# Poolside 联创自述：70 人团队如何在 8 周内训出 118B 的 MoE 模型

> 原标题：Inside the Model Factory — Eiso Kant, Poolside AI

- 来源：Latent Space
- 发布时间：2026-07-23T05:09:14.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/46870
- 原文：https://www.latent.space/p/poolside

## 摘要

Poolside 的联合 CEO Eiso Kant 在播客里拆解了他们的“模型工厂”。一个不到 70 人的研究团队，每月跑 1 万到 2 万次实验，把模型迭代周期从半年压缩到了 5 到 8 周。他们刚发的 Laguna S 2.1 是个总参数 1180 亿、每次推理只激活 80 亿参数的混合专家模型，支持 100 万 token 的上下文窗口，还有思...

## 推荐理由

Poolside 第一次把模型工厂的内部运作摊开来讲，118B MoE 架构和5-8周迭代节奏都有实打实的数字，对做模型训练或代码工具的人挺有用。没给更高分是因为 Poolside 的盘子还集中在代码领域，这篇对非代码方向的从业者触动有限。

## 锐评

Poolside 的联合 CEO Eiso Kant 在播客里把他们的做法讲得很直白：95% 的模型能力提升，靠的是更好的数据或更高的算力效率，而不是堆参数。他们新发的 Laguna S 2.1 是个混合专家模型，总参数 1180 亿，但每次推理只激活 80 亿参数，支持 100 万 token 的上下文窗口，还能在“思考”和“不思考”两种模式间切换。用 80 亿激活参数去跟 Thinking Machines 近万亿参数的开源模型打，还赢了，说明他们在效率上确实下了功夫。

不过，这篇播客稿更像一次理念输出，而不是技术报告。Eiso 说传统的工具调用和 MCP 协议“很蠢”，预测强化学习会更早介入预训练阶段，还表示宁愿市场上有 100 家基础模型公司而不是 5 家。这些判断听着挺带劲，但正文没给出具体的实验对比数据或消融实验来支撑。另外，他们融了 5 亿美元，但钱具体怎么分、模型工厂的硬件投入和人员成本占比多少，都没提。

还缺什么？缺的是这套“模型工厂”方法论的可复制性验证。70 人团队能跑通，不代表别人照着做也能成。另外，模型在真实业务场景里的表现，比如代码生成的一次通过率、复杂项目里的持续调试能力，光靠跑分说不清楚。