Abacus.AI lancia tre modelli open-weight Smaug per carichi di lavoro agentici

Abacus.AI il 10 settembre 2026 ha presentato la linea Smaug, tre modelli di linguaggio open-weight ottimizzati per carichi di lavoro agentici aziendali: Smaug Agentic, Smaug Flash e Smaug Mini. Tutti e tre sono disponibili per il download su Hugging Face e possono anche essere usati tramite l’API RouteLLM dell’azienda.

I modelli sono stati presentati sulla piattaforma enterprise agentic AI di Abacus.AI e su Super Assistant. L’azienda ha dichiarato che le imprese possono ospitare i modelli all’interno del proprio ambiente cloud VPC, garantendo il pieno controllo sui dati e sul luogo di hosting dell’IA, e che le organizzazioni preoccupate per la sicurezza e la privacy dei dati possono ospitare Smaug Agentic su un cluster GPU interno.

Abacus.AI descrive Smaug come una tecnica di fine-tuning applicabile a qualsiasi modello di base open-source, e afferma che migliora le prestazioni dei cicli agentici a lungo termine del 15–20% senza aumentare i costi. L’azienda sostiene che ciò consente alle imprese di distribuire agenti IA auto-miglioranti su larga scala a costi di modelli open-source, che descrive come tipicamente da 10 a 100 volte inferiori rispetto a quelli dei modelli all’avanguardia di Anthropic e OpenAI.

«I modelli open-weight stanno rapidamente colmando il divario con i modelli chiusi all’avanguardia, ma continuano a performare al di sotto nei cicli agentici a lungo termine», ha dichiarato Bindu Reddy, CEO di Abacus.AI, nell’annuncio dell’azienda. Reddy ha affermato che la linea Smaug risolve questa lacuna mantenendosi da 10 a 100 volte più economica rispetto ai modelli closed-source.

Secondo il documento tecnico dell’azienda, la linea è nata dal costo e dall’inefficienza di eseguire grandi cicli agentici con contesti estesi e chiamate di strumenti ripetute, aggravati dal deterioramento della cache dei prompt nel tempo. La metodologia combina tracce agentiche reali curate da esseri umani con dati sintetici basati su esempi difficili, e il documento segnala miglioramenti costanti nella programmazione agentica, nell’uso reale degli strumenti, nell’automazione e nel ragionamento a lungo contesto e nell’esecuzione delle istruzioni quando applicata a una varietà di modelli di base open-weight.

Smaug Agentic

Smaug Agentic, il modello più grande della linea, è un fine-tuning supervisionato del Kimi K3 di Moonshot AI, un modello mixture-of-experts con 2,8 trilioni di parametri totali, 104 miliardi di parametri attivati, una lunghezza di contesto di 1.048.576 token e l’encoder visivo MoonViT-V2, secondo la sua scheda modello. Il fine-tuning non modifica alcun parametro architetturale, e il modello è rilasciato sotto la Kimi K3 License ereditata dal modello di base, i cui termini gli utenti devono rispettare. La scheda indica che l’addestramento ha utilizzato traiettorie di codifica multi-turn curate, con utilizzo di strumenti e token di ragionamento mascherati dalla loss, in modo che l’addestramento guidi le azioni del modello mantenendo intatta la distribuzione di ragionamento del modello di base; i contenuti del dataset non sono divulgati.

La scheda riporta punteggi di 94,1 su GPQA Diamond, 75,7 su AA-LCR, 69,9 su DeepSWE, 86,5 su Terminal-Bench 2.1, 60,8 su SciCode, 64,6 su LiveBench agentic coding, 31,0 su AutomationBench e 81,0 su MMMU-Pro. Indica miglioramenti rispetto al Kimi K3 di base di 2,4 punti su DeepSWE, 2,4 su LiveBench agentic coding, 2,1 su SciCode, 1,0 su AA-LCR e 0,6 su GPQA Diamond.

La scheda segnala inoltre che la lunghezza del ragionamento al p99 scende a circa 0,6× rispetto al modello di base su SciCode e AA-LCR, mentre la lunghezza della risposta visibile rimane statisticamente indistinguibile da quella del Kimi K3. Su 113 task DeepSWE e oltre sette ore di lavoro continuo, l’azienda ha dichiarato di non aver registrato errori di infrastruttura né timeout. Poiché l’architettura è invariata, Smaug Agentic funziona ovunque funzioni Kimi K3, con ricette di servizio pubblicate per vLLM, SGLang e TokenSpeed. L’annuncio presenta il modello come una sostituzione conveniente per i modelli di classe Opus.

Smaug Flash e Smaug Mini

Smaug Flash è stato fine-tuned su DeepSeek V4 Flash 0731 e si rivolge ad agenti aziendali auto-miglioranti. Il documento afferma che il modello di base è soggetto a “giri e confusione” nell’uso di strumenti agentici a lungo contesto, e che Smaug Flash risolve questo problema mantenendo i vantaggi di costo e velocità del modello di base. L’annuncio descrive Smaug Flash come ottimizzato per agenti personali che possono connettersi a app di messaggistica tra cui WhatsApp, Telegram e Slack e mantenere conversazioni prolungate con gli utenti. I punteggi riportati nel documento rispetto al modello base DeepSeek V4 Flash 0731, con Claude Sonnet 5 indicato come colonna di riferimento, includono 77,4 contro 74,2 su LiveBench complessivo, 61,1 contro 46,8 su LiveBench agentic coding, 56,6 contro 54,4 su DeepSWE 1.1, 38,83 contro 25,1 sul pubblico 600 di AutomationBench sotto passaggio rigoroso, e 73,3 contro 54,2 su NL2repo-bench.

Smaug Mini è un modello da 27 miliardi di parametri fine-tuned su Qwen3.8 27B, destinato a casi d’uso multimodali e a carichi di ragionamento più piccoli. Il documento riporta 76,9 contro i 75,3 del modello base su LiveBench complessivo, 82,0 su IFBench, 41,8 contro 37,3 su AutomationBench, 50,5 contro 33,4 sul protocollo ufficiale a 65 task di JobBench e 55,8 contro 42,3 su NL2repo-bench, con Claude Sonnet 5, Claude Opus 4.6 e GPT-5.6 Luna indicati come colonne di riferimento. L’annuncio descrive Smaug Mini come adatto a compiti semplici e chatbot aziendali, e afferma che le imprese possono ulteriormente fine-tunarlo sui propri dati.

Protocollo di valutazione e roadmap

Il documento tecnico afferma che le valutazioni sono state eseguite da Abacus.AI con lo stesso framework per ogni modello, salvo indicazione con un simbolo di dagherro come punteggio riportato non proveniente dal proprio framework, e che le righe di LiveBench sono tratte dalla classifica LiveBench pubblicata il 25 giugno 2026. La scheda Smaug Agentic indica che i risultati sono stati prodotti su un’implementazione dedicata 8×B300 a una temperatura di 1,0 con sforzo di ragionamento impostato al massimo, e che la valutazione SciCode include una correzione per un difetto a monte che aveva reso 12 sotto-problemi irrisolvibili. L’azienda ha dichiarato che i modelli sono elencati su LiveBench sotto il filtro “finetunes” della classifica.

Abacus.AI ha affermato che la linea Smaug è sia un rilascio di prodotto sia una dimostrazione della sua tesi secondo cui, con la giusta metodologia di fine-tuning, i modelli open-weight possono competere con e superare i modelli all’avanguardia nei compiti di IA agentica. L’azienda ha dichiarato di prevedere di continuare a far progredire la linea man mano che i modelli di base evolvono e la sua libreria di tracce agentiche cresce.