Abacus.AI brengt drie Smaug-modellen uit

Smaug, de nieuwe reeks van drie open-weight modellen van Abacus.AI, is sinds 10 september te downloaden op Hugging Face voor agentische taken, van codingloops tot multimodale workflows.

Voor Nederlandse ondernemers verschuift de keuze daarmee van alleen een API afnemen naar model plus hosting. De gewichten kunnen in een eigen cloudomgeving of op eigen GPU's draaien, maar beheer, licentiecontrole en evaluatie komen dan ook bij de gebruiker te liggen.

Drie modellen, drie inzetpunten

Smaug Flash is de praktische werkpaardvariant voor langlopende agents. Het model is een fine-tune van DeepSeek V4 Flash 0731, heeft een contextvenster van 1.048.576 tokens en richt zich op toolgebruik, automatisering en lange gesprekken. Smaug Agentic is de zwaarste variant, gebaseerd op Kimi K3. De modelkaart vermeldt 2,8 biljoen totale parameters, waarvan 104 miljard actief zijn, en hetzelfde contextvenster van ruim één miljoen tokens. Smaug Mini is een model van 27 miljard parameters voor multimodale taken en kleinere redeneerklussen.

De modelkaarten zetten Smaug Flash onder de MIT-licentie, Smaug Mini onder Apache 2.0 en Smaug Agentic onder de Kimi K3-licentie. Dat onderscheid is belangrijker dan het gezamenlijke label open-weight. De gewichten van een open-weight model zijn zelf te draaien, terwijl trainingscode en het volledige trainingsrecept gesloten kunnen blijven.

Wat de benchmark zegt

Abacus.AI testte de modellen tegen hun basis en zette enkele openbare scores naast gesloten modellen. Volgens Abacus.AI haalt Smaug Flash 77,4 op LiveBench overall tegenover 74,2 voor DeepSeek V4 Flash 0731. Op LiveBench agentic coding is het verschil 61,1 tegenover 46,8. Op AutomationBench, een openbare test met 600 taken en een strikte slaagmeting, staat Flash op 38,83 tegenover 25,1 voor de basis.

Bij Smaug Mini rapporteert Abacus.AI 41,8 tegenover 37,3 op AutomationBench en 50,5 tegenover 33,4 op JobBench, met 65 taken volgens het officiële protocol. Smaug Agentic komt op 64,6 tegenover 62,2 op LiveBench agentic coding en op 31,0 tegenover 30,8 op AutomationBench ten opzichte van Kimi K3.

Deze cijfers zijn geen onafhankelijke producttest. De modelkaarten beschrijven eigen runs van Abacus.AI, terwijl sommige vergelijkingsscores uit openbare leaderboards of de basiskaarten komen. Voor Agentic zijn bijvoorbeeld niet alle modellen met hetzelfde hulpmiddel getest op Terminal-Bench. De cijfers laten dus zien waar Abacus verbetering claimt, niet wat een Nederlands bedrijf automatisch op zijn eigen documenten of processen haalt.

Controle verschuift naar de infrastructuur

Het praktische verschil met een gesloten agentplatform zit in de plek waar de verwerking gebeurt. Abacus.AI schrijft dat bedrijven de modellen in hun eigen cloud-VPC kunnen hosten en Smaug Agentic op een eigen GPU-cluster kunnen draaien. Als de rest van de agent, de gegevensopslag en de koppelingen in diezelfde omgeving staan, kan bedrijfsdata binnen de gekozen infrastructuur blijven. Dat geeft meer controle over data en modelversies, maar maakt de organisatie ook verantwoordelijk voor updates, monitoring, toegangsbeheer en storingen.

Abacus.AI claimt dat de Smaug-methode langlopende agentlussen 15 tot 20 procent beter laat presteren zonder extra kosten, en dat open modellen doorgaans 10 tot 100 keer goedkoper zijn dan frontiermodellen van Anthropic en OpenAI. Die vergelijking gaat over modelkosten en niet over de totale eigendomskosten van een Nederlandse implementatie. Een groot model vraagt GPU-capaciteit, stroom en beheer. Bij laag of onvoorspelbaar gebruik kan een API daardoor eenvoudiger uitvallen; bij gevoelige data of stabiel volume wordt eigen hosting interessanter.

De release maakt agentische AI dus niet ineens eenvoudig. Ze maakt wel zichtbaar dat modelkeuze, hosting en licentie steeds meer één beslissing vormen. Open weights geven een bedrijf ruimte om data en modelversies zelf te beheren, maar die ruimte heeft pas waarde wanneer ook de infrastructuur, rechten en eigen metingen zijn geregeld.