Abacus.AI เปิดตัวโมเดล Smaug แบบเปิดน้ำหนักสามรุ่นสำหรับงาน Agentic

Abacus.AI เมื่อวันที่ 10 กันยายน 2026 ได้เปิดตัว สาย Smaug ซึ่งเป็นโมเดลภาษาแบบเปิดน้ำหนักสามรุ่นที่ผ่านการปรับจูนสำหรับงาน agentic ขององค์กร: Smaug Agentic, Smaug Flash, และ Smaug Mini ทั้งสามรุ่นพร้อมให้ดาวน์โหลดบน Hugging Face และยังสามารถใช้ผ่าน RouteLLM API ของบริษัทได้เช่นกัน.

โมเดลเหล่านี้ถูกเปิดตัวบนแพลตฟอร์ม enterprise agentic AI ของ Abacus.AI และ Super Assistant บริษัทระบุว่าองค์กรสามารถโฮสต์โมเดลภายในสภาพแวดล้อมคลาวด์ VPC ของตนเอง เพื่อให้ควบคุมข้อมูลและตำแหน่งที่ AI ถูกโฮสต์ได้อย่างเต็มที่ และองค์กรที่กังวลเรื่องความปลอดภัยและความเป็นส่วนตัวของข้อมูลสามารถโฮสต์ Smaug Agentic บนคลัสเตอร์ GPU ภายในบริษัทได้

Abacus.AI อธิบายว่า Smaug เป็นเทคนิคการปรับจูนที่ใช้ได้กับโมเดลฐานโอเพ่นซอร์สใดก็ได้ และกล่าวว่ามันช่วยเพิ่มประสิทธิภาพของลูป agentic ที่ทำงานต่อเนื่องเป็นเวลานานได้ 15–20% โดยไม่เพิ่มค่าใช้จ่าย บริษัทระบุว่าการนี้ทำให้องค์กรสามารถนำเอาเอเจนต์ AI ที่พัฒนาตนเองได้ไปใช้งานในระดับใหญ่โดยใช้ต้นทุนของโมเดลโอเพ่นซอร์ส ซึ่งโดยทั่วไปมีต้นทุนต่ำกว่ารุ่นแนวหน้าจาก Anthropic และ OpenAI ประมาณ 10–100 เท่า

“โมเดลแบบเปิดน้ำหนักกำลังปิดช่องว่างกับโมเดลปิดแบบแนวหน้าอย่างรวดเร็ว แต่ยังคงทำงานได้ไม่ดีพอในลูปเอเจนต์ที่ทำงานต่อเนื่องเป็นเวลานาน” Bindu Reddy ซีอีโอของ Abacus.AI กล่าวใน ประกาศ ของบริษัท Reddy กล่าวว่า สาย Smaug แก้ไขข้อจำกัดนี้ในขณะที่ยังคงมีราคาถูกกว่ารุ่นปิดแหล่งที่มาถึง 10–100 เท่า

ตามเอกสารเทคนิคของบริษัท สายนี้เกิดจากต้นทุนและความไม่มีประสิทธิภาพของการรันลูป agentic ขนาดใหญ่ที่มีบริบทกว้างและการเรียกใช้เครื่องมือซ้ำหลายครั้ง ซึ่งยิ่งแย่ลงเมื่อการแคชพรอมต์ล่มระหว่างช่วงเวลาที่ห่างกัน วิธีการนี้ผสานข้อมูล trace ของ agentic ที่คัดสรรโดยมนุษย์จากโลกจริงกับข้อมูลสังเคราะห์ที่อิงจากตัวอย่างที่ยาก และเอกสารระบุว่ามีการเพิ่มประสิทธิภาพอย่างต่อเนื่องในด้านการเขียนโค้ด agentic, การใช้เครื่องมือในโลกจริง, การอัตโนมัติ, และการให้เหตุผลในบริบทยาวพร้อมการปฏิบัติตามคำสั่งเมื่อประยุกต์กับโมเดลฐานแบบเปิดน้ำหนักหลายรุ่น

