Laguna M.1 là gì? Giải mã mô hình AI Coding thế hệ mới của Poolside 

Trong làn sóng bùng nổ của các mô hình AI chuyên về lập trình, cái tên Laguna M.1 đang thu hút sự chú ý của giới công nghệ nhờ kiến trúc Mixture-of-Experts quy mô lớn cùng khả năng xử lý tác vụ lập trình phức tạp kéo dài nhiều bước. Vậy Laguna M.1 là gì, ai đứng sau phát triển và mô hình này mang lại giá trị thực tế nào cho lập trình viên? Cùng Tino khám phá nhé!

Tổng quan về Laguna M.1

Laguna M.1 là gì?

Laguna M.1 là một mô hình ngôn ngữ lớn được phát triển bởi Poolside, chuyên phục vụ lập trình tự động và các nhiệm vụ kỹ thuật phần mềm nhiều bước. Mô hình được thiết kế để làm việc trong môi trường có công cụ, chẳng hạn như trình chỉnh sửa mã nguồn, terminal, hệ thống kiểm thử và kho mã.

Thay vì chỉ trả lời một câu hỏi rồi dừng lại, Laguna M.1 có thể lập kế hoạch, đọc cấu trúc dự án, tìm tệp liên quan, chỉnh sửa code, chạy kiểm thử và tiếp tục điều chỉnh cho đến khi đạt kết quả phù hợp. Đây chính là đặc điểm cốt lõi của agentic coding.

Laguna M.1 sử dụng kiến trúc Mixture-of-Experts với 225,8 tỷ tham số tổng và khoảng 23,4 tỷ tham số được kích hoạt cho mỗi token. Model card hiện tại của Poolside ghi nhận cửa sổ ngữ cảnh 262.144 token, hỗ trợ suy luận gốc, gọi công cụ và giấy phép Apache 2.0.

Laguna M.1 do ai phát triển?

Laguna M.1 được phát triển bởi Poolside – một công ty AI tập trung vào các foundation model dành cho kỹ thuật phần mềm. Poolside giới thiệu Laguna M.1 cùng Laguna XS.2 vào ngày 28/4/2026, sau đó công bố báo cáo kỹ thuật chi tiết và mở trọng số Laguna M.1 trên Hugging Face.

Poolside cho biết Laguna M.1 được huấn luyện từ đầu trên hơn 30 nghìn tỷ token bằng 6.144 GPU NVIDIA Hopper kết nối với nhau. Toàn bộ quá trình gồm thu thập dữ liệu, tiền huấn luyện, hậu huấn luyện, đánh giá và reinforcement learning được tổ chức trong hệ thống nội bộ mang tên Model Factory.

Cập nhật đến ngày 22/7/2026: Laguna M.1 vẫn là model M-class 225B-A23B được Poolside hỗ trợ và phát hành trọng số mở. Tuy nhiên, đây không còn là bản phát hành mới nhất trong gia đình Laguna. Poolside đã giới thiệu Laguna S 2.1 vào ngày 21/7/2026, bên cạnh Laguna XS 2.1 dành cho nhu cầu nhẹ hơn.

Thông số kỹ thuật nổi bật của Laguna M.1

Kiến trúc Mixture-of-Experts (MoE)

Mixture-of-Experts, thường viết tắt là MoE, có thể hiểu đơn giản như một nhóm chuyên gia cùng làm việc. Mỗi chuyên gia phụ trách một nhóm mẫu hoặc kỹ năng khác nhau. Khi xử lý một token, hệ thống chỉ kích hoạt những chuyên gia phù hợp thay vì huy động toàn bộ tham số.

Laguna M.1 có 225,8 tỷ tham số tổng nhưng chỉ kích hoạt khoảng 23,4 tỷ tham số cho mỗi token. Cách thiết kế này giúp model duy trì năng lực lớn trong khi giảm lượng tính toán so với một mô hình dense có cùng tổng số tham số.

Về cấu trúc, Laguna M.1 có 70 lớp Transformer. Ba lớp đầu là dense SwiGLU, 67 lớp còn lại sử dụng MoE với 256 chuyên gia và cơ chế chọn 16 chuyên gia cho mỗi token. Tất cả các lớp đều dùng global attention.

Cửa sổ ngữ cảnh 256K token

Từ cuối tháng 5 năm 2026, Poolside nâng cửa sổ ngữ cảnh của Laguna M.1 lên 256.000 token, đồng thời cải thiện điểm số trên các bài kiểm tra như SWE-bench Verified, SWE-Bench Pro và Terminal-Bench 2.0. Cửa sổ ngữ cảnh lớn cho phép mô hình ghi nhớ toàn bộ một dự án phần mềm có quy mô vừa và nhỏ trong một lượt xử lý duy nhất, hạn chế tình trạng quên ngữ cảnh khi làm việc dài hơi.

Khả năng suy luận tích hợp

Laguna M.1 hỗ trợ suy luận gốc và có thể suy luận xen kẽ giữa các lần gọi công cụ. Trong một nhiệm vụ sửa lỗi, model có thể đọc tệp, hình thành giả thuyết, chạy lệnh, xem kết quả rồi cập nhật hướng xử lý.

Poolside cũng cho phép bật hoặc tắt chế độ thinking theo từng yêu cầu. Khi thực hiện công việc dài và phức tạp, chế độ suy luận thường phù hợp hơn. Với câu hỏi đơn giản hoặc yêu cầu phản hồi nhanh, người dùng có thể tắt chế độ này để giảm độ trễ và lượng token đầu ra.

Xem thêm: Top 10+ mô hình LLM Open Source tốt nhất

Quy trình huấn luyện Model Factory

Model Factory là cách Poolside tổ chức toàn bộ vòng đời phát triển model thành một dây chuyền thống nhất. Dữ liệu, mã huấn luyện, phiên bản checkpoint, hệ thống đánh giá và hạ tầng suy luận đều được quản lý cùng nhau.

Laguna M.1 trải qua tiền huấn luyện, hậu huấn luyện và reinforcement learning. Trong giai đoạn reinforcement learning, model làm việc với các bài toán kỹ thuật phần mềm thực tế trong môi trường sandbox: đọc tệp, chạy terminal, chỉnh sửa code và nhận điểm dựa trên kết quả.

Poolside sử dụng hệ thống rollout bất đồng bộ để phục vụ các nhiệm vụ dài mà không khiến quá trình huấn luyện phải chờ toàn bộ phiên làm việc kết thúc.

Bảng thông số kỹ thuật của Laguna M.1:

Lưu ý: Các thông số trên được tổng hợp từ model card, tài liệu API và báo cáo kỹ thuật chính thức. Poolside hiện ghi nhận vLLM từ phiên bản 0.21.0 và Transformers từ phiên bản 5.7.0 có hỗ trợ Laguna M.1. 

Hiệu năng benchmark của Laguna M.1

Model card hiện tại của Poolside công bố các kết quả sau:

Các kết quả cập nhật cao hơn số liệu trong ngày công bố đầu tiên. Poolside đánh giá Laguna M.1 có khả năng cạnh tranh với nhiều open-weight model mạnh trong cùng nhóm kích thước, nhưng Laguna M.1 không dẫn đầu mọi benchmark. DeepSeek-V4 Flash, Qwen3.5 và một số model đóng vẫn đạt điểm cao hơn ở một số bài kiểm tra.

Benchmark agent phụ thuộc đáng kể vào agent harness, số bước tối đa, tài nguyên sandbox, tham số lấy mẫu và cách sửa lỗi hạ tầng của bộ kiểm thử. Vì vậy, bạn vẫn nên xem điểm benchmark như một tín hiệu tham khảo thay vì kết luận tuyệt đối về hiệu quả trong dự án thực tế.

Poolside cho biết các bài đánh giá Laguna M.1 được chạy với tối đa 500 bước trong môi trường sandbox.

Ưu điểm và hạn chế của Laguna M.1

Ưu điểm của Laguna M.1

• Tập trung chuyên sâu vào kỹ thuật phần mềm: Laguna M.1 được huấn luyện cho quy trình đọc code, gọi công cụ, sửa lỗi và kiểm tra kết quả.
• Xử lý tốt nhiệm vụ dài: Cửa sổ ngữ cảnh 256K cùng khả năng suy luận xen kẽ giúp model theo dõi nhiều bước liên tiếp.
• Kiến trúc MoE hiệu quả: Mô hình có tổng dung lượng lớn nhưng chỉ kích hoạt một phần tham số cho mỗi token.
• Hỗ trợ tool calling và reasoning: Phù hợp để tích hợp vào coding agent, CLI, IDE hoặc pipeline tự động.
• Trọng số mở: Phiên bản BF16, FP8 và NVFP4 hiện có trên Hugging Face theo giấy phép Apache 2.0.
• Có thể triển khai riêng: Doanh nghiệp có thể vận hành trong hạ tầng kiểm soát nội bộ khi có đủ tài nguyên.
• API tương thích OpenAI: Nhà phát triển có thể chuyển đổi từ nhiều công cụ đang dùng chuẩn OpenAI-compatible với ít thay đổi hơn.

Hạn chế của Laguna M.1

• Yêu cầu phần cứng rất cao: Tài liệu triển khai của Poolside đưa ra cấu hình khởi điểm cho bản FP8 ở mức tối thiểu 384 GB bộ nhớ GPU, 128 lõi CPU và 1 TB RAM máy chủ. Máy tính cá nhân thông thường không phù hợp để tự vận hành đầy đủ Laguna M.1.
• Chỉ nhận và tạo văn bản: Laguna M.1 không hỗ trợ đầu vào hình ảnh, âm thanh hoặc video.
• Độ trễ và chi phí có thể cao: Nhiệm vụ nhiều bước, reasoning dài và cửa sổ ngữ cảnh lớn thường tiêu thụ nhiều token cũng như tài nguyên suy luận.
• Không phải lựa chọn tối ưu cho mọi nhu cầu: Các câu hỏi đơn giản, autocomplete nhanh hoặc công việc nhẹ có thể phù hợp hơn với model nhỏ.
• Kết quả phụ thuộc môi trường agent: Thiếu terminal, bộ kiểm thử hoặc quyền đọc tệp sẽ làm giảm đáng kể lợi thế của model.
• Code vẫn cần kiểm tra: Người dùng phải review thay đổi, chạy kiểm thử bảo mật và kiểm soát quyền truy cập trước khi đưa vào production.

So sánh Laguna M.1 với Laguna XS 2.1 và Laguna S 2.1 

Lưu ý: Không nên so sánh ba model chỉ dựa trên số tham số. Laguna S 2.1 sử dụng kiến trúc và quy trình hậu huấn luyện mới hơn, trong khi Laguna M.1 có tổng quy mô lớn hơn.

Laguna M.1 có thể làm được gì?

Khám phá và giải thích codebase

Laguna M.1 có thể đọc cấu trúc thư mục, tìm các thành phần quan trọng và giải thích luồng hoạt động của dự án. Khả năng này hữu ích khi tiếp nhận repository cũ hoặc cần hiểu nhanh một hệ thống do đội ngũ khác phát triển.

Sửa lỗi qua nhiều tệp

Nhiều lỗi phần mềm không nằm trong một tệp duy nhất. Laguna M.1 được thiết kế để theo dõi quan hệ giữa nhiều thành phần, xác định nguyên nhân, chỉnh sửa các tệp liên quan và chạy kiểm thử sau khi hoàn thành.

Refactor và nâng cấp mã nguồn

Model có thể hỗ trợ chia nhỏ hàm, chuẩn hóa cấu trúc, loại bỏ phần lặp, cập nhật API cũ hoặc chuyển đổi mã sang kiến trúc mới. Người dùng nên nêu rõ tiêu chuẩn code, phạm vi tệp được phép chỉnh sửa và bộ kiểm thử cần chạy.

Tạo tính năng hoàn chỉnh

Thay vì chỉ viết một hàm, Laguna M.1 có thể hỗ trợ xây dựng tính năng gồm logic xử lý, giao diện API, kiểm thử và tài liệu. Hiệu quả phụ thuộc nhiều vào môi trường công cụ và tiêu chí nghiệm thu mà người dùng cung cấp.

Tự động hóa công việc trong terminal

Khi được cấp quyền phù hợp, model có thể chạy lệnh, cài dependency, kiểm tra build, đọc log và xác minh kết quả. Đây là khác biệt quan trọng giữa một model agentic coding và chatbot chỉ tạo văn bản.

Laguna M.1 phù hợp với những trường hợp nào?

Laguna M.1 phù hợp khi:

• Doanh nghiệp muốn xây dựng coding agent chạy trên hạ tầng riêng.
• Dự án có repository lớn và nhiều thành phần liên kết.
• Nhiệm vụ yêu cầu đọc code, chỉnh sửa, chạy test và lặp lại nhiều vòng.
• Đội ngũ muốn tích hợp model vào terminal, CI/CD hoặc công cụ nội bộ.
• Nhà nghiên cứu cần một open-weight model mạnh cho agentic software engineering.
• Chất lượng xử lý nhiệm vụ quan trọng hơn tốc độ phản hồi tức thời.

Laguna M.1 ít phù hợp khi:

• Chỉ cần hỏi đáp thông thường hoặc viết nội dung ngắn.
• Cần phân tích hình ảnh, giao diện hoặc video.
• Hạ tầng chỉ có một GPU phổ thông.
• Yêu cầu phản hồi cực nhanh với chi phí thấp.
• Dự án không có bộ kiểm thử hoặc cơ chế xác minh kết quả.

Các trường hợp trên phản ánh định hướng chính thức của Poolside: M.1 phù hợp hơn với công việc code nhiều bước, có công cụ và đặt chất lượng agent cao hơn tốc độ thuần túy.

Cách sử dụng Laguna M.1

Qua API của Poolside và OpenRouter

Cách nhanh nhất để trải nghiệm Laguna M.1 là tạo API key tại nền tảng platform.poolside.ai hoặc gọi mô hình thông qua OpenRouter. Trên OpenRouter hiện có cả phiên bản miễn phí giới hạn và phiên bản trả phí theo lượng token sử dụng.

Xem thêm: Hướng dẫn dùng miễn phí API LLM trên OpenRouter

Chạy cục bộ với vLLM, Transformers

Với những ai muốn tự triển khai mô hình trên hạ tầng riêng, Laguna M.1 được hỗ trợ chính thức trên vLLM (từ phiên bản 0.21.0 trở lên), SGLang, thư viện Transformers (từ bản 5.7.0) và TRT-LLM nhờ hợp tác kỹ thuật với NVIDIA. Do quy mô 225 tỷ tham số, việc tải mô hình ở định dạng BF16 đòi hỏi cấu hình nhiều GPU; ngoài ra Poolside cũng phát hành các bản lượng tử hóa như NVFP4 giúp giảm đáng kể yêu cầu phần cứng.

Kết hợp cùng pool và Shimmer

Poolside phát triển thêm hai công cụ đi kèm để tối ưu trải nghiệm sử dụng mô hình: pool, một trợ lý lập trình dạng terminal hỗ trợ giao thức Agent Client Protocol (ACP), có thể tích hợp trực tiếp vào Zed hoặc JetBrains; và Shimmer, một môi trường phát triển đám mây dạng máy ảo khởi động tức thời, giúp thử nghiệm nhanh các ứng dụng web, API hoặc công cụ dòng lệnh dựa trên Laguna M.1.

Kết luận

Laguna M.1 đánh dấu bước phát triển đáng chú ý của Poolside trong lĩnh vực model AI dành cho kỹ thuật phần mềm. Dù không còn là bản phát hành mới nhất của gia đình Laguna, model này vẫn có giá trị đối với doanh nghiệp, nhà phát triển và nhóm nghiên cứu cần chất lượng agentic coding cao hoặc muốn triển khai trong môi trường kiểm soát riêng.

Trước khi áp dụng, người dùng nên cân nhắc kỹ yêu cầu phần cứng, chi phí vận hành, chính sách dữ liệu và quy trình kiểm tra code do AI tạo ra.

Những câu hỏi thường gặp