Laboratorium AI asal San Francisco, Poolside, resmi merilis Laguna S 2.1, sebuah model bahasa besar dengan 118 miliar parameter yang dioptimalkan khusus untuk tugas pemrograman. Berbeda dengan model raksasa lainnya, sistem Mixture-of-Experts (MoE) ini hanya mengaktifkan 8 miliar parameter per token, memungkinkan efisiensi komputasi yang jauh lebih tinggi tanpa mengorbankan kecerdasan.
Peluncuran ini menandai langkah agresif Poolside dalam menantang dominasi model tertutup yang selama ini mendominasi pasar. Dengan lisensi OpenMDW-1.1, Poolside memberikan akses terbuka bagi pengembang untuk mengunduh, menguji, dan menjalankan model ini di infrastruktur mandiri, sebuah kebutuhan krusial bagi perusahaan yang mengutamakan kedaulatan data.
Keunggulan teknis Laguna S 2.1 terlihat dari skor benchmark yang melampaui model dengan ukuran 10 kali lebih besar. Pada pengujian Terminal-Bench 2.1, model ini mencatatkan skor 70,2%, mengungguli DeepSeek-V4-Pro-Max yang memiliki 1,6 triliun parameter. Capaian ini membuktikan bahwa strategi transparansi dan efisiensi arsitektur mampu menandingi model yang mengandalkan skala murni.
Di balik performa tersebut, terdapat kecepatan pengembangan yang luar biasa. Poolside hanya membutuhkan waktu kurang dari sembilan minggu untuk melatih model ini dari nol menggunakan 4.096 unit GPU Nvidia H200. Dalam industri yang biasanya membutuhkan waktu berbulan-bulan hingga tahunan untuk merilis model flagship, kecepatan iterasi Poolside menjadi sinyal kuat bagi kompetitor.
Kebutuhan akan model AI yang dapat dijalankan secara lokal semakin mendesak, terutama di sektor pemerintahan, pertahanan, dan industri yang teregulasi ketat. Banyak organisasi kini enggan bergantung pada API pihak ketiga karena risiko keamanan dan kepatuhan. Dengan Laguna S 2.1, Poolside menawarkan solusi 'self-hosting' yang memungkinkan perusahaan menjaga data tetap berada dalam perimeter keamanan mereka sendiri.
Bagi ekosistem teknologi di Indonesia, kehadiran model open-weight seperti Laguna S 2.1 membuka peluang besar bagi pengembang lokal. Banyak perusahaan rintisan di Tanah Air yang selama ini terhambat oleh biaya akses API yang mahal kini memiliki alternatif untuk membangun infrastruktur AI koding mereka sendiri dengan biaya token yang jauh lebih terjangkau.
Efisiensi biaya menjadi poin penjualan utama. Dengan harga yang ditawarkan sebesar $0,10 per juta token input, Poolside secara signifikan memangkas hambatan masuk bagi perusahaan yang ingin mengintegrasikan agen AI koding dalam skala masif. Ini adalah kabar baik bagi pengembang lokal yang ingin bereksperimen dengan agen AI otonom tanpa harus menguras anggaran operasional.
Namun, tantangan adopsi di Indonesia tetap ada, terutama terkait infrastruktur GPU lokal yang masih terbatas. Walaupun model ini dirancang agar cukup ringan untuk dijalankan pada mesin kelas desktop seperti Nvidia DGX Spark, akses terhadap perangkat keras kelas atas masih menjadi kendala bagi banyak pengembang perorangan di Indonesia.
Co-CEO Poolside, Jason Warner, menegaskan bahwa dunia membutuhkan model open-weight yang dapat dipercaya dan dikembangkan secara mandiri. Filosofi ini sejalan dengan meningkatnya tren kedaulatan AI global di mana negara-negara mulai memprioritaskan kemandirian teknologi dibandingkan ketergantungan pada penyedia layanan cloud raksasa.
Selain kecerdasan teknis, Poolside juga menekankan pada 'cara kerja' model. Melalui peningkatan proses verifikasi dan persistensi dalam pemecahan masalah, model ini dirancang untuk lebih baik dalam menangani tugas-tugas koding yang kompleks dan berdurasi panjang, mengurangi risiko kegagalan yang sering terjadi pada model AI konvensional.
Langkah berani lainnya adalah transparansi evaluasi. Poolside mempublikasikan seluruh jejak pengujian, termasuk setiap langkah penalaran dan perintah shell yang dilakukan model. Langkah ini sangat langka di industri AI dan berfungsi sebagai jawaban atas krisis kepercayaan terhadap klaim performa model yang sering kali tidak dapat diverifikasi oleh pihak ketiga.
Ke depan, Poolside diprediksi akan terus menekan batas efisiensi token. Strategi perusahaan yang menggeser persaingan dari sekadar adu ukuran parameter ke arah optimalisasi biaya dan kecepatan iterasi akan menjadi standar baru bagi pengembang model bahasa besar di masa depan.