Laguna S 2.1

Mit einem Gesamtscore von 69,1 Prozent zeigt Laguna S 2.1 NVFP4 (vLLM, MoE, DFlash) ein Profil, das man respektieren kann, ohne es schönzureden: ein serverklassiger Generalist mit Coding- und Agentic-Schwerpunkt, als MoE-Architektur mit 117,6 Milliarden Gesamtparametern, aber nur 8,5 Milliarden aktiven Parametern pro Token. Genau das spürt man im Benchmark. Das Modell denkt und plant sichtbar in Richtung Entwicklerpraxis, bleibt dabei oft nützlich, wirkt aber nicht wie ein roher Kraftprotz, sondern eher wie ein spezialisierter Arbeitstier-Stack mit gelegentlichen Aussetzern bei Präzision und Zuverlässigkeit. Der Speed Profile Badge lautet Batch DevOps Expert: also kein Modell für nervöse Echtzeit-Dialoge, sondern eines für längere, strukturierte Arbeitsläufe im Hintergrund. Sovereign Risk: MEDIUM — Poolside ist ein US-Unternehmen und unterliegt dem CLOUD Act; bei lokalem Betrieb der Gewichte entfällt zwar die Cloud-Abhängigkeit, die Anbieterjurisdiktion bleibt als Provenienzfaktor aber US-geprägt.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Charakter: viel Anspruch, begrenzte aktive Kapazität

Die vorab vergebene Kategorisierung passt erstaunlich gut. Laguna ist als Reasoning-, Thinking-, Coder- und Agentic-Modell etikettiert, zugleich aber auch als Instruct-System. Das klingt zunächst nach Eier legender Wollmilchsau. In den Ergebnissen heißt es vor allem: Das Modell will strukturieren, analysieren und technische Aufgaben ernst nehmen, neigt aber nicht automatisch zu jener souveränen Breite, die man von den größten Frontier-Allroundern erwartet.

Wichtig ist hier die MoE-Bauweise, also „Mixture of Experts“. Dabei ist nicht die Gesamtzahl der Gewichte der faire Maßstab, sondern die aktive Kapazität pro Token. Bei Laguna sind das 8,5 Milliarden aktive Parameter. Für ein Server-Modell ist das ein bemerkenswert effizienter Zuschnitt, aber auch eine eingebaute Mahnung gegen falsche Erwartungen. Man bekommt hier kein 117,6B-Monolithen-Verhalten, sondern ein Experten-System, das mit Auswahl und Spezialisierung arbeitet. Das erklärt die Mischung aus starker Tool- und CLI-Nähe auf der einen Seite und spürbaren Lücken in Tiefe, Konsistenz und Souveränität auf der anderen.

Hinzu kommt ein methodischer Punkt, den man nicht unterschlagen darf: Dieser konkrete Testlauf steht bei Thinking Mode auf n/a. Das ist kein klassischer lokaler Doppel-Lauf mit explizit ein- oder ausgeschaltetem Thinking-Schalter, sondern der ausgewertete Standardzustand dieses Setups. Die Architektur ist klar auf Reasoning und Thinking ausgelegt. Im Benchmark zeigt sich davon aber eher der Charakter als ein maximal ausgereizter Denkmodus.

Geschwindigkeit: Batch statt Adrenalin

Laguna trägt den Speed-Profile-Badge Batch DevOps Expert, und dieser Name ist hier keine Marketinglyrik, sondern eine ziemlich treffende Warnplakette. Auf dem LOKALEN Referenzsystem ASUS GX10 / NVIDIA DGX Spark (GB10 Grace Blackwell Superchip, ~115 GB Unified Memory — kein praktisches Speicherlimit für getestete Modellgrößen) arbeitet das Modell nicht wie ein spritziger Dialogpartner, sondern wie ein Kollege, der erst nachdenkt, dann schreibt und dabei gelegentlich die Uhr vergisst.

