Модели и платформы ИИ
Abacus.AI выпускает три модели Smaug с открытыми весами для агентных задач
Добавьте Unite.AI в избранные источники в Google
10 сентября 2026 года компания Abacus.AI представила линейку Smaug, три модели языковых моделей с открытыми весами, дообученные для корпоративных агентных задач: Smaug Agentic, Smaug Flash и Smaug Mini. Все три доступны для скачивания на Hugging Face и также могут использоваться через API RouteLLM компании.
Модели были представлены в рамках платформы enterprise agentic AI компании Abacus.AI и Super Assistant. Компания заявила, что предприятия могут размещать модели в своей собственной облачной VPC‑среде, получая полный контроль над данными и местом размещения ИИ, а организации, обеспокоенные безопасностью и конфиденциальностью данных, могут размещать Smaug Agentic на собственном GPU‑кластере.
Abacus.AI описывает Smaug как методику дообучения, применимую к любой открытой базовой модели, и заявила, что она повышает производительность длительных агентных циклов на 15–20 % без увеличения расходов. Компания отметила, что это позволяет предприятиям масштабно развёртывать самосовершенствующиеся AI‑агенты по стоимости открытых моделей, которая обычно в 10–100 раз ниже, чем у передовых моделей от Anthropic и OpenAI.
«Модели с открытыми весами быстро сокращают разрыв с передовыми закрытыми моделями, но всё ещё отстают в длительных агентных циклах», — сказал Бинду Редди, генеральный директор Abacus.AI, в анонсе компании. Редди отметил, что линейка Smaug устраняет этот недостаток, оставаясь в 10–100 раз дешевле закрытых моделей.
Согласно техническому брифу компании, линейка возникла из‑за высокой стоимости и неэффективности выполнения крупных агентных циклов с большими контекстами и повторяющимися вызовами инструментов, усугублённой падением кэширования подсказок при временных промежутках. Методология сочетает человечески отобранные реальные агентные трассы с синтетическими данными, основанными на сложных примерах, и в брифе отмечается стабильный рост показателей в областях агентного программирования, реального использования инструментов, автоматизации, а также долгосрочного рассуждения и выполнения инструкций при применении к различным открытым базовым моделям.
Smaug Agentic
Smaug Agentic, крупнейшая модель в линейке, представляет собой контролируемое дообучение модели Kimi K3 от Moonshot AI, модели mixture-of-experts с 2,8 триллионами параметров в сумме, 104 миллиардами активных параметров, контекстной длиной 1 048 576 токенов и визуальным энкодером MoonViT‑V2, согласно её карте модели. Дообучение не меняет архитектурных параметров, и модель выпускается под лицензией Kimi K3 License, унаследованной от базовой модели, условия которой пользователи обязаны соблюдать. В карте указано, что обучение использовало отобранные многократные диалоги с кодированием и использованием инструментов, при этом токены рассуждения маскировались от функции потерь, так что обучение направляло действия модели, оставляя распределение рассуждений базовой модели неизменным; содержимое набора данных не раскрывается.
В карте указаны результаты: 94,1 балла по GPQA Diamond, 75,7 по AA‑LCR, 69,9 по DeepSWE, 86,5 по Terminal‑Bench 2.1, 60,8 по SciCode, 64,6 по LiveBench agentic coding, 31,0 по AutomationBench и 81,0 по MMMU‑Pro. Отмечены приросты по сравнению с базовой Kimi K3: +2,4 пункта по DeepSWE, +2,4 по LiveBench agentic coding, +2,1 по SciCode, +1,0 по AA‑LCR и +0,6 по GPQA Diamond.
В карте также указано, что p99 длина рассуждения снижается примерно до 0,6 × от базовой модели по SciCode и AA‑LCR, тогда как видимая длина ответа остаётся статистически неотличимой от Kimi K3. По 113 задачам DeepSWE и более чем семи часам непрерывной работы компания сообщила об отсутствии ошибок инфраструктуры и тайм‑аутов. Поскольку архитектура не изменена, Smaug Agentic работает в любой среде, где работает Kimi K3, с опубликованными рецептами обслуживания для vLLM, SGLang и TokenSpeed. В анонсе модель позиционируется как экономически эффективная замена моделям класса Opus.
Smaug Flash and Smaug Mini
Smaug Flash дообучена на DeepSeek V4 Flash 0731 и ориентирована на корпоративные самосовершенствующиеся агенты. В брифе говорится, что базовая модель подвержена «запутыванию и путанице» при использовании инструментов в длительных контекстах, и Smaug Flash решает эту проблему, сохраняя преимущества базовой модели в стоимости и скорости. Анонс описывает Smaug Flash как оптимизированную для персональных агентов, способных подключаться к мессенджерам, включая WhatsApp, Telegram и Slack, и поддерживать длительные диалоги с пользователями. В брифе указаны результаты по сравнению с базовой DeepSeek V4 Flash 0731 (в качестве справочной колонки указан Claude Sonnet 5): 77,4 против 74,2 по общему LiveBench, 61,1 против 46,8 по LiveBench agentic coding, 56,6 против 54,4 по DeepSWE 1.1, 38,83 против 25,1 по публичному набору AutomationBench 600 при строгом проходе и 73,3 против 54,2 по NL2repo‑bench.
Smaug Mini — модель с 27 млрд параметров, дообученная на Qwen3.8 27B, предназначенная для мультимодальных сценариев и небольших задач рассуждения. В брифе указаны результаты: 76,9 против 75,3 базовой модели по общему LiveBench, 82,0 по IFBench, 41,8 против 37,3 по AutomationBench, 50,5 против 33,4 по официальному протоколу JobBench из 65 задач и 55,8 против 42,3 по NL2repo‑bench, при этом в качестве справочных колонок указаны Claude Sonnet 5, Claude Opus 4.6 и GPT‑5.6 Luna. Анонс описывает Smaug Mini как подходящую для простых задач и корпоративных чат‑ботов, и отмечает, что предприятия могут дополнительно дообучать её на собственных данных.
Evaluation Protocol and Roadmap
В техническом брифе указано, что оценки проводились компанией Abacus.AI в единой среде для всех моделей, за исключением тех, которые помечены крестом как результаты, полученные не в этой среде, а также что строки LiveBench берутся из опубликованного лидерборда LiveBench от 25 июня 2026 года. Карта Smaug Agentic сообщает, что её результаты получены на выделенной конфигурации 8×B300 при температуре 1,0 и максимальном усилии рассуждения, а оценка SciCode включает исправление upstream‑дефекта, из‑за которого 12 подпунктов были нерешаемыми. Компания заявила, что модели перечислены в LiveBench под фильтром finetunes лидерборда.
Abacus.AI заявила, что линейка Smaug является одновременно выпуском продукта и демонстрацией её гипотезы о том, что при правильной методике дообучения модели с открытыми весами могут конкурировать с передовыми моделями и превосходить их в агентных задачах ИИ. Компания отметила, что планирует продолжать развитие линейки по мере эволюции базовых моделей и роста библиотеки агентных трасс.
