Poolside AI présente Laguna XS.2 et M.1, des modèles de codage à base d'agents atteignant 68,2 % et 72,5 % sur SWE-bench Verified

Poolside lance Laguna XS.2, un modèle ouvert gratuit et performant pour le codage local à base d'agents

La startup américaine Poolside, fondée à San Francisco en 2023, a lancé ce 28 avril 2026 deux nouveaux modèles de langage sous la marque Laguna, conçus spécifiquement pour les tâches de codage agentique. Le premier, Laguna M.1, est un modèle propriétaire de 225 milliards de paramètres au format Mixture of Experts (MoE), avec 23 milliards de paramètres actifs, destiné aux environnements d'entreprise et gouvernementaux à hautes exigences de sécurité. Le second, Laguna XS.2, est un modèle open source sous licence Apache 2.0 de 33 milliards de paramètres (3 milliards actifs), téléchargeable et exécutable localement sur un simple GPU de bureau ou d'ordinateur portable, sans connexion internet. Poolside accompagne ces deux modèles d'un agent de codage en ligne de commande baptisé "pool" et d'un environnement de développement web mobile appelé "shimmer". Temporairement, même le plus grand modèle M.1 est accessible gratuitement via l'API Poolside et des partenaires comme OpenRouter, Ollama et Baseten. L'arrivée de Laguna XS.2 en open source représente un signal fort dans un secteur dominé soit par des modèles propriétaires coûteux comme Claude d'Anthropic ou GPT-5.5 d'OpenAI, soit par des modèles chinois à licence ouverte comme ceux de DeepSeek. Poolside offre ici une alternative américaine, exécutable entièrement hors ligne, ce qui répond à un besoin critique pour les agences gouvernementales et les entreprises opérant dans des environnements ultra-sécurisés. L'ingénieur post-entraînement George Grigorev a précisé que Poolside peut "livrer des poids dans des environnements totalement isolés on-premises, sans connexion réseau", un avantage décisif face aux solutions cloud d'Anthropic ou Google. Par ailleurs, les deux modèles Laguna ont été entraînés intégralement from scratch, contrairement à plusieurs laboratoires américains qui s'appuient sur les modèles de base Qwen d'Alibaba, ce qui leur confère une indépendance technique notable. Poolside s'est jusqu'ici concentrée sur des contrats gouvernementaux et de défense, construisant ses modèles dans un environnement interne appelé "Model Factory", dont le moteur central est un logiciel maison nommé Titan. L'entreprise utilise également un optimiseur d'entraînement appelé Muon, qui accélère l'apprentissage d'environ 15% par rapport aux méthodes standards, un avantage compétitif non négligeable en termes de coûts et de délais. En s'ouvrant maintenant à la communauté des développeurs et à la recherche publique, Poolside change de stratégie et entre de plein pied dans la bataille de l'open source agentique, à un moment où les entreprises tech cherchent à réduire leur dépendance aux API propriétaires pour des raisons de coût, de confidentialité et de souveraineté technologique.

Poolside dévoile Laguna S 2.1, un modèle de codage à base d'agents à poids ouverts qui surpasse sa catégorie sur SWE-Bench Multilingual

Poolside a dévoilé Laguna S 2.1, un modèle ouvert de 118 milliards de paramètres conçu pour le codage agentique, avec une architecture Mixture-of-Experts qui n'active que 8 milliards de paramètres par token, soit environ 6,8% du total. Le modèle gère un contexte allant jusqu'à un million de tokens, en mode réflexion ou non, et ses poids sont publiés sur Hugging Face sous licence OpenMDW-1.1, en versions BF16, FP8, INT4 et NVFP4, accompagnés de conversions GGUF et MLX. Il est assez compact pour tourner sur une seule carte NVIDIA DGX Spark. L'entraînement a débuté le 22 mai 2026 sur 4096 GPU H200 et le modèle est sorti en moins de neuf semaines, une première pour Poolside qui a aussi exécuté l'apprentissage par renforcement en précision FP8. Sur les benchmarks de codage long, Laguna S 2.1 obtient 70,2% sur Terminal-Bench 2.1 en mode réflexion, ce qui le place premier parmi les modèles ouverts de taille connue, et 78,5% sur SWE-Bench Multilingual, un score qui domine le tableau publié par Poolside toutes catégories confondues. Ce qui rend cette sortie notable, c'est la comparaison avec des modèles bien plus massifs. Laguna S 2.1 tient tête à DeepSeek-V4-Pro-Max (1,6 billion de paramètres), à Nemotron 3 Ultra de NVIDIA (550 milliards) et à Inkling de Thinking Machines (975 milliards), alors qu'il n'active qu'une fraction de leurs paramètres. Sur DeepSWE v1.1, il atteint 40,4% contre seulement 9,0% pour DeepSeek-V4-Pro-Max, avec environ six fois moins de paramètres actifs. Cette efficacité a un coût réel: le mode réflexion maximal, activé par défaut, fait grimper le score DeepSWE de 16,5% à 40,4%, mais multiplie par 2,5 la consommation de tokens, passant de 99 000 à 249 000 tokens de complétion. Pour les entreprises qui déploient des agents de codage, cela signifie un modèle nettement moins coûteux à faire tourner que les géants fermés, sans sacrifier autant de performance qu'attendu, même si des modèles propriétaires comme Claude Fable 5 ou Kimi K3 restent devant sur plusieurs benchmarks. Poolside a aussi publié trois trajectoires complètes et non éditées pour illustrer le comportement du modèle plutôt que ses seuls scores. Dans l'une, Laguna a construit un moteur de rendu HTML/CSS fonctionnel depuis un dossier vide en 181 étapes et 50 minutes, en validant lui-même sa sortie via Chromium en mode headless. Dans une autre, il a optimisé le harnais d'agents de Poolside, gagnant 5,2% de vitesse et réduisant l'allocation mémoire de 71% en remplaçant une concaténation de chaînes en O(n²) par des tampons. Dans la troisième, privé de Python, il a re-dérivé en Perl le problème Erdős numéro 397 en 68 minutes, une redécouverte indépendante puisque son entraînement s'arrête en novembre 2025, bien avant que GPT-5.2 Pro ne résolve le même problème en janvier 2026. Ces démonstrations s'inscrivent dans une course plus large où les laboratoires misent sur les architectures MoE et l'ouverture des poids pour rivaliser avec les modèles fermés sur l'autonomie et la durée des tâches de codage.

Mistral AI lance des agents distants dans Vibe et Mistral Medium 3.5 avec un score de 77,6 % sur SWE-Bench Verified

Mistral AI vient d'annoncer deux avancées majeures : le lancement des agents distants dans Vibe, sa plateforme d'agents de codage, et la mise en préversion publique de Mistral Medium 3.5, un nouveau modèle dense de 128 milliards de paramètres. Ce modèle devient immédiatement le modèle par défaut dans Vibe et dans Le Chat, l'assistant grand public de Mistral. Sur le benchmark SWE-Bench Verified, référence du secteur pour évaluer la capacité d'un modèle à résoudre des problèmes réels tirés de dépôts GitHub open source, Medium 3.5 obtient un score de 77,6%, devançant Devstral 2 ainsi que Qwen3.5 397B A17B. Le modèle dispose d'une fenêtre de contexte de 256 000 tokens, soit environ 200 000 mots traités en une seule passe, suffisant pour raisonner sur l'intégralité d'une grande base de code. Il est également multimodal, avec un encodeur visuel développé intégralement par Mistral plutôt que réutilisé depuis des modèles comme CLIP, ce qui lui confère davantage de flexibilité face aux images de tailles et formats variés. La bascule vers les agents distants représente un changement fondamental dans la façon dont les développeurs interagissent avec Vibe. Jusqu'ici, les sessions Vibe s'exécutaient localement, liant l'agent au terminal de l'utilisateur. Désormais, plusieurs sessions peuvent tourner en parallèle dans le cloud pendant que le développeur fait autre chose. Il est même possible de "téléporter" une session locale en cours vers le cloud sans perdre l'historique, l'état de la tâche ni les validations en attente. Chaque session s'exécute dans un environnement isolé, et lorsqu'une tâche est terminée, l'agent peut ouvrir directement une pull request sur GitHub et notifier le développeur. Les intégrations couvrent également Linear, Jira pour la gestion des tickets, Sentry pour les incidents, et Slack ou Teams pour les notifications. Le Chat de Mistral bénéficie de la même infrastructure via les Workflows de Mistral Studio, la même couche d'orchestration développée en interne avant d'être ouverte aux entreprises puis au grand public. Cette annonce s'inscrit dans une compétition de plus en plus dense sur le segment des agents de codage, où Mistral affronte notamment GitHub Copilot Workspace, Cursor et des offres d'OpenAI ou d'Anthropic. En positionnant Vibe comme une alternative accessible depuis la ligne de commande ou directement depuis Le Chat, Mistral mise sur la praticité et l'intégration native à la chaîne de développement existante. Le choix de construire son propre encodeur visuel plutôt que de s'appuyer sur des composants standard témoigne d'une volonté de maîtrise technique complète sur la pile. Avec Medium 3.5, Mistral qualifie ce modèle de premier "flagship merged model", suggérant une évolution de sa stratégie produit vers des modèles unifiés capables de couvrir instruction, raisonnement et code sans multiplication des variantes spécialisées.