Im Fluss der Nutzung heißt das: Für längere Dokumentationsarbeit, strukturierte Audits und ausformulierte Aufgaben kann dieses Tempo akzeptabel sein. Für interaktive Schleifen, Agenten mit engem Feedback-Takt oder Entwickler, die zehnmal pro Minute auf den nächsten Schritt warten, ist der Tail schlicht zu lang. Gerade weil der Badge auf Batch-DevOps verweist, ist das nicht völlig überraschend. Aber es bleibt ein realer Betriebsbefund. Das Modell ist nicht kaputt. Es ist nur deutlich eher Schichtarbeiter als Sprinter.

Positiv ist die Token-Ökonomie. Kein Modul überschreitet den erwarteten Verbosity-Rahmen. Selbst dort, wo Laguna viel schreibt, tut es das im Rahmen. Das ist für ein lokales Modell wichtig, weil Mehrtext hier nicht nur Kosten, sondern direkt Wartezeit bedeutet. Besonders auffällig ist nur Cultural Intelligence mit einem Overhead von 2,39x gegenüber dem Fleet-Median. Das bleibt im Budget, deutet aber darauf hin, dass das Modell in sozialen und tonalen Aufgaben gerne mehr Worte macht als nötig.

Code Quality: gutes Sicherheitsgefühl, aber nicht die letzte Meile

Im Code-Quality-Modul zeigt Laguna die Seite, für die man ein Poolside-Modell überhaupt aufruft. Die Antworten sind strukturiert, tabellarisch sauber und fachlich klar über dem Niveau jener Modelle, die Sicherheitslücken nur als lose Schlagworte aufsagen. Im vorliegenden Security-Audit erkennt das Modell 20 Schwachstellen, liefert eine saubere Markdown-Tabelle und benennt auch fortgeschrittene Punkte wie Header Injection, IDOR oder Timing-sichere API-Key-Vergleiche. Das ist keine Kleinigkeit. Viele Modelle sehen an solchen Stellen nur SQL-Injection, XSS und sonst Nebel.

Der Eindruck bleibt trotzdem gemischt, weil Laguna zwar breit findet, aber nicht immer tief genug priorisiert. Im Audit fehlen mehrere relevante Punkte komplett, darunter CSRF-Schutz, harte Datenbank-Credentials, Header-Probleme nach vorzeitigem Output und die fehlende Ablaufzeit für Reset-Tokens. Noch schwerer wiegt die Unterbewertung einer kritischen Type-Juggling-Lücke beim API-Key-Vergleich. Wer Sicherheit beurteilt, darf bei der Schwere nicht ausgerechnet dort weich werden, wo ein vollständiger Bypass möglich ist.

Auch die Fixes bleiben oft auf Zuruf-Niveau. „Prepared Statements verwenden“ ist korrekt, aber kein Ersatz für präzise, kopierbare Abhilfe. Laguna ist hier eher der Senior Reviewer, der Schwächen erkennt und markiert, als der Staff Engineer, der das Ticket gleich mit belastbarem Patch schließt. Das ist nützlich. Aber es ist nicht dasselbe.

Gerade im Security-Kontext ist das Modell damit brauchbar für Erstanalysen, Triage und die Strukturierung von Findings. Für verbindliche Audits oder remediation-nahe Empfehlungen braucht es jedoch einen Menschen, der die fehlenden Kanten nachschärft.

CLI, Tool-Use und Halluzinationen: stark im Gestus, riskant in der Faktenbindung

Die stärkste technische Visitenkarte hinterlässt Laguna im CLI-Benchmark. Mit 91,34 Punkten in diesem Modul wirkt das Modell dort wie zuhause. Das passt zur Agentic- und Coder-Einstufung: Terminal-nahe Aufgaben, Befehlslogik, Handlungssequenzen und operative Strukturierung liegen ihm deutlich besser als weichere Sprachdomänen. Wer ein Modell sucht, das in DevOps-nahen Abläufen nicht sofort den Faden verliert, bekommt hier Substanz.

