Моделі та платформи ШІ
Abacus.AI випускає три моделі Smaug з відкритими вагами для агентних навантажень
Додайте Unite.AI до бажаних джерел у Google
Abacus.AI 10 вересня 2026 року представила лінію Smaug, три відкриті мовні моделі, донавчені для корпоративних агентних навантажень: Smaug Agentic, Smaug Flash і Smaug Mini. Усі три можна завантажити з Hugging Face і також використовувати через API RouteLLM компанії.
Моделі були представлені в рамках платформи enterprise agentic AI від Abacus.AI та Super Assistant. Компанія заявила, що підприємства можуть розміщувати моделі у власному хмарному VPC‑оточенні, отримуючи повний контроль над даними та місцем розгортання ШІ, а організації, які турбуються про безпеку та конфіденційність даних, можуть розгорнути Smaug Agentic у власному GPU‑кластері.
Abacus.AI описує Smaug як техніку донастройки, застосовну до будь‑якої відкритої базової моделі, і зазначає, що вона підвищує продуктивність довготривалих агентних циклів на 15–20 % без збільшення витрат. Компанія стверджує, що це дозволяє підприємствам масштабно розгортати самовдосконалювані AI‑агенти за вартістю відкритих моделей, яку, за їх словами, зазвичай у 10–100 разів нижче, ніж у провідних моделей від Anthropic та OpenAI.
«Моделі з відкритими вагами швидко наздоганяють провідні закриті моделі, проте все ще відстають у довготривалих агентних циклах», — сказав Бінду Редді, генеральний директор Abacus.AI, у оголошенні компанії. Редді зазначив, що лінія Smaug усуває цей недолік, залишаючись у 10–100 разів дешевшою за закриті моделі.
За даними технічного брифінгу компанії, лінія виникла через високі витрати та неефективність запуску великих агентних циклів з великими контекстами та повторюваними викликами інструментів, ускладнених розпадом кешування підказок під час часових проміжків. Методологія поєднує людсько‑кураторські, реальні агентні трасування з синтетичними даними, заснованими на складних прикладах, і брифінг повідомляє про стабільне підвищення результатів у агентному кодуванні, використанні інструментів у реальному світі, автоматизації, а також у довготривалому розумінні контексту та виконанні інструкцій при застосуванні до різноманітних відкритих базових моделей.
Smaug Agentic
Smaug Agentic, найбільша модель у лінії, є супервізованою донастройкою Kimi K3 від Moonshot AI — моделі mixture‑of‑experts з 2,8 трильйонами параметрів загалом, 104 мільярдами активованих параметрів, довжиною контексту 1 048 576 токенів та візуальним енкодером MoonViT‑V2, згідно її картки моделі. Донастройка не змінює архітектурних параметрів, і модель випускається під ліцензією Kimi K3, успадкованою від базової моделі, умови якої користувачі зобов’язані дотримуватись. У картці зазначено, що під час навчання використовувалися відібрані багатокрокові траєкторії кодування з інструментами, при цьому токени міркувань маскувалися у функції втрат, щоб навчання керувало діями моделі, залишаючи розподіл міркувань базової моделі незмінним; вміст набору даних не розкривається.
У картці вказані результати: 94,1 у GPQA Diamond, 75,7 у AA‑LCR, 69,9 у DeepSWE, 86,5 у Terminal‑Bench 2.1, 60,8 у SciCode, 64,6 у LiveBench agentic coding, 31,0 у AutomationBench та 81,0 у MMMU‑Pro. Відзначено приріст у порівнянні з базовою Kimi K3: +2,4 балу у DeepSWE, +2,4 у LiveBench agentic coding, +2,1 у SciCode, +1,0 у AA‑LCR та +0,6 у GPQA Diamond.
У картці також зазначено, що p99 довжина міркувань зменшується приблизно до 0,6× від базової моделі у SciCode та AA‑LCR, тоді як видима довжина відповіді залишається статистично незмінною порівняно з Kimi K3. За 113 завдань DeepSWE та понад сім годин безперервної роботи компанія зафіксувала нуль помилок інфраструктури та нуль тайм‑аутів. Оскільки архітектура не змінена, Smaug Agentic працює в будь‑якому середовищі, де працює Kimi K3, з опублікованими рецептами обслуговування для vLLM, SGLang та TokenSpeed. Оголошення позиціонує модель як економічно ефективну заміну моделей класу Opus.
Smaug Flash і Smaug Mini
Smaug Flash донастроений на DeepSeek V4 Flash 0731 і орієнтований на корпоративні самовдосконалювані агенти. У брифінгу зазначено, що базова модель схильна до «заплутаності та плутанини» під час використання інструментів у довготривалих агентних контекстах, і що Smaug Flash вирішує цю проблему, зберігаючи переваги базової моделі щодо вартості та швидкості. Оголошення описує Smaug Flash як оптимізований для персональних агентів, які можуть підключатися до месенджерів, включаючи WhatsApp, Telegram та Slack, і підтримувати довготривалі розмови з користувачами. У брифінгу наведено результати порівняння з базовою DeepSeek V4 Flash 0731, з Claude Sonnet 5 у якості еталонного стовпця: 77,4 проти 74,2 у LiveBench загалом, 61,1 проти 46,8 у LiveBench agentic coding, 56,6 проти 54,4 у DeepSWE 1.1, 38,83 проти 25,1 у публічному наборі AutomationBench 600 за строгим проходженням, та 73,3 проти 54,2 у NL2repo‑bench.
Smaug Mini — модель з 27‑мільярдними параметрами, донастроєна на Qwen3.8 27B, орієнтована на мультимодальні випадки використання та менш інтенсивні розумові навантаження. У брифінгу зазначено результати 76,9 проти 75,3 у базовій моделі у LiveBench загалом, 82,0 у IFBench, 41,8 проти 37,3 у AutomationBench, 50,5 проти 33,4 у офіційному протоколі JobBench з 65 завданнями, та 55,8 проти 42,3 у NL2repo‑bench, з Claude Sonnet 5, Claude Opus 4.6 та GPT‑5.6 Luna у якості еталонних стовпців. Оголошення описує Smaug Mini як підходящий для простих завдань та корпоративних чат‑ботів, і зазначає, що підприємства можуть додатково донастроювати його на власних даних.
Протокол оцінювання та дорожня карта
Технічний бриф зазначає, що оцінювання проводилися Abacus.AI за однаковою інфраструктурою для всіх моделей, якщо не позначено † як результат, отриманий не з цієї інфраструктури, і що рядки LiveBench взяті з опублікованої таблиці лідерів LiveBench станом на 25 червня 2026 року. У картці Smaug Agentic вказано, що результати отримані на спеціальному розгортанні 8×B300 при температурі 1,0 та максимальному зусиллі на міркування, а оцінка SciCode включає виправлення верхнього дефекту, який залишив 12 підзадач нерозв’язними. Компанія повідомила, що моделі включені в LiveBench у фільтрі finetunes таблиці лідерів.
Abacus.AI заявила, що лінія Smaug є одночасно випуском продукту та демонстрацією їхньої гіпотези, згідно якої, за допомогою правильної методології донастройки, моделі з відкритими вагами можуть конкурувати з провідними моделями та перевершувати їх у агентних AI‑завданнях. Компанія повідомила, що планує продовжувати розвивати лінію у міру еволюції базових моделей та розширення бібліотеки агентних трас.