KAT-Coder-V2.5 : KwaiKAT lance un modele de codage a base d'agents entraine sur plus de 100 000 environnements de depot verifiables

L'équipe KwaiKAT de Kuaishou a dévoilé KAT-Coder-V2.5, un modèle de codage conçu pour opérer directement dans des dépôts de code réels et exécutables plutôt que de se contenter de générer du code en une seule passe. Le modèle est accessible via la plateforme StreamLake, et une variante à poids ouverts, KAT-Coder-V2.5-Dev, a été publiée séparément sur Hugging Face sous licence Apache-2.0. Le cœur du projet repose sur un système baptisé AutoBuilder, qui définit une tâche vérifiable comme un triplet associant une description précise de la tâche, un environnement de dépôt exécutable et une série de tests de validation : un correctif n'est jugé correct que s'il satisfait l'ensemble de ces critères. Les tâches proviennent de vraies pull requests et de vrais commits, dans la lignée de SWE-bench, avec un correctif de référence et un correctif de test associés. Un agent de construction analyse chaque dépôt pour écrire un script de configuration installant les dépendances et lançant les tests depuis une copie propre, tandis qu'un agent de vérification exécute ce script dans un environnement isolé, n'acceptant l'environnement que si plus de 90% des tests attendus sont collectés et que leurs résultats sont reproductibles. Grâce à cette méthode, associée à des modèles de systèmes de build et à une bibliothèque de recettes réutilisables, le taux de réussite de construction des environnements est passé de 16,5% à 57,2%, aboutissant à plus de 100 000 environnements vérifiables couvrant 12 langages de programmation. Cette approche change la manière dont les modèles de codage sont entraînés et évalués, avec des conséquences concrètes pour les équipes d'ingénierie logicielle et les développeurs d'outils d'IA agentique. Plutôt que de juger un modèle sur sa capacité à produire un extrait de code plausible, KAT-Coder-V2.5 est évalué sur sa capacité à résoudre de vrais problèmes dans un contexte réaliste, avec compilation, dépendances et tests automatisés. Cela réduit le risque que des modèles obtiennent de bons scores en exploitant des raccourcis artificiels, comme le contournement de mécanismes de test ou le codage en dur de résultats attendus, une dérive fréquente dans l'entraînement par renforcement appliqué au code. Pour les entreprises qui cherchent à déployer des agents capables de naviguer, corriger et faire évoluer des bases de code existantes de façon autonome, ce type d'entraînement rapproche les modèles des conditions réelles de production, où la correction d'un bug implique bien plus que produire une ligne de code correcte isolément. Le projet met en lumière un problème plus large de fiabilité dans l'entraînement des modèles de codage par renforcement. Lors du développement de la version précédente, KAT-Coder-V2, l'équipe avait d'abord attribué la lenteur des courbes de récompense à des limites de l'algorithme d'apprentissage, avant qu'un audit ne révèle qu'environ 16% des trajectoires échouaient en réalité à cause de problèmes d'infrastructure des bacs à sable, notamment des défauts d'alignement qui vidaient les observations, et non à cause du modèle lui-même. KwaiKAT a donc développé un mécanisme de filtrage fondé sur le processus plutôt que sur le seul succès final des tests, avec des indices ciblés pour les tentatives proches de la réussite, une régénération de trajectoires sans indice pour éviter les fuites d'information, et un système de notation évaluant l'exploration, la localisation du bug, la fidélité aux spécifications et la qualité de la vérification. Un mécanisme de randomisation des noms d'outils, formats de sortie et modèles de prompts vise également à limiter le surapprentissage lié au harnais d'évaluation, une préoccupation croissante à mesure que les benchmarks de codage agentique deviennent des cibles d'optimisation pour l'industrie.

💬 Ce qui compte ici, c'est pas le modèle en lui-même, c'est l'aveu : 16% des trajectoires ratées à cause du bac à sable, pas du modèle. Ça confirme un truc qu'on soupçonnait depuis longtemps sur le RL appliqué au code, à savoir que la moitié du boulot c'est l'infra de vérification, pas l'algo. Selon Le Fil IA, la vraie course en ce moment se joue sur qui a les environnements de test les plus fiables, pas sur qui a le meilleur modèle. Bon, sur le papier, passer de 16,5% à 57,2% de taux de construction c'est solide, reste à voir si KAT-Coder tient la route face à Claude ou GPT sur du vrai code de prod.