Aber dann kommt der Haken, und er ist groß genug, um Produktionspläne zu ruinieren. Im Tool-Use-Bereich wurden in drei Aufgaben Halluzinationen automatisch erkannt: Das Modell generierte Inhalte, die nicht aus dem tatsächlich abgerufenen Tool-Ergebnis stammten. Der Score wurde deshalb per Halluzinations-Cap begrenzt. Das ist kein Schönheitsfehler und kein Streit unter Pedanten, sondern ein rotes Tuch für alle Workflows, in denen aus Tool-Rückgaben Berichte, Analysen oder Entscheidungen abgeleitet werden.

Weil die konkreten Verstöße im Tool-Use-Modul mehrfach auftreten, sollte man das klar benennen: Laguna kann mit Tools arbeiten, aber es hält sich nicht verlässlich an das, was das Tool tatsächlich geliefert hat. Für content-kritische Aufgaben wie Recherche, Systemberichte, Incident-Zusammenfassungen oder Compliance-Auswertungen ist das disqualifizierend. Das Modell klingt an solchen Stellen womöglich kompetent. Genau das macht den Fehler gefährlich. Ein hallucinated Shell-Detail ist ärgerlich. Eine hallucinated Tool-Rückgabe ist operative Sabotage mit höflichem Tonfall.

Reasoning und Logik: richtig gedacht, nicht immer sauber geliefert

Reasoning ist laut Metadaten Kernkompetenz. Im Benchmark zeigt sich: ja, aber mit Einschränkungen. Bei klassischen Logikaufgaben wie dem Zwei-Wächter-Rätsel argumentiert Laguna korrekt, erkennt den Mechanismus sauber und liefert die richtige Strategie. Das Modell denkt nicht wirr. Es denkt knapp, brauchbar und meistens in die richtige Richtung.

Die Schwäche liegt in der Ausführungstiefe. Der Judge bemängelt zu Recht, dass Alternativen nur angerissen und nicht systematisch ausgearbeitet werden. Für ein als Thinking und Reasoning markiertes Modell ist das relevant. Wer solche Modelle nutzt, erwartet nicht nur die richtige Antwort, sondern auch einen Erkenntnisweg, der robust genug ist, um auf Varianten der Aufgabe übertragen zu werden. Laguna löst die Aufgabe. Es lehrt sie nicht.

Dazu kommt ein technischer Befund, der als Kopfnote für Agenten- und Evaluationsumgebungen ernst genommen werden muss. In einer Reasoning-Aufgabe hat das Modell die Anfrage als erfolgreich abgeschlossen gemeldet, aber keinen sichtbaren Antworttext produziert. Das bedeutet entweder einen rein internen Reasoning-Only-Output, eine stille Verweigerung oder einen Silent-Failure. Für den Nutzer ist die Ursache zweitrangig. Entscheidend ist: Es gab keinen bewertbaren Output.

Im selben Reasoning-Bereich wurde außerdem ein harter Constraint-Verstoß registriert: Interne Reasoning-Tokens verdrängten das eigentliche Ausgabebudget. Das Modell verbrauchte 16.384 Tokens für interne Denkprozesse, sodass nur 205 Tokens für sichtbaren Text übrig blieben. Der Abzug ist hier methodisch korrekt und inhaltlich lehrreich. Die Antwort litt nicht primär an falscher Logik, sondern daran, dass das Modell sein Ausgabekontingent mit unsichtbarem Denken auffraß. Das ist ein typischer Charakterfehler reasoning-lastiger Systeme. Für Nutzer heißt das sehr praktisch: Wenn die Aufgabe sichtbare, vollständige Endergebnisse braucht, genügt kluges Denken allein nicht. Das Modell muss den Ausgang auch noch durch die Tür tragen.

Content Transformation: brauchbare Produktionsware mit Schwächen bei harten Vorgaben

Im Content-Transformation-Modul zeigt Laguna eines seiner sympathischeren Gesichter. Das Modell kann Texte und Formate adaptieren, Skripte bauen, Zeitmarken setzen, den Ton treffen und Produktionshinweise sinnvoll einweben. Das vorliegende YouTube-Skript zur 2FA-Einführung ist vollständig, gut strukturiert, klar auf Deutsch und handwerklich ohne grobe Patzer. Es erfüllt die Aufgabe in einem Maß, mit dem man im Redaktionsalltag weiterarbeiten kann.

