Abacus.AI تُصدر ثلاثة نماذج Smaug ذات الوزن المفتوح للعبء الوكلي

أعلنت Abacus.AI في 10 سبتمبر 2026 عن خط Smaug، وهو ثلاثة نماذج لغة ذات وزن مفتوح تم تحسينها لتلبية عبء عمل وكيل للمؤسسات: Smaug Agentic و Smaug Flash و Smaug Mini. تتوفر النماذج الثلاثة للتنزيل على Hugging Face ويمكن أيضًا استخدامها عبر واجهة برمجة تطبيقات RouteLLM الخاصة بالشركة.

تم تقديم النماذج عبر منصة الذكاء الاصطناعي الوكلي للمؤسسات من Abacus.AI ومساعد Super Assistant. وأوضحت الشركة أن المؤسسات يمكنها استضافة النماذج داخل بيئة VPC سحابية خاصة بها، مما يمنحها السيطرة الكاملة على بياناتها ومكان استضافة الذكاء الاصطناعي، وأن المنظمات التي تهتم بالأمان وخصوصية البيانات يمكنها استضافة Smaug Agentic على مجموعة GPU داخلية.

تصف Abacus.AI نموذج Smaug بأنه تقنية تحسين دقيقة يمكن تطبيقها على أي نموذج أساسي مفتوح المصدر، وتُحسن أداء الحلقات الوكيلة طويلة الأمد بنسبة 15–20٪ دون زيادة التكلفة. وتوضح الشركة أن ذلك يمكّن المؤسسات من نشر وكلاء ذكاء اصطناعي يتحسنون ذاتيًا على نطاق واسع بتكلفة نماذج مفتوحة المصدر، والتي تُقَدَّر عادةً بأنها أقل بمقدار 10–100 مرة من نماذج الحدود المتقدمة من Anthropic وOpenAI.

قال باندو ريدي، الرئيس التنفيذي لشركة Abacus.AI، في الإعلان الخاص بالشركة: “النماذج ذات الوزن المفتوح تُقارب بسرعة الفجوة مع النماذج المغلقة المتقدمة، لكنها لا تزال تُظهر أداءً أقل في الحلقات الوكيلة طويلة الأمد”. وأوضح ريدي أن خط Smaug يعالج هذه النقطة الضعيفة مع بقاء تكلفته أقل بـ 10–100 مرة من النماذج المغلقة المصدر.

وفقًا للملخص التقني للشركة، نشأ الخط نتيجة التكلفة وعدم الكفاءة في تشغيل حلقات وكيلة كبيرة ذات سياقات واسعة واستدعاءات أدوات متكررة، مع تفاقم ذلك بسبب تعطل تخزين المؤقت للمطالبات عبر الفجوات الزمنية. تجمع المنهجية بين آثار وكيلة حقيقية مُنَظَّمة يدويًا وبيانات صناعية مستندة إلى أمثلة صعبة، وتُظهر الملخصات تحسينات مستمرة في الترميز الوكلي، واستخدام الأدوات في العالم الحقيقي، والأتمتة، والاستدلال طويل السياق واتباع التعليمات عند تطبيقها على مجموعة من النماذج الأساسية ذات الوزن المفتوح.

Smaug Agentic

Smaug Agentic، أكبر نموذج في الخط، هو تحسين خاضع للإشراف لنموذج Kimi K3 من Moonshot AI، وهو نموذج مزيج من الخبراء يحتوي على 2.8 تريليون معلمة إجمالية، و104 مليارات معلمة مفعَّلة، وطول سياق يبلغ 1,048,576 رمزًا، ومشفّر الرؤية MoonViT-V2، وفقًا لـ بطاقة النموذج. لا يُغيّر التحسين أي معلمات معمارية، ويتم إصدار النموذج تحت رخصة Kimi K3 الموروثة من النموذج الأساسي، والتي يجب على المستخدمين الالتزام بشروطها. تشير البطاقة إلى أن التدريب استخدم مسارات ترميز متعددة الأدوار باستخدام الأدوات مع إخفاء رموز الاستدلال عن الخسارة، بحيث يوجه التدريب إجراءات النموذج مع الحفاظ على توزيع استدلال النموذج الأساسي؛ ولم يتم الكشف عن محتويات مجموعة البيانات.

تسجل البطاقة درجات 94.1 على GPQA Diamond، و75.7 على AA-LCR، و69.9 على DeepSWE، و86.5 على Terminal-Bench 2.1، و60.8 على SciCode، و64.6 على الترميز الوكلي في LiveBench، و31.0 على AutomationBench، و81.0 على MMMU-Pro. وتوضح الزيادة مقارنةً بقاعدة Kimi K3 بمقدار 2.4 نقطة على DeepSWE، و2.4 على الترميز الوكلي في LiveBench، و2.1 على SciCode، و1.0 على AA‑LCR، و0.6 على GPQA Diamond.

تُشير البطاقة أيضًا إلى أن طول الاستدلال عند p99 ينخفض إلى نحو 0.6× من النموذج الأساسي في SciCode وAA‑LCR، بينما يظل طول الإجابة الظاهرة غير قابل للتمييز إحصائيًا عن Kimi K3. عبر 113 مهمة DeepSWE وأكثر من سبع ساعات من العمل المتواصل، صرحت الشركة بأنها سجلت صفر أخطاء بنية تحتية ولا مهلات. وبما أن المعمارية لم تتغير، يعمل Smaug Agentic في أي مكان يعمل فيه Kimi K3، مع وصفات خدمة منشورة لـ vLLM وSGLang وTokenSpeed. يضع الإعلان النموذج كبديل فعال من حيث التكلفة لنماذج الفئة Opus.

Smaug Flash and Smaug Mini

تم تحسين Smaug Flash على نموذج DeepSeek V4 Flash 0731 ويستهدف الوكلاء الذاتية التحسين للمؤسسات. يذكر الملخص أن النموذج الأساسي عرضة لـ “التدوير والارتباك” في استخدام الأدوات الوكيلة ذات السياق الطويل، وأن Smaug Flash يعالج هذه المشكلة مع الحفاظ على مزايا التكلفة والسرعة للنموذج الأساسي. يصف الإعلان Smaug Flash بأنه مُحسَّن للوكلاء الشخصيين الذين يمكنهم الاتصال بتطبيقات المراسلة بما في ذلك WhatsApp وTelegram وSlack والحفاظ على محادثات طويلة الأمد مع المستخدمين. تشمل الدرجات المبلغ عنها في الملخص مقارنةً بقاعدة DeepSeek V4 Flash 0731، مع ذكر Claude Sonnet 5 كعمود مرجعي، 77.4 مقابل 74.2 في LiveBench العام، 61.1 مقابل 46.8 في الترميز الوكلي لـ LiveBench، 56.6 مقابل 54.4 في DeepSWE 1.1، 38.83 مقابل 25.1 في 600 العامة لـ AutomationBench تحت معيار المرور الصارم، و73.3 مقابل 54.2 في NL2repo-bench.

Smaug Mini هو نموذج يحتوي على 27 مليار معلمة تم تحسينه على Qwen3.8 27B، موجه لحالات الاستخدام المتعددة الوسائط وأعباء الاستدلال الأصغر. يذكر الملخص أن النموذج سجل 76.9 مقابل 75.3 للنموذج الأساسي في LiveBench العام، و82.0 في IFBench، و41.8 مقابل 37.3 في AutomationBench، و50.5 مقابل 33.4 في بروتوكول JobBench الرسمي المكوّن من 65 مهمة، و55.8 مقابل 42.3 في NL2repo-bench، مع ذكر Claude Sonnet 5 وClaude Opus 4.6 وGPT‑5.6 Luna كأعمدة مرجعية. يصف الإعلان Smaug Mini بأنه مناسب للمهام البسيطة وروبوتات الدردشة للمؤسسات، ويشير إلى أن المؤسسات يمكنها تحسينه أكثر باستخدام بياناتها الخاصة.

Evaluation Protocol and Roadmap

يذكر الملخص التقني أن التقييمات أُجريت بواسطة Abacus.AI باستخدام نفس الإطار لكل نموذج ما لم يُشار إليها بسهم † كدرجة مُبلغ عنها ليست من إطاره، وأن صفوف LiveBench مأخوذة من لوحة المتصدرين المنشورة لـ LiveBench بتاريخ 25 يونيو 2026. تُشير بطاقة Smaug Agentic إلى أن نتائجه تم إنتاجها على نشر مخصص 8×B300 بدرجة حرارة 1.0 مع ضبط جهد الاستدلال إلى الحد الأقصى، وأن تقييم SciCode يتضمن إصلاحًا لعيب في المصدر أدى إلى عدم إمكانية حل 12 مشكلة فرعية. صرحت الشركة بأن النماذج مُدرجة في LiveBench تحت فلتر finetunes للوحة المتصدرين.

قالت Abacus.AI إن خط Smaug يمثل كلًا من إصدار منتج وعرضًا لأطروحتها التي تفيد بأنه، باستخدام منهجية تحسين دقيقة مناسبة، يمكن للنماذج ذات الوزن المفتوح أن تنافس وتتفوق على نماذج الحدود المتقدمة في مهام الذكاء الاصطناعي الوكيل. وتضيف الشركة أنها تتوقع الاستمرار في تطوير الخط مع تطور النماذج الأساسية وتوسّع مكتبة الآثار الوكيلة لديها.