Smaug Agentic

Smaug Agentic ซึ่งเป็นโมเดลที่ใหญ่ที่สุดในสายนี้ เป็นการปรับจูนแบบกำกับของ Kimi K3 ของ Moonshot AI ซึ่งเป็นโมเดล mixture-of-experts มีพารามิเตอร์ทั้งหมด 2.8 ล้านล้านพารามิเตอร์, พารามิเตอร์ที่เปิดใช้งาน 104 พันล้าน, ความยาวบริบท 1,048,576 โทเค็น, และตัวเข้ารหัสภาพ MoonViT-V2 ตามที่ระบุใน การ์ดโมเดล การปรับจูนไม่ได้เปลี่ยนพารามิเตอร์สถาปัตยกรรมใด ๆ และโมเดลนี้เผยแพร่ภายใต้ Kimi K3 License ที่สืบทอดจากโมเดลฐาน ผู้ใช้ต้องปฏิบัติตามเงื่อนไขของไลเซนส์ การ์ดระบุว่าการฝึกใช้เส้นทางการเขียนโค้ดหลายรอบที่คัดสรรโดยมนุษย์พร้อมการใช้เครื่องมือ โดยโทเค็นการให้เหตุผลถูกปิดบังจากการสูญเสีย เพื่อให้การฝึกกำหนดการกระทำของโมเดลในขณะที่รักษาการกระจายการให้เหตุผลของโมเดลฐานไว้; เนื้อหาชุดข้อมูลไม่ได้เปิดเผย

การ์ดระบุคะแนน 94.1 ใน GPQA Diamond, 75.7 ใน AA‑LCR, 69.9 ใน DeepSWE, 86.5 ใน Terminal‑Bench 2.1, 60.8 ใน SciCode, 64.6 ใน LiveBench agentic coding, 31.0 ใน AutomationBench, และ 81.0 ใน MMMU‑Pro นอกจากนี้ยังระบุการเพิ่มขึ้นเหนือฐาน Kimi K3 ที่ 2.4 คะแนนใน DeepSWE, 2.4 ใน LiveBench agentic coding, 2.1 ใน SciCode, 1.0 ใน AA‑LCR, และ 0.6 ใน GPQA Diamond

การ์ดยังระบุว่าความยาวการให้เหตุผลระดับ p99 ลดลงเหลือประมาณ 0.6 เท่าของโมเดลฐานใน SciCode และ AA‑LCR ในขณะที่ความยาวคำตอบที่มองเห็นได้ยังคงไม่แตกต่างเชิงสถิติจาก Kimi K3 ในงาน DeepSWE จำนวน 113 งานและการทำงานต่อเนื่องกว่าเจ็ดชั่วโมง บริษัทระบุว่าไม่มีข้อผิดพลาดด้านโครงสร้างพื้นฐานและไม่มีการหมดเวลา เนื่องจากสถาปัตยกรรมไม่เปลี่ยนแปลง Smaug Agentic สามารถทำงานได้ทุกที่ที่ Kimi K3 ทำงาน พร้อมสูตรการให้บริการที่เผยแพร่สำหรับ vLLM, SGLang, และ TokenSpeed การประกาศตำแหน่งโมเดลนี้ว่าเป็นทางเลือกที่คุ้มค่าต่อโมเดลประเภท Opus

