KI-Modelle und Plattformen
Abacus.AI veröffentlicht drei Open-Weight Smaug-Modelle für agentische Workloads
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Abacus.AI hat am 10. September 2026 die Smaug-Linie vorgestellt, drei Open-Weight‑Sprachmodelle, die für unternehmensbezogene agentische Workloads feinabgestimmt wurden: Smaug Agentic, Smaug Flash und Smaug Mini. Alle drei können auf Hugging Face heruntergeladen werden und ebenfalls über die RouteLLM‑API des Unternehmens genutzt werden.
Die Modelle wurden im Rahmen von Abacus.AI’s Enterprise Agentic AI-Plattform und Super Assistant eingeführt. Das Unternehmen erklärte, dass Unternehmen die Modelle in ihrer eigenen Cloud‑VPC‑Umgebung hosten können, wodurch sie die volle Kontrolle über ihre Daten und den Standort ihrer KI erhalten, und dass Organisationen, die Wert auf Sicherheit und Datenschutz legen, Smaug Agentic in einem internen GPU‑Cluster betreiben können.
Abacus.AI beschreibt Smaug als eine Feinabstimmungstechnik, die auf jedes Open‑Source‑Basismodell anwendbar ist, und gibt an, dass sie die Leistung langlaufender agentischer Schleifen um 15–20 % steigert, ohne die Kosten zu erhöhen. Das Unternehmen erklärte, dass dies Unternehmen ermöglicht, selbstverbessernde KI‑Agenten in großem Maßstab zu betreiben – zu den Kosten von Open‑Source‑Modellen, die typischerweise 10–100‑mal niedriger liegen als die von Spitzenmodellen von Anthropic und OpenAI.
„Open‑Weight‑Modelle schließen die Lücke zu geschlossenen Spitzenmodellen schnell, schneiden jedoch bei langlaufenden Agentenschleifen noch schlechter ab“, sagte Bindu Reddy, CEO von Abacus.AI, in der Ankündigung des Unternehmens. Reddy erklärte, dass die Smaug‑Linie dieses Defizit behebt und dabei 10–100‑mal günstiger bleibt als Closed‑Source‑Modelle.
Laut dem technischen Brief des Unternehmens entstand die Linie aus den Kosten und der Ineffizienz, große agentische Schleifen mit umfangreichen Kontexten und wiederholten Werkzeugaufrufen zu betreiben, wobei das Prompt‑Caching über Zeitlücken hinweg versagte. Die Methodik kombiniert von Menschen kuratierte, reale agentische Spuren mit synthetischen Daten, die auf harten Beispielen basieren, und der Bericht weist auf konsistente Verbesserungen bei agentischer Codierung, realer Werkzeugnutzung, Automatisierung sowie langem Kontext‑Reasoning und Befolgung von Anweisungen hin, wenn sie auf eine Reihe von Open‑Weight‑Basismodellen angewendet wird.
Smaug Agentic
Smaug Agentic, das größte Modell der Linie, ist ein überwacht feinabgestimmtes Modell von Moonshot AI’s Kimi K3, einem Mixture‑of‑Experts‑Modell mit insgesamt 2,8 Billionen Parametern, 104 Milliarden aktivierten Parametern, einer Kontextlänge von 1 048 576 Token und dem MoonViT‑V2‑Vision‑Encoder, laut seiner Model‑Card. Das Fine‑Tuning ändert keine architektonischen Parameter, und das Modell wird unter der Kimi K3‑Lizenz veröffentlicht, die vom Basismodell übernommen wird und deren Bedingungen die Nutzer einhalten müssen. Die Karte gibt an, dass das Training kuratierte mehrstufige, Werkzeug‑nutzende Codierungstrajektorien mit von der Verlustfunktion maskierten Reasoning‑Token verwendet hat, sodass das Training das Verhalten des Modells steuert, während die Reasoning‑Verteilung des Basismodells unverändert bleibt; der Inhalt des Datensatzes wird nicht offengelegt.
Die Karte berichtet Punktzahlen von 94,1 bei GPQA Diamond, 75,7 bei AA‑LCR, 69,9 bei DeepSWE, 86,5 bei Terminal‑Bench 2.1, 60,8 bei SciCode, 64,6 bei LiveBench agentic coding, 31,0 bei AutomationBench und 81,0 bei MMMU‑Pro. Sie nennt Verbesserungen gegenüber dem Kimi K3‑Basismodell von 2,4 Punkten bei DeepSWE, 2,4 bei LiveBench agentic coding, 2,1 bei SciCode, 1,0 bei AA‑LCR und 0,6 bei GPQA Diamond.
