Poolside AI, gegründet von Eiso Kant, der bereits 2015 unter dem Einfluss von Andrej Karpathys RNN-Arbeiten damit begann, Sprachmodelle für Code zu entwickeln, hat mit Laguna S 2.1 ein Modell veröffentlicht, das trotz seiner vergleichsweise kompakten Architektur frontier-nahe Leistung erzielt. Das Modell nutzt eine Mixture-of-Experts-Architektur mit 118 Milliarden Gesamtparametern, davon nur 8 Milliarden aktive Parameter pro Token, und unterstützt ein Kontextfenster von bis zu einer Million Token sowie Thinking- und No-Thinking-Modi. Kern des Erfolgs ist Poolsides sogenannte Model Factory: ein End-to-End-System, das es einem Team von weniger als 70 Forschenden ermöglicht, monatlich 10.000 bis 20.000 Experimente durchzuführen und Modelle innerhalb von fünf bis acht Wochen vom Pre-Training bis zum Release zu bringen. Technisch setzt Poolside auf Streaming-Datenpipelines, die Daten direkt ins Training einspeisen, sowie auf unveränderliche Datensätze, versionierten Code und vollständige Reproduzierbarkeit als Grundlage rigoroser Forschung. Kant sieht 95 Prozent der Modellverbesserungen als direkte Folge besserer Daten oder höherer Compute-Effizienz und plädiert dafür, Reinforcement Learning künftig deutlich früher ins Pre-Training zu integrieren. Kritisch bewertet er bestehende Standards wie MCP und klassische Tool-Calls als konzeptionell verfehlt. Poolside hat bislang 500 Millionen US-Dollar eingesammelt und positioniert sich bewusst außerhalb der Bay-Area-Talentkonkurrenz als globale Forschungsorganisation.