Poolside Laguna S 2.1: para qué sirve de verdad (benchmark en español)

Lo mejor que tiene es Coding, y aun así queda abajo (#87 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.10 contra 8.53). Está en el tercio más barato del ranking: $0.297 por cada 1.000 llamadas.

Nota de calidad7.89/10#73 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.297más barato que 87 de 97

Al mes, uso típico$0.44650 llamadas por día, todos los días

Velocidad87 tok/s12.5 s de espera media

⬡ Open source · OpenMDW-1.1 ⚒ Puede usar herramientas ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.0/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 8.53 (-0.55 vs mediana)

Contenido 7.86 (-0.51 vs mediana)

Razonamiento 8.22 (+0.26 vs mediana)

Agentes 7.10 (-0.44 vs mediana)

Medido con 143 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 32 tareas medidas es 7.42. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Precisión literal (hex, JWT, configs) — 9.30 (+1.88 contra su media). Decide: no equivocarse en un dato
Gestión de tareas (action items, planes) — 8.75 (+1.33 contra su media). Decide: convertir una conversación en tareas
Seguir instrucciones al pie de la letra — 8.46 (+1.04 contra su media). Decide: hacer exactamente lo que se pidió
Razonamiento general (lógica, decisiones) — 8.44 (+1.02 contra su media). Decide: razonar con varias piezas a la vez

Donde se cae

Resistencia a prompt injection — 2.75 (-4.67 contra su media). Decide: resistir una fuga de datos
Tool calling (llamada de funciones) — 5.22 (-2.20 contra su media). Decide: llamar bien las funciones
JSON estructurado (extracción, schemas) — 5.70 (-1.72 contra su media). Decide: emitir JSON válido a la primera
Noticias + SEO (artículos completos) — 5.74 (-1.68 contra su media). Decide: escribir un artículo publicable

Si Poolside Laguna S 2.1 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
Qwen 3.7 Flash Mejor nota, precio parecido	8.49	$0.204	28.5 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: Poolside Laguna S 2.1 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	143
Tool calling	6.23
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$0.090
Precio por millón · salida	$0.180
Rendimiento y límites
Latencia total media	12.5 s
Ventana de contexto	1.048.576
Contexto útil medido	800.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Poolside Laguna S 2.1 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Poolside Laguna S 2.1 Este modelo	7.89	$0.297
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 8% más (8.52 contra 7.89) y cuesta 3 veces más por llamada.
Claude Opus 4.8 (el caro que todos conocen) rinde 7% más (8.48 contra 7.89) y cuesta 131 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Poolside Laguna S 2.1 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	3.006	10.439	13.048 (piso)
Contenido genérico (blog. email. social)	1.300	8.192	10.240 (piso)
Razonamiento profundo (matemática. Fermi)	3.562	8.192	10.240 (piso)
Noticias + SEO (artículos completos)	1.292	4.003	5.003
Contenido startup (newsletter. actualidad)	1.985	3.006	3.757
Razonamiento general (lógica. decisiones)	1.288	2.820	3.525
Gestión de tareas (action items. planes)	2.445	2.789	3.486
Presentaciones (slides. reportes)	2.335	2.335	2.918
Auditar números (detectar el error plantado)	1.718	2.321	2.901
Decisiones de negocio (prioridades. plan)	635	1.974	2.467
Contenido con datos verificables (no inventar)	357	1.740	2.175
Generación de código (Python. SQL. debug)	960	1.702	2.127
Capacidades de agente (delegación. skills)	627	1.565	1.956
Estrategia (pricing. planificación)	1.166	1.367	1.708
Ventas en frío (cold email. campañas)	425	1.183	1.478
JSON estructurado (extracción. schemas)	102	1.124	1.405
Traducción (es↔en)	600	1.064	1.330
Integridad de idioma (no mezclar idiomas)	996	1.012	1.265
OCR / extracción desde imágenes	425	887	1.108
Orquestación (flujos de varios pasos)	517	735	918
Anti-alucinación (citas. contexto)	691	725	906
Creatividad (hooks. analogías. narrativa)	563	620	775
Aguja en el pajar (contexto largo en español)	322	575	718
No inventar herramientas (abstenerse cuando no hay)	100	541	676
Resistencia a prompt injection	272	393	491
Seguir instrucciones al pie de la letra	311	383	478
Resúmenes y extracción de datos	371	371	463
Multi-turno (debugging. requisitos)	166	352	440
Verificar un dato contra su fuente	66	299	373
Soporte al cliente (clasificar y responder)	174	233	291
Precisión literal (hex. JWT. configs)	58	202	252
Tool calling (llamada de funciones)	103	149	186

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Poolside Laguna S 2.1

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Pesos y tarjeta oficial del modelo — ahí están los benchmarks del fabricante, la licencia y cómo correrlo
Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Poolside Laguna S 2.1 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →