풀사이드, 로컬에서 돌리는 코딩 에이전트 모델 ‘라구나 XS.2’ 오픈소스로 공개

• 풀사이드가 코딩 에이전트용 모델 ‘라구나’ 시리즈를 공개함. 포인트는 챗봇이 아니라, 실제 개발 작업을 여러 단계로 밀고 가는 모델이라는 점임

  • 첫 모델은 대형 플래그십 ‘라구나 M.1’과 경량형 ‘라구나 XS.2’ 두 개
  • 파일 읽기, 테스트 실행, 코드 수정처럼 개발자가 IDE에서 반복하는 작업을 모델이 이어서 처리하도록 학습됨
  • 풀사이드는 이걸 “코드 추천 챗봇”이 아니라 “동료 엔지니어”에 가깝다고 설명함

• 라구나 M.1은 2250억 매개변수 규모의 전문가 혼합 모델임

  • 30조 개 토큰으로 처음부터 자체 학습됐고, 실제 소프트웨어 문제 해결 벤치마크에서 높은 성능을 냈다고 밝힘
  • 전문가 혼합(MoE) 구조라 모든 파라미터를 매번 쓰는 대신 작업에 맞는 일부 전문가를 활용하는 쪽에 가까움

• 더 눈에 띄는 쪽은 330억 매개변수짜리 라구나 XS.2임. 이 모델은 아파치 2.0 라이선스의 오픈 웨이트로 공개됨

  • 허깅페이스에서 가중치를 받을 수 있고, 인터넷 연결 없이 로컬 환경에서 실행 가능
  • 수정·배포도 가능해서, 폐쇄망이나 보안 요구가 빡센 조직에서 실험하기 좋음
  • 작은 모델인데도 대형 모델에 근접한 성능을 보여 효율성을 강조했다는 게 풀사이드의 메시지

• 학습 쪽에서도 에이전트 작업에 맞춘 설계가 들어감

  • 웹 데이터뿐 아니라 약 13% 비중의 합성 데이터를 활용해 학습 효율을 높였다고 함
  • 자체 개발한 ‘뮤온’ 옵티마이저로 학습 속도를 기존 대비 약 15% 개선
  • 실제 소프트웨어 개발 환경을 모사한 샌드박스에서 비동기 강화학습을 돌려, 장시간 작업에서도 안정성을 유지하도록 학습시킴

• 모델만 낸 게 아니라 실행 환경도 같이 공개함

  • ‘풀’은 에이전트가 작업 중 멈춰도 메모리와 파일 상태를 보존해서 이어서 작업할 수 있게 하는 프레임워크
  • ‘쉬머’는 즉시 실행 가능한 가상 개발 환경을 제공해 웹이나 모바일에서도 AI와 함께 코드를 작성하고 실행하는 흐름을 노림
  • 코딩 에이전트가 진짜 유용해지려면 모델 성능만큼이나 상태 보존, 실행 환경, 테스트 루프가 중요한데 그 지점을 같이 건드린 셈

• 풀사이드는 원래 정부·공공 부문처럼 보안 요구가 높은 시장에 AI를 공급해 왔는데, 이번 공개로 민간 개발자와 기업 쪽까지 넓히려는 전략임

  • XS.2 오픈소스 공개는 글로벌 AI 생태계에서 존재감을 키우려는 카드로 보임
  • 코딩 에이전트 시장이 클라우드 API 중심에서 로컬·온디바이스 실행까지 확장되는 흐름과도 맞물림

---

기술 맥락

• 이번 선택의 핵심은 “모델이 코드를 잘 짠다”보다 “긴 개발 작업을 끊기지 않고 이어갈 수 있느냐”예요. 일반 챗봇은 한 번 답변하고 끝나는 경우가 많지만, 코딩 에이전트는 파일을 읽고 테스트를 돌린 뒤 실패하면 다시 고쳐야 하거든요.

• 라구나가 샌드박스 기반 비동기 강화학습을 강조한 이유도 여기에 있어요. 실제 개발에서는 정답 코드 한 줄보다, 실패한 테스트를 보고 다음 행동을 고르는 능력이 더 중요할 때가 많아요.

• XS.2를 330억 매개변수 오픈 웨이트로 낸 건 배포 레이어의 선택이에요. 클라우드 API만 제공하면 편하긴 하지만, 기업 내부 코드나 정부·공공 데이터처럼 외부 전송이 부담스러운 환경에서는 로컬 실행 가능성이 바로 경쟁력이 돼요.

• ‘풀’과 ‘쉬머’를 같이 공개한 것도 모델 단품으로는 에이전트 경험이 완성되지 않기 때문이에요. 작업 상태를 보존하고, 실행 가능한 개발 환경을 붙여야 모델이 실제로 코드를 만들고 검증하는 루프를 돌 수 있어요.