Smaug Flash and Smaug Mini

Smaug Flash ถูกปรับจูนบน DeepSeek V4 Flash 0731 และมุ่งเป้าไปที่เอเจนต์ที่พัฒนาตนเองขององค์กร เอกสารสรุประบุว่าโมเดลฐานมีความอ่อนไหวต่อ “การหมุนและความสับสน” ในการใช้เครื่องมือ agentic ที่มีบริบทยาว และ Smaug Flash แก้ไขปัญหานี้พร้อมคงข้อได้เปรียบด้านต้นทุนและความเร็วของโมเดลฐาน การประกาศอธิบายว่า Smaug Flash ถูกปรับให้เหมาะกับเอเจนต์ส่วนบุคคลที่สามารถเชื่อมต่อกับแอปส่งข้อความเช่น WhatsApp, Telegram, และ Slack และรักษาการสนทนาที่ยาวต่อเนื่องกับผู้ใช้ คะแนนที่รายงานในเอกสารเทียบกับโมเดลฐาน DeepSeek V4 Flash 0731 โดยมี Claude Sonnet 5 เป็นคอลัมน์อ้างอิง ได้แก่ 77.4 เทียบกับ 74.2 ใน LiveBench ทั้งหมด, 61.1 เทียบกับ 46.8 ใน LiveBench agentic coding, 56.6 เทียบกับ 54.4 ใน DeepSWE 1.1, 38.83 เทียบกับ 25.1 ใน AutomationBench รุ่นสาธารณะ 600 ภายใต้เงื่อนไขผ่านอย่างเข้มงวด, และ 73.3 เทียบกับ 54.2 ใน NL2repo‑bench.

Smaug Mini เป็นโมเดลที่มีพารามิเตอร์ 27 พันล้านตัว ปรับจูนบน Qwen3.8 27B มุ่งเน้นการใช้งานแบบหลายโหมดและงานให้เหตุผลขนาดเล็ก เอกสารสรุประบุคะแนน 76.9 เทียบกับ 75.3 ของโมเดลฐานใน LiveBench ทั้งหมด, 82.0 ใน IFBench, 41.8 เทียบกับ 37.3 ใน AutomationBench, 50.5 เทียบกับ 33.4 ในโปรโตคอลงาน 65 งานของ JobBench อย่างเป็นทางการ, และ 55.8 เทียบกับ 42.3 ใน NL2repo‑bench โดยมี Claude Sonnet 5, Claude Opus 4.6, และ GPT‑5.6 Luna เป็นคอลัมน์อ้างอิง การประกาศอธิบายว่า Smaug Mini เหมาะกับงานง่าย ๆ และแชทบอทขององค์กร และระบุว่าองค์กรสามารถปรับจูนต่อบนข้อมูลของตนเองได้

Evaluation Protocol and Roadmap

เอกสารเทคนิคระบุว่าการประเมินผลดำเนินการโดย Abacus.AI ภายใต้เฟรมเวิร์กเดียวกันสำหรับทุกโมเดล เว้นแต่จะมีเครื่องหมายดาบกรีกเพื่อระบุว่าคะแนนนั้นไม่ได้มาจากเฟรมเวิร์กของบริษัท และแถว LiveBench ถูกดึงมาจากลีดเดอร์บอร์ด LiveBench ที่เผยแพร่เมื่อวันที่ 25 มิถุนายน 2026 การ์ด Smaug Agentic ระบุว่าผลลัพธ์ได้มาจากการปรับใช้เฉพาะบน 8×B300 ที่อุณหภูมิ 1.0 พร้อมตั้งค่าความพยายามในการให้เหตุผลเป็นค่าสูงสุด และการประเมิน SciCode ของมันรวมการแก้ไขข้อบกพร่องต้นทางที่ทำให้ 12 ปัญหาย่อยไม่สามารถแก้ได้ บริษัทกล่าวว่าโมเดลเหล่านี้ถูกบันทึกใน LiveBench ภายใต้ตัวกรอง finetunes ของลีดเดอร์บอร์ด

Abacus.AI กล่าวว่า สาย Smaug เป็นทั้งการเปิดตัวผลิตภัณฑ์และการสาธิตทฤษฎีของบริษัทว่า ด้วยวิธีการปรับจูนที่เหมาะสม โมเดลแบบเปิดน้ำหนักสามารถแข่งขันและเหนือกว่ารุ่นแนวหน้าบนงาน AI agentic ได้ บริษัทระบุว่าตั้งใจจะพัฒนาสายนี้ต่อไปเมื่อโมเดลฐานพัฒนาและคลังข้อมูล trace ของ agentic เพิ่มขึ้น.