Modèles et plateformes d’IA
Abacus.AI lance trois modèles Smaug à poids ouvert pour les charges de travail agentiques
Ajouter Unite.AI à vos sources préférées sur Google
Abacus.AI, le 10 septembre 2026, a présenté la gamme Smaug, trois modèles de langage à poids ouvert spécialement ajustés pour les charges de travail agentiques en entreprise: Smaug Agentic, Smaug Flash et Smaug Mini. Les trois sont disponibles en téléchargement sur Hugging Face et peuvent également être utilisés via l’API RouteLLM de la société.
Les modèles ont été présentés sur la plateforme IA agentique d’entreprise d’Abacus.AI ainsi que sur Super Assistant. La société indique que les entreprises peuvent héberger les modèles dans leur propre environnement cloud VPC, ce qui leur donne un contrôle total sur leurs données et sur l’endroit où leur IA est hébergée, et que les organisations soucieuses de la sécurité et de la confidentialité des données peuvent déployer Smaug Agentic sur un cluster GPU interne.
Abacus.AI décrit Smaug comme une technique de fine‑tuning applicable à tout modèle de base open‑source, et affirme qu’elle améliore les performances des boucles agentiques de longue durée de 15 à 20 % sans augmenter les coûts. La société indique que cela permet aux entreprises de déployer à grande échelle des agents IA auto‑améliorants à des coûts de modèles open‑source, qu’elle estime généralement 10 à 100 fois inférieurs à ceux des modèles de pointe d’Anthropic et d’OpenAI.
« Les modèles à poids ouvert réduisent rapidement l’écart avec les modèles fermés de pointe, mais restent moins performants dans les boucles d’agents de longue durée », a déclaré Bindu Reddy, PDG d’Abacus.AI, dans l’annonce. Reddy a indiqué que la gamme Smaug corrige cette faiblesse tout en restant 10 à 100 fois moins chère que les modèles propriétaires.
Selon le brief technique de la société, la gamme est née du coût et de l’inefficacité liés à l’exécution de grandes boucles agentiques avec de vastes contextes et des appels d’outils répétés, aggravés par la dégradation du cache des prompts au fil des intervalles temporels. La méthodologie combine des traces agentiques réelles, sélectionnées par des humains, avec des données synthétiques basées sur des exemples difficiles, et le brief rapporte des améliorations constantes dans le codage agentique, l’utilisation d’outils en situation réelle, l’automatisation, ainsi que le raisonnement à long contexte et le suivi d’instructions lorsqu’elle est appliquée à divers modèles de base à poids ouvert.
Smaug Agentic
Smaug Agentic, le plus grand modèle de la gamme, est un fine‑tune supervisé du Kimi K3 de Moonshot AI, un modèle mixture‑of‑experts comptant 2,8 trillions de paramètres au total, 104 milliards de paramètres activés, une longueur de contexte de 1 048 576 tokens et l’encodeur visuel MoonViT‑V2, selon sa fiche modèle. Le fine‑tune ne modifie aucun paramètre architectural, et le modèle est publié sous la licence Kimi K3 héritée du modèle de base, dont les conditions doivent être respectées. La fiche indique que l’entraînement a utilisé des trajectoires de codage multi‑tours, utilisant des outils, avec les tokens de raisonnement masqués dans la perte, afin que l’entraînement guide les actions du modèle tout en conservant la distribution de raisonnement du modèle de base ; le contenu du jeu de données n’est pas divulgué.
La fiche rapporte des scores de 94,1 sur GPQA Diamond, 75,7 sur AA‑LCR, 69,9 sur DeepSWE, 86,5 sur Terminal‑Bench 2.1, 60,8 sur SciCode, 64,6 sur LiveBench agentic coding, 31,0 sur AutomationBench et 81,0 sur MMMU‑Pro. Elle indique des gains par rapport au Kimi K3 de base de 2,4 points sur DeepSWE, 2,4 sur LiveBench agentic coding, 2,1 sur SciCode, 1,0 sur AA‑LCR et 0,6 sur GPQA Diamond.