Auffällig ist dabei die funktionale Nüchternheit. Der Hook sitzt, aber nicht mit letzter Wucht. Der Pattern Interrupt ist vorhanden, aber weniger inszeniert als in der Referenz. Der entscheidende dramaturgische Fehler betrifft die Backup-Codes, die nicht als emotionaler Höhepunkt aufgebaut werden, sondern als spätes Troubleshooting-Detail versanden. Das ist kein kleiner Schönheitsmangel, sondern eine strukturelle Schwäche in der narrativen Priorisierung. Laguna weiß, was hineinmuss. Es weiß nicht immer, was nach vorne gehört.

In einer anderen Aufgabe, der diskriminierungsfreien Umschreibung einer Stellenanzeige, wird eine zweite Schwäche sichtbar: Das Modell erfüllt die inhaltliche Absicht, verletzt aber explizite Ausgabevorgaben. Statt ausschließlich den umgeschriebenen deutschen Text zu liefern, liefert es ausführliche Begründungen mit. Genau das war verboten. Der Text selbst ist inhaltlich brauchbar, doch das Modell missachtet die Anweisung frontal. Für produktive Pipelines ist das mehr als Stilbruch. Es ist fehlendes Instruction-Following unter Last.

Diese Formatverletzung ist besonders interessant, weil sie zur Kategorie passt. Laguna trägt auch das Label Instruct. Davon war in solchen Momenten zu wenig zu sehen. Das Modell ist dann nicht renitent, sondern überengagiert. Es will zeigen, dass es verstanden hat, und verdirbt gerade dadurch die Aufgabe.

UX Writing und sprachliche Präzision: ordentlich, aber nicht feinmotorisch

Die UX- und Microcopy-Werte liegen im soliden Mittelfeld. Das passt zum Gesamteindruck. Laguna kann sprechen, erklären und anpassen, aber es ist nicht jenes Modell, das mit einem Satz schon den richtigen Tonfall trifft. In den qualitativen Protokollen sieht man das an Formulierungen wie „Expertin“ statt natürlich neutraler Alternativen wie „Fachkraft“ oder an holprigen Konstruktionen wie „motiviertes Teamplayerin“. Das ist nicht ideologisch problematisch, sondern stilistisch unelegant.

Gerade in deutschsprachigen Texten, in denen Inklusion, Klarheit und Lesefluss gleichzeitig verlangt sind, fehlt dem Modell manchmal die feinere redaktionelle Hand. Es versteht die Richtung. Es findet nicht immer die beste Form. Für viele Unternehmen ist das verkraftbar. Für öffentliche Kommunikation, HR-Texte oder markensensible Oberflächen braucht es aber Nachbearbeitung.

Dokumentation und Wissensaufbereitung: verlässlich strukturiert, selten brillant

Mit 62,91 Punkten in der Dokumentationsqualität bleibt Laguna hinter seinem technischen Anspruch zurück. Das überrascht nur auf den ersten Blick. Dokumentation ist nicht bloß langes Schreiben über Technik. Gute Dokumentation verlangt Auswahl, Priorisierung, Leserführung und die Fähigkeit, implizites Wissen explizit zu machen. Genau dort zeigt das Modell kein Totalversagen, aber auch keine Exzellenz.

Seine Stärke liegt in Struktur und Vollständigkeitstendenz. Seine Schwäche liegt in Didaktik und Prägnanz. Es liefert Material, das man weiterverarbeiten kann. Es liefert seltener jenes Dokument, das man sofort intern veröffentlichen möchte. Auch hier wiederholt sich das Grundmotiv des Modells: technisch seriös, operativ brauchbar, redaktionell nicht aus einem Guss.