Die Karte berichtet außerdem, dass die p99‑Reasoning‑Länge auf etwa das 0,6‑fache des Basismodells bei SciCode und AA‑LCR sinkt, während die sichtbare Antwortlänge statistisch nicht von Kimi K3 unterscheidbar ist. In 113 DeepSWE‑Aufgaben und über sieben Stunden kontinuierlicher Arbeit habe das Unternehmen null Infrastruktur‑Fehler und null Timeouts verzeichnet. Da die Architektur unverändert bleibt, läuft Smaug Agentic überall dort, wo Kimi K3 läuft, mit veröffentlichten Serving‑Rezepten für vLLM, SGLang und TokenSpeed. Die Ankündigung positioniert das Modell als kosteneffizienten Ersatz für Opus‑Klassen‑Modelle.
Smaug Flash and Smaug Mini
Smaug Flash ist auf DeepSeek V4 Flash 0731 feinabgestimmt und richtet sich an unternehmensinterne, selbstverbessernde Agenten. Der Bericht sagt, dass das Basismodell zu „Spins und Verwirrungen“ bei langem Kontext‑agentischen Werkzeuggebrauch neigt und dass Smaug Flash dies behebt, während es die Kosten‑ und Geschwindigkeitsvorteile des Basismodells beibehält. Die Ankündigung beschreibt Smaug Flash als optimiert für persönliche Agenten, die sich mit Messaging‑Apps wie WhatsApp, Telegram und Slack verbinden und langfristige Unterhaltungen mit Nutzern führen können. Die im Bericht angegebenen Punktzahlen gegenüber dem DeepSeek V4 Flash 0731‑Basismodell, mit Claude Sonnet 5 als Referenzspalte, umfassen 77,4 gegenüber 74,2 bei LiveBench insgesamt, 61,1 gegenüber 46,8 bei LiveBench agentic coding, 56,6 gegenüber 54,4 bei DeepSWE 1.1, 38,83 gegenüber 25,1 bei AutomationBench’s öffentlichem 600‑Test unter striktem Pass, und 73,3 gegenüber 54,2 bei NL2repo‑bench.
Smaug Mini ist ein 27‑Milliarden‑Parameter‑Modell, das auf Qwen3.8 27B feinabgestimmt wurde und für multimodale Anwendungsfälle sowie kleinere Reasoning‑Workloads konzipiert ist. Der Bericht gibt 76,9 gegenüber 75,3 des Basismodells bei LiveBench insgesamt an, 82,0 bei IFBench, 41,8 gegenüber 37,3 bei AutomationBench, 50,5 gegenüber 33,4 beim offiziellen 65‑Aufgaben‑Protokoll von JobBench und 55,8 gegenüber 42,3 bei NL2repo‑bench, wobei Claude Sonnet 5, Claude Opus 4.6 und GPT‑5.6 Luna als Referenzspalten aufgeführt sind. Die Ankündigung beschreibt Smaug Mini als geeignet für einfache Aufgaben und Unternehmens‑Chatbots und sagt, dass Unternehmen das Modell weiter auf ihren eigenen Daten feinabstimmen können.
Evaluation Protocol and Roadmap
Der technische Bericht stellt fest, dass die Bewertungen von Abacus.AI unter derselben Testumgebung für jedes Modell durchgeführt wurden, sofern nicht mit einem † gekennzeichnet, was einen berichteten Wert außerhalb dieser Umgebung anzeigt, und dass die LiveBench‑Einträge aus dem veröffentlichten LiveBench‑Leaderboard vom 25. Juni 2026 stammen. Die Smaug‑Agentic‑Karte gibt an, dass die Ergebnisse auf einer dedizierten 8×B300‑Bereitstellung bei einer Temperatur von 1,0 und maximalem Reasoning‑Aufwand erzeugt wurden und dass die SciCode‑Bewertung eine Korrektur eines vorgelagerten Fehlers enthält, der 12 Teilprobleme unlösbar machte. Das Unternehmen sagte, dass die Modelle im LiveBench‑Leaderboard unter dem Filter „finetunes“ aufgeführt sind.
Abacus.AI erklärte, die Smaug‑Linie sei sowohl ein Produktrelease als auch ein Nachweis für die These, dass Open‑Weight‑Modelle mit der richtigen Feinabstimmungsmethodik mit Frontier‑Modellen konkurrieren und sie bei agentischen KI‑Aufgaben sogar übertreffen können. Das Unternehmen geht davon aus, dass die Linie weiterentwickelt wird, sobald Basismodelle fortschreiten und die Bibliothek agentischer Spuren wächst.
