Poolside и Laguna S: агенты, которые пишут код вместо того, чтобы звать MCP-тулы

Ко-фаундер Poolside Изо Кант (Eiso Kant) в подкасте Latent Space обронил фразу, которая многое объясняет про то, куда движутся агентные системы: MCP и вызовы инструментов — это костыль. Вместо того чтобы пихать модели пятьдесят тулов в системный промпт, говорит он, лучше дать ей виртуальную машину с нужными бинарниками и позволить писать код самой. Это не абстрактный тезис — это принцип, на котором построена Poolside Laguna S, новая маленькая модель компании, и вся их фабрика моделей.

Poolside Laguna S: почему маленькая модель ведёт себя как большая

Laguna S — модель со 118 млрд параметров, из которых активны только 8 млрд: она умещается на одну DGX Spark и выдаёт 30–40 токенов в секунду. По размеру это далеко не топ, но по поведению — неожиданно близко к куда более крупным системам: решает независимо взятые задачи уровня Erdős problems, пишет нетривиальный код без доступа к интернету, разбираясь в системных API методом упорного перебора и проверки гипотез.

Кант цитирует коллегу из команды: прирост Laguna S идёт не столько от интеллекта, сколько от поведения — модель меньше сдаётся раньше времени, больше проверяет себя, не объявляет победу преждевременно и держится настойчивее. Это ключевой сдвиг: пост-тренинг учит модель не новым знаниям, а более продуктивной манере работы с уже усвоенным. Для практики это значит, что разрыв между маленькой дешёвой моделью и большой дорогой в задачах вроде написания кода может схлопываться быстрее, чем предполагали бенчмарки годичной давности.

Агенты вместо MCP: код как универсальный интерфейс

Отсюда и тезис про MCP. Если модель достаточно настойчива и умеет писать код, ей не нужен заранее описанный список функций — она просто открывает терминал, смотрит, что установлено, и решает задачу через код, а не через жёстко заданный протокол вызовов. Кант отмечает, что то же самое видно у фронтир-моделей других лабораторий: тренд не «больше тулов в промпте», а «дать модели окружение и дать ей писать в нём код». Для тех, кто следит за экосистемой вокруг Claude Code и агентных CLI, это узнаваемый вектор — сама идея agentic loop с доступом к shell вместо жёсткого набора функций уже стала нормой, и Poolside просто формулирует, почему это направление технически обосновано, а не просто удобно.

Model factory: инженерия как двигатель научного прогресса

Отдельная часть разговора — про то, как вообще строить компанию, которая раз в несколько недель выпускает новую модель. Poolside называют это моделью-фабрикой: данные текут в тренировку потоково, а не материализуются заранее, каждый эксперимент воспроизводим до токена, а решения исследователей версионируются как код. Именно это, по словам Канта, позволило пройти путь от старта претрейна до релиза Laguna S за 8 недель — и параллельно уже тренировать следующую, куда более крупную модель, Laguna M.

Открытые модели ИИ как осознанная ставка

Отдельного внимания заслуживает мотивация открытости. Poolside начинали закрытой компанией, но сознательно выкладывают веса и исследования, потому что, по словам Канта, мир с сотней компаний, создающих ИИ, лучше мира с пятью — даже если сама Poolside окажется одной из этой пятёрки. Открытые модели ИИ, по его логике, становятся частью токен-экономики, где страны, компании и разработчики выбирают, кому они доверяют больше, а разнообразие моделей с разными данными и смещениями снижает риск концентрации всей интеллектуальной инфраструктуры в руках нескольких игроков.

Что это значит на практике

Для разработчиков, использующих Claude Code и подобные агентные инструменты, интересны два вывода. Во-первых, поведенческие улучшения — настойчивость, самопроверка, умение возвращаться назад при ошибке — могут дать больше практической пользы, чем ещё один шаг вверх по шкале параметров, а значит ставка на компактные, но хорошо пост-тренированные модели для рабочих агентных задач вполне рациональна. Во-вторых, отказ от жёстких MCP-обвязок в пользу подхода «дай модели код и окружение» — не гипотеза, а уже наблюдаемый тренд у нескольких лабораторий одновременно, и стоит следить, как быстро он доберётся до продакшн-инструментов, которыми пользуются каждый день.