三組開放權重對決封閉 API：深入 Abacus.AI 為企業 Agent 而生的 Smaug 模型家族

當前 AI 領域最值得關注的爭論，不是哪個前沿模型在聊天排行榜上稱王，而是：企業實際部署的 Agent，究竟該跑在 Anthropic 與 OpenAI 的封閉 API 上，還是採用可以下載、在自己的 VPC 裡託管、還能針對自身工作負載微調的開放權重模型？9 月 10 日，Abacus.AI 為這場論戰投入了三份新證據——Smaug 模型家族（Smaug Agentic、Smaug Flash、Smaug Mini）正式登場。這是一系列專為 Agent 工作負載微調的開放權重模型，而且分別建立在當今最強的三個開放權重基座之上。

一套方法、三個基座、三種工作負載

Smaug 家族並非新的基礎架構，而是一套應用在現有開放權重模型上的微調方法論——這正是它最有意思的地方。Abacus.AI 的做法結合了人工篩選的真實 Agent 軌跡（agent 實際完成任務的日誌），以及以困難樣本為基礎生成的合成資料。該公司宣稱這套方法可以遷移：應用在多個開放權重基座上，都能在真正影響生產級 Agent 的基準測試——Agent 式編碼、工具呼叫、自動化與長上下文推理——帶來一致的提升。

家族中每個模型各佔據「能力—效率」曲線上不同的位置：

Smaug Agentic 微調自 Moonshot AI 的 Kimi K3——這個前沿規模的多模態混合專家（MoE）基座擁有 2.8 兆總參數、每 token 約激活 1,040 億參數、896 個路由專家，上下文長度達 1,048,576 token。它是旗艦，瞄準長程編碼與工具呼叫迴圈：Agent 讀取程式庫、編輯檔案、執行測試、解讀失敗原因，然後在不計其數的相依步驟間重複這個循環。

Smaug Flash 微調自 DeepSeek V4 Flash 0731，定位為「主力馬」——持續運轉的企業 Agent，負責處理訊息、文件、API 呼叫與跨越多輪的工作流程。Abacus.AI 對選擇這個基座的原因相當坦白：DeepSeek Flash 對高頻 Agent 任務來說效率高又穩健，但「在長上下文的 Agent 工具使用中容易出現打轉與混亂」。Smaug Flash 保留了基座的百萬 token 上下文與 serving 佈局，因此既有的推論服務系統無需架構修改即可載入。

Smaug Mini 則把阿里巴巴的 Qwen3.8 27B 微調成緊湊、具多模態能力的套件，單張 GPU 就能容納——瞄準一次性的有界任務：例如客服 Agent 檢視使用者上傳的圖片、调出帳戶紀錄，然後起草回覆。

基準測試說了什麼

Abacus.AI 公布的數字才是這次發布真正的重點，因為它們讓開放權重與封閉前沿正面交鋒。

Smaug Flash 的 LiveBench 總分為 77.4，高於 DeepSeek 基座的 74.2，也高於 Claude Sonnet 5 的 76.0。在 LiveBench Agent 式編碼上差距更為懸殊：Smaug Flash 拿下 61.1，基座只有 46.8，Sonnet 5 則是 59.4。在 AutomationBench（公開 600 題、嚴格通過標準）上它拿到 38.83，勝過 Sonnet 5 的 34.67；在 NL2repo-bench 上則是 73.3 對 66.34。一個中等規模、強調效率的基座的微調版本，在 Agent 式編碼上超越 Anthropic 的生產主力——這種結果足以讓企業平台團隊重新思考他們的 API 帳單。

Smaug Mini 在小規模上訴說著類似的故事。在 AutomationBench 上它拿到 41.8，領先 Claude Sonnet 5（36.2）、Claude Opus 4.6（25.5）與 GPT-5.6 Luna（34.8）。它的 JobBench 分數（官方協議、65 項任務）為 50.5，比基座 Qwen3.8-27B 的 33.4 高出十七分，也領先 Sonnet 5 的 46.4 與 GPT-5.6 Luna 的 43.3。

最大的 Smaug Agentic「守住陣線，甚至在多項關鍵基準上領先」GPT-5.6 Sol 與 Claude Fable 5：GPQA Diamond 94.1（與 GPT-5.6 Sol 持平，高於 Fable 5 的 92.6）、AA-LCR 長上下文推理 75.7（全表最佳）、DeepSWE 69.9 對基座 Kimi K3 的 67.5，LiveBench Agent 式編碼 64.6 對 GPT-5.6 Sol 的 56.2。封閉前沿在 Terminal-Bench 2.1（GPT-5.6 Sol 88.8 對 86.5）與 MMMU-Pro 上仍然領先——但差距已經很薄，而這邊的權重是可直接下載的。

為什麼要專門為 Agent 微調

這裡的技術前提值得細看。Agent 工作負載與聊天有本質差異，而通用訓練無法完全解決：長上下文、重複的工具呼叫，以及 prompt 快取隨時間間隔拉長而失效的複合問題。一個連續運行數小時的 Agent 會累積狀態、回頭修正早先的決策，還必須在數百個步驟間保持連貫。基座模型——即使是非常優秀的基座——恰恰在這些條件下退化，這正是 DeepSeek V4 Flash 會在長程 Agent 迴圈裡「打轉」的原因。

Abacus.AI 的押注是：針對真實 Agent 軌跡做定向微調，就能在不更動架構的前提下填補這個落差。基準表格支持了這個論點的一部分：最大的增益（Smaug Flash 在 LiveBench Agent 式編碼 +14.3 分；Smaug Mini 在 JobBench +17.1 分）恰好都出現在長程多步驟任務上。但限制同樣明顯：這些是廠商在自己評測環境下跑出的成績（部分參考分數標註為「官方報告值，非本廠測試」），獨立的生產環境驗證仍然有限。

開放權重的企業級訴求

這次發布同時也是一份戰略宣言。三個模型都在 Hugging Face 上提供，沿用各自基座的授權條款，Abacus.AI 並強調它們可以在企業 VPC 內運行。這等於把對資料、基礎設施與模型行為的控制權，從「可選的合規功能」重新定位為產品主張的一部分。

換句話說，真正的競爭不是 Abacus.AI 對上某一家模型廠商，而是「開放權重、可自架的 Agent 基礎設施」對上「提供便利但保留營運控制權的封閉 API」。如果一個微調過的 27B 模型能在自動化基準上打敗 Claude Opus 4.6，同時還塞得進你自家雲端的一張 GPU，Agent 部署的經濟學就變了——「必須用封閉前沿」的假設也隨之鬆動。

對於打造持續運轉的自進化 Agent 的企業來說，Smaug 家族提供了一條可信的中間路線：接近前沿的 Agent 能力、開放權重，以及對應每種工作負載的尺寸。至於基準測試上的優勢能否在真實生產流量中存活，就是下一季要回答的問題了。