Laguna S 2.1 분석: 9주 만에 출시된 118B 모델이 더 큰 모델을 이긴 비밀

최근 LLM 시장에서 화두는 모델의 크기가 아니라 추론 단계에서의 설계다. Poolside가 공개한 Laguna S 2.1은 118B MoE라는 큰 총 파라미터를 지녔음에도, 실제 성능을 끌어올린 핵심 요인은 추론 시간 기법과 에이전트 하네스에 있다는 평가가 나온다. 본문에서는 해당 모델의 사양과 벤치마크 성적, 그리고 이를 가능하게 한 인프라적 요소를 차례로 살펴본다.

모델 사양 한눈에 보기 (118B MoE, 1M 컨텍스트, 듀얼 모드)

Laguna S 2.1은 공개된 사양만으로도 몇 가지 특징을 갖는다. 먼저 총 매개변수 118B의 MoE(Mixture of Experts) 구조를 채택해, 토큰당 활성 매개변수는 8B 수준으로 유지된다. 컨텍스트 길이는 thinking·no-thinking 모드 모두 최대 1M 토큰을 지원해 장문 코드베이스를 한 번에 다루는 작업을 겨냥했다.

MoE 아키텍처가 가지는 의미

MoE는 학습 시점의 계산 비용과 추론 시점의 활성 파라미터를 분리한다는 점에서 실용적이다. 118B 전체를 매 토큰마다 활성화하지 않고 8B만 활성화하므로, 큰 모델의 표현력은 유지하면서 응답 속도와 비용은 절감할 수 있다. 이는 학습 데이터 품질과 라우팅 설계가 성능을 좌우한다는 의미이기도 하다.

thinking과 no-thinking 모드의 차이

thinking 모드는 응답 전에 내부 추론 단계를 거치며, no-thinking 모드는 즉시 응답한다. 둘 다 1M 토큰 컨텍스트를 공유하므로, 작업의 성격에 따라 모드만 전환해 지연 시간과 정확성 사이의 균형을 조절할 수 있다.

벤치마크 성적: SWE-Bench, Terminal-Bench, DeepSWE

Laguna S 2.1은 학습 종료 직후의 가중치로 다음과 같은 점수를 기록했다. 수치는 공개된 결과 기준이다.

벤치마크	점수	평가 대상
Terminal-Bench 2.1	70.2%	터미널 환경 작업 수행 능력
SWE-Bench Multilingual	78.5%	다국어 코드 이슈 해결
DeepSWE v1.1	40.4%	딥러닝 관련 코딩 작업

이 수치는 같은 시점 공개된 더 큰 폐쇄형 모델과 비교해 뒤지지 않는 수준으로, 가중치 학습만으로 도달한 결과라는 점에서 해석에 주의가 필요하다.

Terminal-Bench 70.2%의 의미

Terminal-Bench는 단순 코드 생성이 아니라 셸 명령, 환경 조작, 도구 사용을 종합 평가한다. Laguna S 2.1이 70.2%를 기록한 것은 모델이 명령을 해석하고 외부 도구를 호출하는 에이전트 행위에 강점을 보인다는 방증이다.

SWE-Bench Multilingual 78.5%와 DeepSWE 40.4%

SWE-Bench Multilingual은 다국어 저장소의 실제 이슈를 패치 형태로 해결하는지 평가하며, 78.5%는 광범위한 언어 생태계에서의 실용성을 시사한다. DeepSWE는 딥러닝 코드 맥락의 작업으로, 40.4%는 해당 영역의 난이도를 고려하면 의미 있는 수치로 분석된다.

성능 향상의 진짜 엔진: 추론 시간 기법 4종

Poolside는 성능 향상의 원천을 모델 확장이 아닌 추론 시간 기법 네 가지에 두고 있다. 이는 추론 단계에서 더 많은 연산과 시간을 들여 정답률을 끌어올리는 전략이다.

• 지속성(Persistence): 단일 응답이 끝나도 작업을 포기하지 않고 추가 탐색을 이어간다.
• 검증(Verification): 생성된 결과를 테스트나 정적 분석으로 즉시 확인한다.
• 후퇴 후 재시도(Backtracking and Restart): 막다른 길에 도달하면 이전 상태로 돌아가 다른 경로를 시도한다.
• 사고의 연쇄 확장(Extended Chain of Thought): 단계를 거치며 중간 추론을 명시적으로 펼친다.

지속성(Persistence)

지속성은 짧은 답변을 생성하고 종료하는 대신, 일정 예산 내에서 동일한 작업을 두고 여러 시도를 이어가게 한다. 이를 통해 단순 한 번의 추론에서 놓치기 쉬운 해답을 보완할 수 있다.