La fiche indique également que la longueur de raisonnement p99 chute à environ 0,6 × de celle du modèle de base sur SciCode et AA‑LCR, tandis que la longueur de réponse visible reste statistiquement indiscernable de celle du Kimi K3. Sur 113 tâches DeepSWE et plus de sept heures de travail continu, la société affirme n’avoir enregistré aucune erreur d’infrastructure ni aucun timeout. Parce que l’architecture reste inchangée, Smaug Agentic fonctionne partout où Kimi K3 fonctionne, avec des recettes de service publiées pour vLLM, SGLang et TokenSpeed. L’annonce positionne le modèle comme un remplacement rentable pour les modèles de classe Opus.
Smaug Flash et Smaug Mini
Smaug Flash est fine‑tuned sur DeepSeek V4 Flash 0731 et vise les agents auto‑améliorants en entreprise. Le brief indique que le modèle de base est sujet aux « spins and confusion » lors de l’utilisation d’outils agentiques à long contexte, et que Smaug Flash résout ce problème tout en conservant les avantages de coût et de vitesse du modèle de base. L’annonce décrit Smaug Flash comme optimisé pour des agents personnels pouvant se connecter à des applications de messagerie telles que WhatsApp, Telegram et Slack et maintenir des conversations longues avec les utilisateurs. Les scores rapportés dans le brief face au modèle de base DeepSeek V4 Flash 0731, avec Claude Sonnet 5 comme colonne de référence, comprennent : 77,4 contre 74,2 sur LiveBench global, 61,1 contre 46,8 sur LiveBench agentic coding, 56,6 contre 54,4 sur DeepSWE 1.1, 38,83 contre 25,1 sur le public 600 d’AutomationBench sous strict pass, et 73,3 contre 54,2 sur NL2repo‑bench.
Smaug Mini est un modèle de 27 milliards de paramètres fine‑tuned sur Qwen3.8 27B, destiné aux cas d’usage multimodaux et aux charges de raisonnement plus modestes. Le brief rapporte 76,9 contre 75,3 du modèle de base sur LiveBench global, 82,0 sur IFBench, 41,8 contre 37,3 sur AutomationBench, 50,5 contre 33,4 sur le protocole officiel à 65 tâches de JobBench, et 55,8 contre 42,3 sur NL2repo‑bench, avec Claude Sonnet 5, Claude Opus 4.6 et GPT‑5.6 Luna comme colonnes de référence. L’annonce décrit Smaug Mini comme adapté aux tâches simples et aux chatbots d’entreprise, et indique que les entreprises peuvent le fine‑tuner davantage sur leurs propres données.
Protocole d’évaluation et feuille de route
Le brief technique indique que les évaluations ont été réalisées par Abacus.AI avec le même cadre pour chaque modèle, sauf indication d’un † signalant un score rapporté hors de ce cadre, et que les lignes LiveBench proviennent du classement LiveBench publié le 25 juin 2026. La fiche Smaug Agentic précise que ses résultats ont été obtenus sur un déploiement dédié 8×B300 à une température de 1,0 avec l’effort de raisonnement réglé au maximum, et que son évaluation SciCode inclut une correction d’un défaut en amont qui rendait 12 sous‑problèmes impossibles à résoudre. La société indique que les modèles sont répertoriés sur LiveBench sous le filtre « finetunes » du classement.
Abacus.AI a déclaré que la gamme Smaug est à la fois une sortie produit et une démonstration de sa thèse selon laquelle, avec la bonne méthodologie de fine‑tuning, les modèles à poids ouvert peuvent rivaliser avec et dépasser les modèles de pointe sur les tâches d’IA agentique. La société prévoit de poursuivre l’avancement de la gamme à mesure que les modèles de base évoluent et que sa bibliothèque de traces agentiques s’enrichit.
