉容器和举重凳。剧情围绕布朗博士沉迷于“外观最大化”（Looks Maxing）这一健身概念展开。他声称通过逆向工程推导出，若能卧推335磅即可达到“巅峰阿尔法男性”状态并解锁时间美学。尽管布朗博士试图直接挑战极限重量，甚至引用大卫·戈金斯（David Goggins）的音频作为辅助，但杠铃纹丝不动。测试者指出剧本中包含了meta引用（如比夫和利比亚人）以及时间旅行与健身结合的荒诞逻辑，最终布朗博士提出通过时间旅行给年轻时的自己增加训练量的“作弊码”，展现了模型在幽默感、角色一致性以及复杂概念融合方面的能力。
3D打印机模拟测试与代码调试
为了评估模型在编程和逻辑执行方面的稳定性，测试者引入了经典的“3D打印机模拟”基准测试。由于在Open Code环境中运行时常出现中途冻结（freezing midthought）的问题，测试者转而使用Web聊天界面进行初步尝试。虽然遇到了免费消息限制和脚本缺失（缺少import map）等技术障碍，但模型展现了快速的代码修复能力。测试者指示模型找到3D打印机模拟脚本并添加缺失的导入映射，模型迅速定位了两个相关文件并完成修复。在渲染效果上，初始生成的场景存在雾气过重、光线昏暗的问题，但经过简单的提示词调整（去除雾气并调亮场景），模型快速优化了视觉效果。最终呈现的是一个Core XY架构的3D打印机简单模型，包含导轨、喷嘴和定义的打印平台。尽管可视性仍有提升空间，但整体结构清晰，证明了模型在即时代码调试与可视化反馈循环中的高效性。
3D打印模拟中的视觉特效与交互测试
在针对Poolside Laguna S2.1模型的初步测试中，创作者首先通过3D打印模拟来观察模型对几何形状生成的响应能力。尽管在测试过程中发现喷嘴移动虽然平滑，但在打印正方形时存在未实际接触床面即开始分层打印的技术瑕疵，但模型成功实现了逐层构建的效果。值得注意的是，该模型在生成新图层时呈现出一种独特的“粒子效果”，这种视觉表现被形容为类似合成波（Synthwave）的美学风格，尽管部分阴影效果可能仅是渲染误差。创作者尝试调整图层大小和速度以测试模型的稳定性，发现模型能够根据指令将元素扩散开来。在绘制圆形时，虽然速度过快导致部分细节模糊，但三角形等复杂形状依然被准确生成。喷嘴的运动轨迹与正在打印的具体形状保持同步，这种动态响应展示了模型在处理非传统图形生成任务时的创意潜力。
前端设计测试：从科技感到“疯狂”全大写风格
由于电脑在录制后期死机，创作者仅展示了部分前端设计测试案例。第一个项目是为“Rent My GPU”构建的高科技风格网站，提示词明确要求高科技美学。模型生成的页面包含RTX 4090的动画SVG图标、悬停效果以及GPU资源（如A100、H100）的定价卡片。尽管提示词未明确要求霓虹风格，但模型自动关联了霓虹元素与高科技感，整体布局符合此类业务网站的预期标准。第二个测试则极具反差，创作者仅输入“为Steve制作一个全大写的疯狂网站”（make an insane in all caps website for Steve），且未提供任何背景信息。模型随即生成了一个包含“50个项目、10年经验、99杯咖啡”等夸张数据的个人作品集网站。该页面包含动态背景、鼠标交互效果以及随滚动条填充的技能进度条，甚至包含了“2016年写下第一行代码”的时间线叙事。这种从极简提示词中爆发出的高度定制化且带有幽默感的视觉设计，体现了模型在审美选择上的独特性。
编程能力评估：上下文压力下的固执与缺陷
在代码生成方面，Laguna S2.1的表现并未达到创作者的预期。尽管该模型在DeepSeek SWE基准测试中得分高于Sonnet 4.6，但在实际编码任务中暴露出明显问题。以C++滑板游戏为例，初始输出仅显示蓝色天空背景，缺乏交互性、地面平面和移动物体。创作者在尝试修复过程中将上下文窗口推高至约20万token，发现模型表现出极强的固执性——它不断尝试修复同一问题而不愿放弃或改变策略。这种“持续敲击”问题的行为模式虽然显示了模型的韧性，但导致结果迟迟无法达到理想状态。此外，在通过OpenRouter API进行的云端测试中，还出现了模型长时间思考后突然冻结的情况。创作者特意选择云端测试以排除本地配置差异的影响，旨在评估模型的理论最大性能潜力。总体而言，模型在代码生成的准确性和效率上存在显著短板。
创意写作优势：角色扮演与幽默感的卓越表现
尽管编程能力受限，Laguna S2.1在创意写作领域展现出了顶尖水平。创作者将其与当前最优秀的模型相提并论，特别指出其在角色扮演（Role-play）和创意写作任务中的卓越表现。其中一个测试案例涉及“Steve电脑维修工”的角色扮演，其生成的内容被形容为极其幽默且令人捧腹。由于内容过于精彩或篇幅过长，创作者甚至未能完全展示该案例。对于希望本地运行模型进行创意写作、角色扮演或需要高度合规性且富有想象力的用户来说，这是一个极具吸引力的选择。模型在应对非结构化、高自由度的创意指令时，能够生成丰富且符合语境的内容。这一发现表明，Laguna S2.1的核心优势在于其高度的创造性而非严格的逻辑编码能力。创作者总结认为，虽然模型在代码生成上需要大量后期修正，但在创意领域它无疑是一个强大且有趣的工具。
结论
Laguna S2.1是一款定位精准的本地化创意写作利器，而非全能编码助手。其核心优势在于卓越的叙事构建、角色扮演幽默感及从文本到交互式网页原型的转化能力，在创意领域表现顶尖。然而，其代码生成存在显著短板：面对复杂3D场景时表现出固执且低效的调试循环，虽能修复基础语法错误并实现简单逻辑（如跳跃、3D打印模拟），但难以独立解决深层渲染或架构问题。该模型适合在128GB内存设备上运行，用于需要高度创意和合规性的文本生成任务；若需严谨的工程级代码开发，仍需人工深度介入。