검증(Verification)

검증 단계는 생성된 코드나 명령을 즉시 실행해 통과 여부를 확인한다. 이는 환각으로 인한 오답을 조기에 걸러내며, 테스트 기반 개발과 유사한 루프를 추론 과정 안에 내장한다.

후퇴 후 재시도(Backtracking and Restart)

검증 실패 시 처음부터 다시 시작하는 대신, 실패한 지점에서 분기점으로 돌아가 다른 경로를 탐색한다. 이는 트리 탐색 비용을 줄이면서 성공 확률을 높이는 방식으로 보인다.

사고의 연쇄 확장(Extended Chain of Thought)

사고의 연쇄 확장은 응답 전에 모델이 스스로 점검 단계를 거치게 한다. thinking 모드에서 가장 두드러지며, 모드 전환만으로도 정확도와 지연 시간의 균형을 조절할 수 있다.

에이전트 하네스와 샌드박스 인프라

추론 시간 기법은 단독으로 동작하기보다 샌드박스 환경과 다중 에이전트 하네스 위에서 효과를 발휘한다. 이는 단순한 모델 호출 반복을 넘어, 코드 실행과 다중 역할 협업을 시스템 차원에서 지원하는 구조다.

코드 실행과 테스트가 가능한 샌드박스

샌드박스는 생성된 코드를 격리된 환경에서 실행하고 빌드, 테스트, 정적 분석을 수행한다. 이를 통해 검증 단계가 실제 신호로 작동할 수 있으며, 외부 시스템에 대한 부작용 위험을 줄일 수 있다.

다중 에이전트 협업 구조

다중 에이전트 하네스는 작업 분석, 코드 생성, 테스트 작성, 리뷰 같은 역할을 여러 에이전트가 분담하도록 한다. 각 에이전트가 자신의 산출물을 다른 에이전트에게 검증받는 구조는 지속성과 검증 기법을 자연스럽게 확장한다.

사례 분석: 181단계로 만든 HTML CSS 렌더링 엔진

Laguna S 2.1은 실제 환경에서 181단계의 도구 호출과 코드 변경을 거쳐 HTML과 CSS를 렌더링하는 엔진을 만들었다고 보고된다. 이는 단일 응답으로는 달성하기 어려운 작업을, 지속성·검증·후퇴 후 재시도 기법과 샌드박스를 결합해 점진적으로 완성한 사례로 분석된다. 181이라는 단계 수는 실패와 재시도를 포함한 누적 시도 횟수라는 점에서, 추론 시간 설계의 실제 비용 구조를 보여준다.

9주 출시 주기가 말하는 오픈소스 생태계의 변화

학습 시작부터 출시까지 9주 미만이라는 기간은 파이프라인의 효율성을 강하게 시사한다. 이는 데이터 준비, 사전학습, 사후학습, 평가, 배포를 직렬이 아닌 가능한 병렬로 운영했음을 의미한다. 오픈소스 진영에서도 유사한 주기의 모델이 등장하고 있어, 학습부터 배포까지의 압축은 업계 전반의 흐름으로 보인다.

학습부터 배포까지 압축된 파이프라인

9주라는 출시 주기는 파라미터 수 대비 짧은 편이며, 학습 인프라와 평가 자동화가 충분히 성숙했음을 시사한다. 다만 118B MoE 모델의 학습에는 여전히 상당한 연산이 필요하므로, 압축은 인프라 효율의 결과로 분석된다.

오픈소스 진영과 폐쇄형 모델의 경계 재정의

오픈 가중치 모델이 더 큰 폐쇄형 모델과 비슷한 벤치마크 점수에 도달한 사실은, 경계가 더는 파라미터 크기만으로 결정되지 않음을 보여준다. 추론 시간 설계, 도구 통합, 인프라 결합이 함께 따라야 한다는 점이 강조된다.

결론: 파라미터 경쟁에서 추론 시간 경쟁으로

Laguna S 2.1은 118B라는 총 파라미터를 지녔지만, 실제 경쟁력은 추론 시간 기법과 에이전트 하네스에서 나왔다. 이는 모델 크기 자체보다 응답을 어떻게 설계하고 어떤 인프라 위에서 동작시키는가가 코딩 AI의 성패를 좌우한다는 시그널로 해석된다. 향후 모델 선택 시에는 가중치뿐 아니라 추론 파이프라인과 도구 통합 수준을 함께 따져야 할 것이다.

Laguna S 2.1, Poolside, 118B MoE, 1M 토큰 컨텍스트, 에이전트 하네스, 추론 시간 기법, Terminal-Bench, SWE-Bench, DeepSWE, 샌드박스, 오픈소스 LLM, 코딩 AI, AI 모델 분석

참고: GeekNews – Laguna S 2.1 공개, Poolside 공식 사이트