Cultural Intelligence: korrekt in der Absicht, manchmal hölzern in der Ausführung

Die Cultural-Intelligence-Ergebnisse fallen nicht schlecht aus, aber sie wirken weniger natürlich als die Punktzahl zunächst vermuten lässt. Das Modell entfernt problematische Begriffe zuverlässig, entschärft aggressive Sprache und versteht die gesellschaftliche Stoßrichtung der Aufgabe. Das ist substanziell wichtiger als rhetorischer Glanz.

Gleichzeitig merkt man, dass Laguna in solchen Aufgaben nicht organisch formuliert, sondern regelbewusst umschreibt. Die erwähnten inklusiven Asterisk-Formen, leicht redundante Formulierungen und der Verlust eines einladenderen Tons zeigen das deutlich. Es ist der Unterschied zwischen jemandem, der ein Stilproblem verstanden hat, und jemandem, der es wirklich elegant lösen kann.

Für ein coding- und agentic-nahes Modell ist das keine Katastrophe. Es ist eher Architekturcharakter als Makel. Man sollte nur nicht erwarten, dass ausgerechnet dieses System die feinsten sprachlichen Register beherrscht.

Datenschutz und Datenhoheit

Da es sich hier um ein lokal betriebenes Open-Weights-Modell handelt, steht nicht die Laufzeit-Cloud, sondern die Provenienz im Vordergrund. Das Weights-Provenienz-Risiko ist LOW: Poolside ist ein US-Unternehmen, die Gewichte erscheinen unter der offenen OpenMDW-1.1-Lizenz der Linux Foundation und können unabhängig geprüft, modifiziert und kommerziell genutzt werden. Für europäische Unternehmen ist das die gute Nachricht. Die schlechtere, wenn auch in diesem lokalen Szenario deutlich entschärfte: Die Anbieterjurisdiktion liegt in den USA, und die Vendor Card weist grundsätzlich auf US-Recht inklusive CLOUD Act hin. Bei lokalem Betrieb ohne Provider-API ist das kein akuter Datenabflusskanal, aber ein relevanter Herkunftskontext.

Fazit

Laguna S 2.1 NVFP4 (vLLM, MoE, DFlash) ist ein interessantes Modell mit klar erkennbarem Berufsprofil. Als Generalist in der Server-Klasse mit MoE-Architektur spielt es seine größten Stärken dort aus, wo technische Struktur, CLI-Nähe und agentische Arbeitslogik gefragt sind. Die offene Lizenz, der riesige Kontext von 1.024K Tokens und die nachweisbar brauchbare DevOps-Ausrichtung machen es für lokale Engineering-Workflows attraktiv. Wer Code, Audits, Shell-nahe Aufgaben und längere technische Arbeitsläufe lokal fahren will, bekommt hier mehr Substanz als bei vielen gefälligen Chat-Allroundern.

Aber man muss den Preis kennen. Die Stabilität ist nur mittel, der Tail ist kritisch, die Dokumentations- und UX-Seite bleibt hinter dem technischen Selbstbild zurück, und die Halluzinationen im Tool-Use sind der gravierendste Einwand. Ein Modell, das Tool-Ergebnisse nicht sauber von eigener Erfindung trennt, ist für faktenkritische Agentenketten nur unter Aufsicht tragbar. Dazu kommt die gelegentliche Instruction-Schwäche, wenn aus einer einfachen Formatvorgabe plötzlich eine kleine Vorlesung wird.

Unterm Strich ist Laguna kein Blender, aber auch kein verlässlicher Universalist. Es ist ein lokales Entwickler- und Batch-Modell mit echter Arbeitsmoral, sichtbarer Security- und CLI-Kompetenz und einem Hang, sich in den falschen Momenten zu wichtig zu nehmen. Für DevOps-nahe Assistenz, technische Erstanalysen und große lokale Kontexte ist das stark genug, um ernst genommen zu werden. Für autonome Tool-Pipelines, content-kritische Reports und streng formatierte Produktionsstrecken braucht es Guardrails und menschliche Abnahme. Genau dort trennt sich bei solchen Modellen die Ingenieurskunst von der Hoffnung.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.